Tarım 4.0 nedir, nasıl ortaya çıkmıştır?
Yüzyıllar boyunca, ülkeleri ve genel olarak dünyayı şekillendiren birçok sanayi devrimi olmuştur.
Endüstri 4.0, çalışma biçimlerini değiştiren en son sanayi devrimidir. Otomasyon, yapay zeka (AI) ve robotiğin yükselişinin yanı sıra İnternet ve giderek daha iyi teknoloji ile bağlantılı diğer ilerlemeleri ifade eder.
Tarım endüstrisi de teknoloji ve çalışma alanındaki bu önemli değişimi yaşadı ve deneyimlemeye devam ediyor. ‘Tarım 4.0’ olarak anılıyor ve çiftçiliği yenilikçi ve kendine güvenen hale getirmeyi vaat ediyor.
İşte son teknolojik gelişmelerin tarımı değiştirmesinin beklendiği üç temel yol şunlardır:
Yapay zeka
Yapay zeka, süreçleri çok daha verimli hale getirmek için tarım endüstrisi tarafından kullanıldı. AI, çeşitli makinelere ve ekipman parçalarına uygulanarak, sprinkler ve gübre gibi farklı cihazların işlerini daha etkin bir şekilde gerçekleştirmelerine olanak tanır.
Bunun iyi bir örneği, karada büyük nesneleri taşımak, çekmek veya kaldırmak için AI kullanabilen sürücüsüz traktörlerdir.
Yapay zekayı kullanan bir diğer yeni teknoloji ise akıllı sera. Tarım’da yayınlanan bir makale şöyle açıklıyor: ‘Akıllı tarım seraları (SAG) son zamanlarda sınırlı toprak işleme ve işçilikten kaynaklanan minimum sosyoekonomik ve ekolojik kayıpla daha fazlasını üretmek için önemli bir çözüm haline geldi.’ İklim kontrolü ve kendi kendine sulama yeteneklerine sahipler ve veri topluyorlar koşullar ve bitki ömrü hakkında. Ayrıca, enfeksiyonu kontrol edebilir ve güvenliği artırabilirler. Bu, tesisin sızdırmaz ve güvenli unsurları sayesindedir.
Dronlar
Sürdürülebilirlikte “Tarım Teknolojisinin Mevcut İlerlemesi ve Gelecekteki Beklentileri:
Sürdürülebilir Tarıma Geçit” başlıklı makale, “çiftçilerin ve yetiştiricilerin zamanlarının %70'ini gerçek çiftlik işlerini yapmak yerine mahsullerin durumunu izlemek ve anlamak için harcaması gerektiğini” belirtiyor. Tarımsal izleme söz konusu olduğunda büyük bir fark yarattıkları için drone’lar bu soruna olası bir çözümdür. Çiftçilerin ekinlerini avantajlı bir açı ve yükseklikten görmelerine ve toprağın yapısının ayrıntılı bir analizini yapmalarına olanak tanırlar.
Büyük Veri
Tesisler ve ekipmanların yanı sıra büyük veri, tarım endüstrisinde bir şeyleri değiştiriyor. Geçmişte ürün miktarı ve nasıl uygulanması gerektiği ile ilgili çok sayıda veri en verimli şekilde ele alınamıyordu. Bu, mevcut olan teknoloji seviyesinden ve şimdi sınırlı yeteneklerinden kaynaklanmaktadır. Ancak son zamanlarda birçok veriyi aynı anda işlemek ve bunları tarımsal üretim süreçleri hakkında fikir edinmek için kullanmak mümkün hale geldi.
MDPI’nin Big Data and Cognitive Computing dergisinde büyük veri üzerine çok sayıda araştırma yayınlandı.
Tarım 4.0’da Yapay Zeka Uygulamaları Nelerdir?
Makine öğrenimi (ML), tarımı daha verimli ve etkili hale getirmede şimdiden önemli bir rol oynamaya başladı. Precision ag, daha verimli tarımsal üretim için verilerin toplanmasına, işlenmesine ve analizine dayanır. Modern çiftlikte, aşağıdakiler gibi ileri teknolojinin kullanımıyla veri toplayabilirsiniz:
- Otonom araçlar,
- Değişken oran teknolojisi,
- GPS tabanlı toprak örneklemesi,
- Otomatik donanım,
- Telematik,
- Yazılım,
- Sensörler,
- Kameralar,
- Robotlar,
- Dronlar,
- GPS rehberliği ve
- Kontrol sistemleri
Makine öğrenimine dayalı ekipmanın çiftçilik sistemini yeni bir verimlilik düzeyine getirdiğine şüphe yoktur. Bu teknoloji, mahsul verimliliğini artırdı ve gerçek zamanlı olarak izleme, hasat, işleme ve pazarlamayı geliştirdi.
Yapay Zeka ve diğer teknolojiler ile nasıl birleştirilmelidir?
