I 2018 dyrkede fem hold agurker i en banebrydende Autonomous Greenhouse Challenge international konkurrence. Twist: kun et af holdene bestod af erfarne menneskelige avlere, der betjener deres drivhusrum manuelt. De resterende fire teams bestod af internationale eksperter inden for gartneri og kunstig intelligens (AI). De arbejdede på at udvikle AI-løsninger til at styre deres afgrøder eksternt og autonomt. Målet med konkurrencen, verdens første Autonomous Greenhouse Challenge, var at skabe gennembrud inden for bæredygtig fødevareproduktion.
Efter fire intense måneder kom de manuelle avlere på andenpladsen. Holdet på førstepladsen, ledet af en af forfatterne til denne artikel, vandt med en autonom voksende løsning, der ikke kun opnåede 6 % større udbytte og 17 % højere nettofortjeneste, men også brugte mindre CO2, varme og vandtilførsler.
For at lære mere om konkurrencen og forstå, hvordan en AI-løsning kan konkurrere med - og endda overgå - et team af dygtige menneskelige avlere, lad os se nærmere på AI, og hvordan det relaterer til drivhusautomatisering.
Drivhusautomatisering er ikke noget nyt
I årtier har avlere brugt procescomputere, sensorer og aktuatorer til at styre drivhusklima og kunstvanding. I et sådant scenarie er procescomputerens opgave ligetil, idet den er afhængig af simple logiske regler. Hvis lufttemperaturen er højere end 75°F, skal du f.eks. åbne udluftningen. Det kedelige arbejde med at læse temperaturer og tænde og slukke lys og varmelegemer er uddelegeret til maskiner.
Regelbaseret automatisering kan naturligvis ikke håndtere uforudsete omstændigheder. Mere afgørende er, at et dygtigt menneske skal træffe alle beslutninger om afgrødeforvaltning, ned til de nøjagtige sætpunkter for miljøparametre. For at opnå høje udbytter pålideligt kræves der et betydeligt niveau af viden og færdigheder, og selv da er det let at lave fejl. Desuden bliver arbejdet med løbende overvågning af afgrøderne endnu mere krævende i takt med, at bedrifterne vokser sig større.
Desværre ved avlerne alt for godt, at arbejdskraft er den største kilde til problemer i produktionen. År efter år, i Drivhusavlere Top 100-avlere-undersøgelsen rapporterer avlere om udfordringer ikke kun med omkostningerne ved arbejdskraft, men også med tilgængeligheden af kvalificeret arbejdskraft. Ikke overraskende leder avlere i stigende grad efter måder at løse disse udfordringer på, herunder nye teknologier, der kan gøre drivhusdriften mere autonom.
AI er et skridt videre end regelbaseret automatisering
En god måde at tænke kunstig intelligens på er, at det er et skridt ud over simpel regelbaseret automatisering. Moderne kunstig intelligens handler om brugen af matematik til at finde mønstre i data, herunder den slags, der findes i drivhusmiljøer og biologiske systemer. For eksempel:
- Med tilstrækkeligt med klimadata kan avlerne bruge AI til at bestemme optimale setpunkter og lave klimaforudsigelser.
- Med nok data om afgrødeudbytte kan avlere bruge AI til at generere udbytteprognoser.
- Med nok billeddata kan avlere bruge AI til at opdage skadedyr og sygdomme.
Nogle typer kunstig intelligens kan endda lære af nye data og levere trinvist bedre resultater over tid.
Ved at være i stand til at give dybere indsigt i den daglige drivhusdrift, kan AI bruges til at understøtte ekspert beslutningstagning og styrke avlere på en meningsfuld måde. De bedste resultater kommer trods alt fra en tankevækkende kombination af menneskelig intelligens og kunstig intelligens.
Den databaserede tilgang til AI kan også kombineres med den klassiske regelbaserede tilgang, hvilket giver mulighed for en meget højere grad af drivhusautomatisering end nogensinde før. Kort sagt kan avlere bruge kunstig intelligens til at automatisere mange udenadslige operationelle opgaver, hvilket hjælper med at lindre de kroniske arbejdsproblemer, der udfordrer industrien.
Data er brændstoffet til AI
Lige så meget som AI handler om matematiske algoritmer, handler det også om data. I modsætning til hvad man tror, har nogle af de mest almindelige algoritmer, der bruges i AI, eksisteret i årtier. De er ikke engang voldsomt komplicerede. Men i længst tid har tilgængeligheden af data - sammen med overkommelig beregningskraft, der kræves for at behandle dataene - været begrænsende faktorer.
Det krævede en nylig udvikling inden for computerhardware for at frigøre potentialet i AI. Smartphone-revolutionen, udløst af Apple i 2007, skabte helt nye produktionsøkosystemer og forsyningskæder på globalt plan. Dette ændrede den grundlæggende økonomi i computerhardware, tilsyneladende fra den ene dag til den anden. Nøgle hardwarekomponenter, såsom mikroprocessorer, radioer og sensorer, blev eksponentielt billigere, mindre og mere kraftfulde. Strømmen af rå data blev til oversvømmelser. Den nye overflod af data og beregningskraft hjalp med at transformere AI fra en forskningskuriositet med få kommercielle applikationer til en teknologisk havændring.
IoT bringer en overflod af data
I begyndelsen af 1980'erne blev kandidatstuderende ved Carnegie Mellon University i Pittsburgh irriterede over at gå over til en Coca-Cola-automat for kun at finde den tom. De ændrede den, så den kunne rapportere sin beholdning over internettet. Dermed opfandt de verdens første internetforbundne apparat.
