2018లో, ఐదు జట్లు గ్రౌండ్ బ్రేకింగ్ అటానమస్ గ్రీన్హౌస్ ఛాలెంజ్లో దోసకాయలను పెంచాయి అంతర్జాతీయ పోటీ. ట్విస్ట్: తమ గ్రీన్హౌస్ కంపార్ట్మెంట్ను మాన్యువల్గా నిర్వహిస్తున్న అనుభవజ్ఞులైన మానవ పెంపకందారులతో కూడిన బృందాలలో ఒకటి మాత్రమే. మిగిలిన నాలుగు బృందాల్లో హార్టికల్చర్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) రంగాలలో అంతర్జాతీయ నిపుణులు ఉన్నారు. వారు తమ పంటలను రిమోట్గా మరియు స్వయంప్రతిపత్తిగా నిర్వహించడానికి AI పరిష్కారాలను అభివృద్ధి చేయడానికి పనిచేశారు. పోటీ యొక్క లక్ష్యం, ప్రపంచంలోని మొట్టమొదటి అటానమస్ గ్రీన్హౌస్ ఛాలెంజ్, స్థిరమైన ఆహార ఉత్పత్తిలో పురోగతిని సాధించడం.
నాలుగు నెలల తర్వాత, మాన్యువల్ సాగుదారులు రెండవ స్థానంలో నిలిచారు. ఈ కథనం యొక్క రచయితలలో ఒకరి నేతృత్వంలోని మొదటి స్థానంలో ఉన్న జట్టు, 6% ఎక్కువ దిగుబడులు మరియు 17% అధిక నికర లాభాన్ని సాధించడమే కాకుండా, తక్కువ COని కూడా ఉపయోగించిన స్వయంప్రతిపత్త వృద్ధి పరిష్కారంతో గెలిచింది.2, తాపన మరియు నీటి ఇన్పుట్లు.
పోటీ గురించి మరింత తెలుసుకోవడానికి మరియు నైపుణ్యం కలిగిన మానవ పెంపకందారుల బృందంతో AI సొల్యూషన్ పోటీపడగలదో - మరియు అధిగమించగలదో అర్థం చేసుకోవడానికి, AI మరియు ఇది గ్రీన్హౌస్ ఆటోమేషన్కు ఎలా సంబంధం కలిగి ఉందో నిశితంగా పరిశీలిద్దాం.
గ్రీన్హౌస్ ఆటోమేషన్ కొత్తది కాదు
దశాబ్దాలుగా, పెంపకందారులు గ్రీన్హౌస్ వాతావరణం మరియు నీటిపారుదలని నిర్వహించడానికి ప్రాసెస్ కంప్యూటర్లు, సెన్సార్లు మరియు యాక్యుయేటర్లను ఉపయోగిస్తున్నారు. అటువంటి దృష్టాంతంలో, ప్రక్రియ కంప్యూటర్ యొక్క పని సరళమైనది, సాధారణ తార్కిక నియమాలపై ఆధారపడి ఉంటుంది. గాలి ఉష్ణోగ్రత 75 ° F కంటే ఎక్కువగా ఉంటే, ఉదాహరణకు, బిలం తెరవండి. ఉష్ణోగ్రతలను చదవడం మరియు లైట్లు మరియు హీటర్లను ఆన్ చేయడం మరియు ఆఫ్ చేయడం వంటి దుర్భరమైన శ్రమ యంత్రాలకు అప్పగించబడుతుంది.
వాస్తవానికి, నిబంధనల ఆధారిత ఆటోమేషన్ ఊహించలేని పరిస్థితులతో వ్యవహరించదు. మరింత ముఖ్యంగా, పర్యావరణ పారామితుల కోసం ఖచ్చితమైన సెట్పాయింట్ల వరకు పంట నిర్వహణ నిర్ణయాలన్నింటినీ నైపుణ్యం కలిగిన మానవుడు తీసుకోవాల్సిన అవసరం ఉంది. అధిక దిగుబడిని విశ్వసనీయంగా సాధించడానికి, గణనీయమైన స్థాయి జ్ఞానం మరియు నైపుణ్యం అవసరం, ఆపై కూడా, తప్పులు చేయడం సులభం. అంతేకాకుండా, పొలాలు పెద్దవిగా పెరుగుతున్నందున, పంటలను నిరంతరం పర్యవేక్షించే పని మరింత డిమాండ్ అవుతుంది.