Eyleme dönüştürülebilir içgörüler ve piyasa bilgilerinin önde gelen bağımsız, güvenilir kaynağıdır. Bu araç ayrıca doğru sıcaklık ve yağış tahminleri, ödüllü haber odamızdan özel sektör kapsamı ve daha fazlasını sağlar.
Bu teknoloji, artan nicelik ve kaliteye ilişkin hassas tarım içgörüleri sağlamayı ve bunlara göre hareket etmeyi amaçlar. Ancak, ML nereye sığar ve tarımda nasıl kullanılır? Bu soruyu cevaplamak için önce makine öğrenimi konusunda net olmalısınız.
Yapay zeka, hassaslaştırılmış tarım gibi bir uygulamanın genel hasat kalitesini ve doğruluğunu iyileştirmeye yardımcı oluyor. AI teknolojisi, bitkilerdeki hastalıkları, zararlıları ve çiftliklerin yetersiz beslenmesini tespit etmeye yardımcı olur. Yapay zeka sensörler ile vahşi otların tespit edilerek hedeflenmesini ve ardından tarım yapılacak alanda hangi herbisitin uygulanacağına karar verebilir. Bu, herbisit kullanımının azalmasına ve maliyet tasarrufuna yardımcı olur. Birçok teknolojik şirket, yabani otları izlemek ve hassas bir şekilde püskürtmek için bilgisayarlı görme ve yapay zeka kullanan robotlar geliştirdi. Bu robotlar, normalde ekinlere püskürtülen kimyasalların hacminin %80'ini ortadan kaldırabilir ve herbisit harcamasını %90 oranında azaltabilir. Bu akıllı AI püskürtücüler, tarlalarda kullanılan kimyasalların sayısını büyük ölçüde azaltabilir ve böylece tarımsal ürünlerin kalitesini iyileştirebilir ve maliyet verimliliği sağlayabilir. Çiftçiler, yapay zekayı yalnızca dijital dünya için geçerli bir şey olarak algılama eğilimindedir. Fiziksel arazide çalışmasına nasıl yardımcı olabileceğini göremeyebilirler. Bunun nedeni muhafazakar olmaları veya bilinmeyene karşı temkinli olmaları değildir. Dirençleri, AI araçlarının pratik uygulamalarının anlaşılmamasından kaynaklanmaktadır. AgriTech sağlayıcıları, çözümlerinin neden yararlı olduğunu ve tam olarak nasıl uygulanmaları gerektiğini açıkça açıklayamadıkları için, yeni teknolojiler genellikle kafa karıştırıcı ve makul olmayan bir şekilde pahalı görünmektedir. Tarımda yapay zeka ile olan budur. AI faydalı olabilse de, teknoloji sağlayıcıların çiftçilerin onu doğru şekilde uygulamalarına yardımcı olmak için yapması gereken çok iş var.
Yapay Zeka’nın Tarım entegrasyonundaki zorlukları nelerdir?
Veri Toplama
Hassas tarımın son otuz yılda büyümesine rağmen, sektörde makine öğrenimi tahminlerinin yaygın uygulamalarını engelleyen iki ana sorun var. İlk olarak, çiftçilerin ve yetiştiricilerin önemli bir kısmı hassas-Ag yardımcı programlarını benimsememiştir (ve bununla ilgili birçok çalışma ve sebep vardır). İkincisi, hassas-Ag teknolojilerinin kullanılması, tahmin amacıyla IoT veya diğer ortamları kullanarak tüm kritik bilgilerin toplanması anlamına gelmez.
İkinci faktör, teknik açıdan AI’nın kullanılabilirliği için bir kırılma noktası olabilir. Çoğu tarımsal faaliyet, kontrolümüz altında olmayan çevresel faktörler nedeniyle bazı doğal belirsizliğe (AI terminolojisinde: indirgenemez hata) sahiptir. Bu, bir yanda tarımla ilgili alan bilgisi olan veri bilimcileri ve diğer yanda çiftçiler, yetiştiriciler, agronomistler ve danışmanlar arasında veri toplama prosedürleri etrafında devam eden işbirliğinin gerçekleşmesi gerektiği anlamına gelir. Bu paylaşılan bilgi ve anlayış, çiftçiler ve yetiştiriciler için güvenilir araçlara sahip modeller geliştirmenin yolunu açıyor.