I dag har milliarder af enheder, store som små, fra forbrugerelektronik til industrielle maskiner sluttet sig til den første sodavandsmaskine, da de er forbundet til internettet og danner det, der er kendt som tingenes internet (IoT). Det væsentlige er, at i modsætning til tidligere generationer af hardware – inklusive mange almindelige drivhusautomatiseringsløsninger – bruger IoT-enheder de samme slags dataformater og kommunikationsprotokoller som brugt andre steder på internettet. Ved at stole på globale internetstandarder kan det være nemmere at udveksle data med IoT-enheder uden at kræve ekstra hardware til at bygge bro fra én type system til en anden.
Sammen er AI og IoT komplementære teknologier. IoT-hardware hjælper avlere med at indsamle rådata fra drivhuse lettere. Og AI-software hjælper avlere med at forstå - og handle på - disse data for at forbedre afgrødeproduktionen.
Casestudie: Kenneth Trans succes i den autonome drivhusudfordring
Dr. Tran: I 2018 var jeg AI-forsker hos Microsoft Research i nærheden af Seattle og arbejdede på en nyere type AI kendt som forstærkningslæring. Der igangsatte jeg en ny indsats for at anvende vores forskning på området kontrolleret miljø landbrug. Med det såkaldte Sonoma-projekt samarbejdede vi med planteforskere ved Harrow Research Center i Ontario, Canada, og endte med at konkurrere i den første internationale Autonomous Greenhouse Challenge, arrangeret af Wageningen University & Research i Holland.
I denne udfordring dyrkede hvert hold agurker i et 315 kvadratmeter stort drivhusrum i en varighed på omkring fire måneder. Disse rum var udstyret med standard procescomputere, klimasensorer og aktuatorer. Ved at bruge IoT digitale interfaces (REST API'er) kunne vores AI-programmer kontinuerligt læse data fra sensorerne, bestemme optimale sætpunkter og sende sætpunkter tilbage til procescomputerne - over hele internettet (se figuren nedenfor). Flere detaljer om udfordringen og dens resultater kan findes i en artikel af Hemming et al. (2019).
På trods af vores manglende erfaring med at dyrke agurker og vores meget tidlige prototype, var vores autonome dyrkningsløsning i stand til at vinde konkurrencen. Vi overgik endda holdet på andenpladsen, referenceteamet bestående af eksperter i hollandske avlere, med et 6 % højere udbytte. Denne margin i udbytte svarede til en stigning på 17 % i driftsresultatet.
Klarede referenceteamet dårligt? Slet ikke. De klarede sig bemærkelsesværdigt godt, ifølge mange eksperter. Deres udbytte var næsten 50 kg/m2 i løbet af fire måneder, hvilket svarer til knap 150 kg/m2 Per år. Dette anses for højt udbytte for et drivhus overalt på planeten.
Som et resultat af den autonome drivhusudfordring grundlagde jeg Koidra i 2020 for direkte at bygge videre på vores erkendelser og yderligere skubbe det avancerede inden for AI og IoT til landbrug og andre industrielle kontrolapplikationer.
Stil de rigtige spørgsmål om AI og IoT
I dag er flere drivhusavlere villige og klar til at adoptere AI og IoT. Den største udfordring er at give mening om produkterne på markedet og at kunne vade gennem al markedsføringen. Mange virksomheder hævder ivrigt, at de har en AI-algoritme eller IoT-enhed, der vil fungere til drivhuse.
Her er nogle vigtige overvejelser, du skal huske på, når du evaluerer AI-software og IoT-hardware:
- Ydelse: Avlere bør være i stand til at se konkrete fordele i den virkelige verden. Spørg: Er AI blevet bevist i kommerciel produktion for at forbedre udbytte og ressourceeffektivitet? Under hvilke forhold? Hvad er virksomhedens track record i at udvikle AI og IoT-software?
- AI design: De mest effektive AI-løsninger kombinerer det bedste af menneskelig intelligens med det bedste fra kunstig intelligens til at træffe beslutninger. Spørg: Hvordan udnytter AI-modellen den eksisterende viden? Hvordan sikrer det, at ydeevnen forbedres over tid med flere data?
- Software design: Avlere bør fortsat have kontrol over drivhusdriften. Spørg: Hvilke softwaredesignprincipper bruges til at sikre afgrødesikkerhed? Kan jeg til enhver tid nemt skifte mellem manuel tilstand, anbefaling og autopilot?
- Dataejerskab: Avlere bør eje deres data og undgå "leverandørlåsning". Spørg: Kan jeg nemt importere data fra andre systemer? Kan jeg sikkerhedskopiere og eksportere mine egne data? Er der API'er, der giver mulighed for live dataadgang og tilpassede integrationer? Kan jeg bruge software og hardware fra forskellige leverandører, nu og i fremtiden?
AI og IoT kan styrke dyrkere
I en verden, hvor kritiske ressourcer - vand og energi samt tid, penge og kvalificeret arbejdskraft - bliver mere knappe, giver det mening at udforske nye teknologier for at lette denne byrde. Som vi lærte af Autonomous Greenhouse Challenge, kan avlere faktisk opnå større udbytte og højere ressourceforbrugseffektivitet med brugen af AI-software og IoT-hardware. Desuden udvikles og avanceres disse teknologier i et hurtigt tempo.
I sidste ende kan AI og IoT virkelig give drivhusavlere - til at træffe bedre beslutninger, til at gøre mere med mindre - til at dyrke verdens mad mere bæredygtigt.