దురదృష్టవశాత్తు, ఉత్పత్తిలో సమస్యలకు అతిపెద్ద మూలం శ్రమేనని సాగుదారులకు బాగా తెలుసు. సంవత్సరం తర్వాత సంవత్సరం, లో గ్రీన్హౌస్ గ్రోవర్స్ టాప్ 100 గ్రోవర్స్ సర్వే, పెంపకందారులు కూలీల ఖర్చుతో పాటు నైపుణ్యం కలిగిన కార్మికుల లభ్యతతో కూడా సవాళ్లను నివేదించారు. గ్రీన్హౌస్ నిర్వహణను మరింత స్వయంప్రతిపత్తిగా మార్చగల కొత్త సాంకేతికతలతో సహా, సాగుదారులు ఈ సవాళ్లను పరిష్కరించడానికి మార్గాలను వెతుకుతున్నారంటే ఆశ్చర్యం లేదు.
AI అనేది నిబంధనల-ఆధారిత ఆటోమేషన్కు మించిన దశ
కృత్రిమ మేధస్సు గురించి ఆలోచించడానికి ఒక మంచి మార్గం ఏమిటంటే ఇది సాధారణ నియమాల ఆధారిత ఆటోమేషన్కు మించిన దశ. ఆధునిక AI అనేది గ్రీన్హౌస్ పర్యావరణ మరియు జీవ వ్యవస్థలలో కనిపించే రకంతో సహా డేటాలో నమూనాలను కనుగొనడానికి గణిత శాస్త్రాన్ని ఉపయోగించడం. ఉదాహరణకి:
- తగినంత వాతావరణ డేటాతో, పెంపకందారులు సరైన సెట్పాయింట్లను నిర్ణయించడానికి మరియు వాతావరణ అంచనాలను రూపొందించడానికి AIని ఉపయోగించవచ్చు.
- తగినంత పంట దిగుబడి డేటాతో, సాగుదారులు దిగుబడి అంచనాలను రూపొందించడానికి AIని ఉపయోగించవచ్చు.
- తగినంత ఇమేజ్ డేటాతో, పెంపకందారులు తెగుళ్లు మరియు వ్యాధులను గుర్తించడానికి AIని ఉపయోగించవచ్చు.
కొన్ని రకాల AI కొత్త డేటా నుండి కూడా నేర్చుకోగలదు, కాలక్రమేణా మెరుగైన ఫలితాలను అందిస్తుంది.
రోజువారీ గ్రీన్హౌస్ కార్యకలాపాలలో లోతైన అంతర్దృష్టులను అందించడం ద్వారా, నిపుణుల నిర్ణయాలకు మద్దతు ఇవ్వడానికి మరియు సాగుదారులకు అర్థవంతమైన రీతిలో సాధికారత కల్పించడానికి AI ఉపయోగపడుతుంది. అన్నింటికంటే, మానవ మేధస్సు మరియు కృత్రిమ మేధస్సు యొక్క ఆలోచనాత్మక కలయిక నుండి ఉత్తమ ఫలితాలు వస్తాయి.
AI యొక్క డేటా-ఆధారిత విధానాన్ని క్లాసిక్ నియమాల-ఆధారిత విధానంతో కూడా కలపవచ్చు, ఇది మునుపెన్నడూ లేనంత అధిక స్థాయి గ్రీన్హౌస్ ఆటోమేషన్ను అనుమతిస్తుంది. సంక్షిప్తంగా, పరిశ్రమను సవాలు చేసే దీర్ఘకాలిక కార్మిక సమస్యల నుండి ఉపశమనం పొందడంలో సహాయపడే అనేక రొట్ ఆపరేషనల్ టాస్క్లను ఆటోమేట్ చేయడానికి పెంపకందారులు AIని ఉపయోగించవచ్చు.
AI కోసం డేటా ఇంధనం
AI గణిత అల్గారిథమ్ల గురించి ఎంతగానో, డేటా గురించి కూడా అంతే. జనాదరణ పొందిన నమ్మకానికి విరుద్ధంగా, AIలో ఉపయోగించే అత్యంత సాధారణ అల్గారిథమ్లు కొన్ని దశాబ్దాలుగా ఉన్నాయి. అవి కూడా చాలా క్లిష్టంగా లేవు. కానీ చాలా కాలంగా, డేటా లభ్యత - డేటాను ప్రాసెస్ చేయడానికి అవసరమైన సరసమైన గణన శక్తితో పాటు - కారకాలను పరిమితం చేస్తోంది.