Veri Sahipliği ve Gizlilik
Ag-sektöründeki verilerin sahibi kim? Bu sorunun cevabı tahmin ettiğiniz kadar basit değil. Evet, verilere çiftçiler, sera yöneticileri, yetiştiriciler, tarım uzmanları vb. Sahiplerin bazı kritik verilere erişimi olmasına rağmen, erişim için ödeme yapmadıkça ve kullanım için eğitim almadıkça, bölgedeki tarihsel çevresel veriler veya uydu görüntüleri gibi diğer birçok ilgili veri kaynağına anında erişemezler. Bu boşluk (özellikle çiftçiler açısından çevresel ve uydu verilerine erişim eksikliği), farklı kaynaklardan veri toplamak ve birleştirmek için eğitim almış veri bilimcileri ve veri mühendisleri tarafından iyi bir şekilde kapatılabilir. Veri sahipliği birçok sektörde bir sorundur, ancak Ag sektöründe kafa karıştırıcı bir sorundur. Veri Gizliliği, tarım verilerinin paylaşılmasında başka bir kafa karıştırıcı konudur. Anonimleştirme, şifreleme ve toplama, yapay zekayı tarımda büyük ölçekte uygularken fikri mülkiyetle ilgili sorunları ele alma yöntemleri arasındadır. Özellikle verinin ayrıntı düzeyi veya verilerin uzamsal yönü olduğunda, tarım verilerinin fikri mülkiyetiyle ilgili sorunlarla uğraşmadan verileri analiz etmeye ve yararlı bilgiler elde etmeye yardımcı olacak uygun ifşa etmeme anlaşmaları (NDA’lar) ve AI teknikleri vardır.
Tarımsal Veriler Dağınık Oldu
Veriler kapsamlı bir şekilde toplansa ve bir çiftçi (veya bir danışman) çiftlikten ilgili tüm verilere erişebilse bile, çiftlikler arasında veri toplama merkezi değildir. Bu, AI tabanlı tekniklerden elde edilen kolektif bir bilgi/içgörünün tam olarak gelişmediği anlamına gelir. Keskin karşıtlığı göstermek için, tarımı finansla karşılaştıralım. Finans alanında, son birkaç on yıllık bir geçmişe sahip dünyanın dört bir yanından halka açık tüm şirketler için büyük servet verilerine ücretsiz olarak veya Bloomberg gibi hizmetlerden ücretli verilere erişebilirsiniz. Sonuç olarak, finansal verilerde yapay zekayı kullanan, kâr amaçlı, kâr amacı gütmeyen çok sayıda eğitim çalışması akıllara durgunluk veriyor. Böyle bir merkezi ve yüksek çözünürlüklü veri sistemi, Ag-sektöründe mevcut değildir. FAO, dünya çapında 570 milyon çiftlik olduğunu tahmin ediyor. Bir veri bilimcisi, daha iyi verim için bu veri zenginliğinden nasıl yararlanabilir? Gizlilik yasalarına zarar vermeden bu sorunu aşmanın bir yolu, uydu görüntüsü verilerini kullanmaktır. 30 cm çözünürlüğe sahip geçmiş uydu verileri satın alınabilir veya neredeyse tüm dünyada daha düşük çözünürlükler için ücretsiz. Bu, bilgisayarlı görü uzmanlarının ve veri bilimcilerinin, çiftliklerdeki verim, hastalık veya stresleri tahmin etmek için modellerini eğitmek için geçmiş uydu verilerinden faydalı özellikler (NDVI ve NDWI gibi) çıkarabilecekleri anlamına gelir.
Tarımda Yapay Zekaya Yönelik Değişimin Maliyeti, Hataların Maliyeti
Yüksek değişim maliyeti, özellikle tarım endüstrisi için geçerlidir. Bu maliyet yapısı, yapay zekayı açık kollarla benimseyen diğer bazı sektörlerden çok farklıdır. Uber, veri bilimi ekibinin önerdiği şekilde bir e-posta kampanyası yürütürse ve birkaç gün sonra bunun tahmin edildiği gibi çalışmadığı ortaya çıkarsa, bunu hemen durdurabilir/değiştirebilirler. Bir çiftçilik sisteminde risk faktörü farklı bir ölçektedir; yanlış bir tavsiyeye uymak, bir tarım sezonu için mahsul verimini kaybetmek anlamına gelebilir. Bu konuda çiftçilikte uygulanmakta olan bir yaklaşım, çiftçi büyük ölçekte çiftçilik yapsa bile, değişiklikleri daha küçük ölçeklerde benimsemektir. Küçük ölçek, bir çiftliğin küçük bir kısmı veya geri bildirimlere yansıtılırken birden fazla çiftçilik mevsiminde hedeflenen değişime yönelik küçük değişiklikler anlamına gelir. Veri bilimi ve yapay zeka çözümlerinde doğası gereği var olan bir başka yaklaşım da olasılıksal yaklaşımlardır. Yapay zekadaki tahminler, deterministik bir şekilde ifade edilebilmelerine rağmen nadiren deterministiktir. Bir tahminin doğruluğu her zaman bir olasılıktır ve bu nedenle bir tahminin yanında istatistiksel güven aralığı kullanılır. Deneyimli bir veri bilimcisi, o tahmine olan güveni bildirmedikçe, bir modele dayalı olarak nadiren önerilerde bulunur. Bu yaklaşım, AI çözümlerinin öngördüğü değişikliklerle ilişkili riski değerlendirmek ve marjinalleştirmek için yaygın olarak kullanılmaktadır.
Yorumlar
Yorum Gönder