AI యొక్క సామర్థ్యాన్ని అన్లాక్ చేయడానికి ఇది కంప్యూటర్ హార్డ్వేర్లో ఇటీవలి అభివృద్ధిని తీసుకుంది. 2007లో యాపిల్ ప్రారంభించిన స్మార్ట్ఫోన్ విప్లవం, ప్రపంచ స్థాయిలో పూర్తిగా కొత్త ఉత్పాదక పర్యావరణ వ్యవస్థలు మరియు సరఫరా గొలుసులను సృష్టించింది. ఇది రాత్రిపూట కంప్యూటర్ హార్డ్వేర్ యొక్క ప్రాథమిక ఆర్థిక శాస్త్రాన్ని మార్చింది. మైక్రోప్రాసెసర్లు, రేడియోలు మరియు సెన్సార్లు వంటి కీలక హార్డ్వేర్ భాగాలు విపరీతంగా చౌకగా, చిన్నవిగా మరియు మరింత శక్తివంతంగా మారాయి. ముడి డేటా యొక్క ట్రిక్కులు వరదలుగా మారాయి. డేటా మరియు గణన శక్తి యొక్క కొత్త సమృద్ధి AIని కొన్ని వాణిజ్య అనువర్తనాలతో పరిశోధన ఉత్సుకత నుండి సాంకేతిక సముద్ర మార్పుగా మార్చడానికి సహాయపడింది.
IoT సమృద్ధిగా డేటాను తెస్తుంది
1980వ దశకం ప్రారంభంలో, పిట్స్బర్గ్లోని కార్నెగీ మెల్లన్ విశ్వవిద్యాలయంలోని గ్రాడ్యుయేట్ విద్యార్థులు కోకా-కోలా వెండింగ్ మెషీన్ను ఖాళీగా చూడడం కోసం ట్రెక్కింగ్ చేయడం పట్ల విసుగు చెందారు. వారు దానిని సవరించారు, తద్వారా ఇది ఇంటర్నెట్ ద్వారా దాని జాబితాను నివేదించవచ్చు. అలా చేయడం ద్వారా, వారు ప్రపంచంలోనే మొట్టమొదటి ఇంటర్నెట్-కనెక్ట్ ఉపకరణాన్ని కనుగొన్నారు.
నేడు, వినియోగదారు ఎలక్ట్రానిక్స్ నుండి పారిశ్రామిక యంత్రాల వరకు పెద్దవి మరియు చిన్నవిగా ఉన్న బిలియన్ల కొద్దీ పరికరాలు ఇంటర్నెట్కి కనెక్ట్ చేయడంలో మొదటి సోడా మెషీన్లో చేరాయి, దీనిని ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT)గా పిలుస్తారు. ముఖ్యమైన విషయం ఏమిటంటే, మునుపటి తరాల హార్డ్వేర్ వలె కాకుండా - అనేక సాధారణ గ్రీన్హౌస్ ఆటోమేషన్ సొల్యూషన్లతో సహా - IoT పరికరాలు ఇంటర్నెట్లో ఇతర చోట్ల ఉపయోగించిన అదే రకమైన డేటా ఫార్మాట్లు మరియు కమ్యూనికేషన్ ప్రోటోకాల్లను ఉపయోగిస్తాయి. గ్లోబల్ ఇంటర్నెట్ ప్రమాణాలపై ఆధారపడటం ద్వారా, ఒక రకమైన సిస్టమ్ నుండి మరొకదానికి బ్రిడ్జ్ చేయడానికి అదనపు హార్డ్వేర్ అవసరం లేకుండా IoT పరికరాలతో డేటాను మార్పిడి చేయడం సులభం అవుతుంది.
కలిసి, AI మరియు IoT పరిపూరకరమైన సాంకేతికతలు. IoT హార్డ్వేర్ పెంపకందారులకు గ్రీన్హౌస్ల నుండి ముడి డేటాను మరింత సులభంగా సేకరించడంలో సహాయపడుతుంది. మరియు AI సాఫ్ట్వేర్ పంట ఉత్పత్తిని మెరుగుపరచడానికి ఆ డేటాను అర్థం చేసుకోవడానికి - మరియు చర్య తీసుకోవడానికి - పెంపకందారులకు సహాయపడుతుంది.
కేస్ స్టడీ: అటానమస్ గ్రీన్హౌస్ ఛాలెంజ్లో కెన్నెత్ ట్రాన్ విజయం
డాక్టర్ ట్రాన్: 2018లో, నేను సీటెల్ సమీపంలోని మైక్రోసాఫ్ట్ రీసెర్చ్లో AI పరిశోధకుడిగా ఉన్నాను, రీన్ఫోర్స్మెంట్ లెర్నింగ్ అని పిలువబడే కొత్త రకం AIపై పని చేస్తున్నాను. అక్కడ నేను మా పరిశోధనను నియంత్రిత పర్యావరణ వ్యవసాయం యొక్క డొమైన్కు వర్తింపజేయడానికి కొత్త ప్రయత్నాన్ని ప్రారంభించాను. సోనోమా ప్రాజెక్ట్ అని పిలవబడే, మేము కెనడాలోని అంటారియోలోని హారో రీసెర్చ్ సెంటర్లో మొక్కల శాస్త్రవేత్తలతో కలిసి పని చేసాము మరియు నెదర్లాండ్స్లోని వాగెనింగెన్ యూనివర్శిటీ & రీసెర్చ్ నిర్వహించిన మొదటి అంతర్జాతీయ అటానమస్ గ్రీన్హౌస్ ఛాలెంజ్లో పోటీని ముగించాము.
ఈ సవాలులో, ప్రతి బృందం 315 చదరపు అడుగుల గ్రీన్హౌస్ కంపార్ట్మెంట్లో సుమారు నాలుగు నెలల పాటు దోసకాయలను పెంచింది. ఈ కంపార్ట్మెంట్లలో ప్రామాణిక ప్రాసెస్ కంప్యూటర్లు, క్లైమేట్ సెన్సార్లు మరియు యాక్యుయేటర్లు ఉన్నాయి. IoT డిజిటల్ ఇంటర్ఫేస్లను (REST APIలు) ఉపయోగించి, మా AI ప్రోగ్రామ్లు సెన్సార్ల నుండి డేటాను నిరంతరం చదవగలవు, సరైన సెట్పాయింట్లను గుర్తించగలవు మరియు ఇంటర్నెట్లో ఉన్న ప్రాసెస్ కంప్యూటర్లకు సెట్పాయింట్లను తిరిగి పంపగలవు (క్రింద ఉన్న బొమ్మను చూడండి). ఛాలెంజ్ మరియు దాని ఫలితాల గురించి మరిన్ని వివరాలను దీని ద్వారా ఒక కథనంలో చూడవచ్చు హెమ్మింగ్ మరియు ఇతరులు. (2019).
పెరుగుతున్న దోసకాయలు మరియు మా ప్రారంభ-దశ నమూనాలో మాకు అనుభవం లేకపోయినా, మా స్వయంప్రతిపత్తితో పెరుగుతున్న పరిష్కారం పోటీని గెలవగలిగింది. మేము 6% అధిక దిగుబడితో నిపుణులైన డచ్ పెంపకందారులతో కూడిన రెఫరెన్స్ బృందం రెండవ స్థానంలో ఉన్న జట్టును కూడా అధిగమించాము. దిగుబడిలో ఆ మార్జిన్ నిర్వహణ లాభంలో 17% పెరుగుదలకు సమానం.
రిఫరెన్స్ టీమ్ పేలవంగా పనిచేసిందా? అస్సలు కుదరదు. చాలా మంది నిపుణుల అభిప్రాయం ప్రకారం, వారు చాలా బాగా పనిచేశారు. వాటి దిగుబడి దాదాపు 50 కిలోలు/మీ2 నాలుగు నెలల వ్యవధిలో, ఇది దాదాపు 150 కిలోల/మీకి సమానం2 సంవత్సరానికి. ఇది గ్రహం మీద ఎక్కడైనా గ్రీన్హౌస్ కోసం అధిక దిగుబడిగా పరిగణించబడుతుంది.
స్వయంప్రతిపత్త గ్రీన్హౌస్ ఛాలెంజ్ ఫలితంగా, మా అభ్యాసాలను నేరుగా రూపొందించడానికి మరియు వ్యవసాయం మరియు ఇతర పారిశ్రామిక నియంత్రణ అనువర్తనాల కోసం AI మరియు IoTలో అత్యాధునికతను మరింత ముందుకు తీసుకురావడానికి నేను 2020లో కోయిద్రాను స్థాపించాను.
AI మరియు IoT గురించి సరైన ప్రశ్నలను అడగడం
నేడు, ఎక్కువ మంది గ్రీన్హౌస్ సాగుదారులు AI మరియు IoTని స్వీకరించడానికి సిద్ధంగా ఉన్నారు. ప్రధాన సవాలు ఏమిటంటే, మార్కెట్లోని ఉత్పత్తులను అర్థం చేసుకోవడం మరియు అన్ని మార్కెటింగ్ స్పీక్ల ద్వారా వేడ్ చేయగలగడం. గ్రీన్హౌస్ల కోసం పని చేసే AI అల్గారిథమ్ లేదా IoT పరికరం తమ వద్ద ఉందని చాలా కంపెనీలు ఆసక్తిగా క్లెయిమ్ చేస్తున్నాయి.
AI సాఫ్ట్వేర్ మరియు IoT హార్డ్వేర్లను మూల్యాంకనం చేసేటప్పుడు గుర్తుంచుకోవలసిన కొన్ని ముఖ్య అంశాలు ఇక్కడ ఉన్నాయి:
- పెర్ఫార్మెన్స్: సాగుదారులు కాంక్రీటు, వాస్తవ-ప్రపంచ ప్రయోజనాలను చూడగలగాలి. అడగండి: దిగుబడి మరియు వనరుల సామర్థ్యాన్ని మెరుగుపరచడానికి వాణిజ్య ఉత్పత్తిలో AI నిరూపించబడిందా? ఏ పరిస్థితుల్లో? AI మరియు IoT సాఫ్ట్వేర్లను అభివృద్ధి చేయడంలో కంపెనీ ట్రాక్ రికార్డ్ ఏమిటి?
- AI డిజైన్: అత్యంత ప్రభావవంతమైన AI పరిష్కారాలు నిర్ణయాలు తీసుకోవడానికి ఉత్తమమైన మానవ మేధస్సుతో పాటు ఉత్తమమైన కృత్రిమ మేధస్సును మిళితం చేస్తాయి. అడగండి: AI మోడల్ ఇప్పటికే ఉన్న జ్ఞానాన్ని ఎలా ప్రభావితం చేస్తుంది? మరింత డేటాతో కాలక్రమేణా పనితీరు మెరుగుపడుతుందని ఇది ఎలా నిర్ధారిస్తుంది?
- సాఫ్ట్వేర్ డిజైన్: గ్రీన్హౌస్ కార్యకలాపాలపై సాగుదారులు నియంత్రణలో ఉండాలి. అడగండి: పంట భద్రతను నిర్ధారించడానికి ఏ సాఫ్ట్వేర్ డిజైన్ సూత్రాలు ఉపయోగించబడతాయి? నేను అన్ని సమయాల్లో మాన్యువల్, సిఫార్సు మరియు ఆటోపైలట్ మోడ్ల మధ్య సులభంగా మారవచ్చా?
- డేటా యాజమాన్యం: పెంపకందారులు తమ డేటాను కలిగి ఉండాలి మరియు "విక్రేత లాక్-ఇన్"ని నివారించాలి. అడగండి: నేను ఇతర సిస్టమ్ల నుండి డేటాను సులభంగా దిగుమతి చేయవచ్చా? నేను నా స్వంత డేటాను బ్యాకప్ చేసి ఎగుమతి చేయవచ్చా? ప్రత్యక్ష డేటా యాక్సెస్ మరియు అనుకూల ఇంటిగ్రేషన్లను అనుమతించే APIలు ఉన్నాయా? నేను ఇప్పుడు మరియు భవిష్యత్తులో వివిధ విక్రేతల నుండి సాఫ్ట్వేర్ మరియు హార్డ్వేర్ను ఉపయోగించవచ్చా?
AI మరియు IoT సాగుదారులను శక్తివంతం చేయగలవు
క్లిష్టమైన వనరులు - నీరు మరియు శక్తి, అలాగే సమయం, డబ్బు మరియు నైపుణ్యం కలిగిన కార్మికులు - మరింత కొరతగా మారుతున్న ప్రపంచంలో, ఆ భారాన్ని తగ్గించడానికి కొత్త సాంకేతికతలను అన్వేషించడం అర్ధమే. మేము స్వయంప్రతిపత్త గ్రీన్హౌస్ ఛాలెంజ్ నుండి నేర్చుకున్నట్లుగా, పెంపకందారులు AI సాఫ్ట్వేర్ మరియు IoT హార్డ్వేర్ వాడకంతో ఎక్కువ దిగుబడులు మరియు అధిక వనరుల వినియోగ సామర్థ్యాలను సాధించగలరు. ఇంకా ఏమిటంటే, ఈ సాంకేతికతలు వేగంగా అభివృద్ధి చెందుతూ మరియు అభివృద్ధి చెందుతూనే ఉన్నాయి.
అంతిమంగా, AI మరియు IoTలు గ్రీన్హౌస్ పెంపకందారులను నిజంగా శక్తివంతం చేయగలవు - మెరుగైన నిర్ణయాలు తీసుకోవడానికి, తక్కువతో ఎక్కువ చేయడానికి - ప్రపంచ ఆహారాన్ని మరింత స్థిరంగా పెంచడానికి.