Yapay Zeka Tarımda Gerçekte Nasıl Çalışır?

Bir tarlaya hangi çeşitten ne kadar tohum ekilmesi gerektiğine, nasıl gübrelendiğine ve gerekli bitki koruma kimyasallarının reçete edilmesine karar verebilecek bir bilgisayardan ne kadar uzaktayız? Yapay zeka vaadi (AI- Artificial Intelligence), yalnızca tarım için değil çeşitli uygulamalar için de medyada popüler bir tartışma.

Ancak yapay zeka nedir, çiftçilikte nasıl çalışır ve tarımı nasıl etkiler?

tumblr_mtqanh2AA01qa7iv0o1_500

Bu yeni teknolojinin tarımda kullanım için tartışıldığı en yaygın yollardan biri, tohum seçimi önerileri yapılmasına yardımcı olmaktır. Bu yöntem nasıl çalışır? Bir bilgisayar, hangi tohumun ekileceğini bilmek için nasıl programlanabilir? Bu yeni seçim sürecinin işe yaraması için gerekli birkaç önemli husus vardır. Temel öğelerden biri yapay zeka içindeki benzersiz bir algoritma alt grubunu temsil eden makine öğrenmesi kullanımıdır.

Makine öğrenmesi, bir bilgisayarın, bir kişi tarafından doğrudan programlanmadan, işleri nasıl daha iyi yapabileceğini veya gelişeceğini öğrenmesidir. Bilgisayar programlama veya algoritmalar, belirli bir görevi yerine getirmek için temel bir yetenekle başlar.

tumblr_mtq6yurXPv1qa7iv0o1_500

İnsanların bir algoritmaya eğitimde katıldığı ve bunun belki de farkında olmadığını bildiğimiz yaygın bir örnek, bir web sitesine girerken genellikle “insan olduğunuzu kanıtlamak için kullanılan” CAPTCHA sistemidir. CAPTCHA sisteminin temel amacı, web siteleri için daha yüksek bir güvenlik düzeyi sağlamaktır, ancak bazen de insanlardan öğrenir. Sistem geçmişte metni daha iyi tanımlamak ve algoritmalar geliştirmek için kullanılıyordu. İnsanlar karışık görüntülere bakarken ve bir resimde gördükleri harfleri yazdıkça, makine öğrenme algoritması,  görüntüde bilinmeyen harfleri öğrenirken ve güncellerken harflerin belirgin olduğu durumlarda siteye girenide bir insan olduğunu doğrulardı. Yeterli sayıda insan harflere baktığında ve çoğunluğu hangi harfin olduğuna karar verdiğinde, bu bilginin geri bildirimi yapılır veya hangi harfin görüntülendiği algoritmayı “eğitmek” için kullanılır. Bu işlem binlerce veya milyonlarca kez tekrarlandığından, bilgisayar sistemi harfleri tanıma yeteneğini geliştirir.

Algoritmalar için bu eğitim süreci bugün yaygın olarak kullanılmaktadır. Her yerde şirketler makine öğrenme algoritmaları geliştiriyorlar ve ardından bilgisayara farklı bilgiler veriyorlar ve doğru cevabı bilmelerini sağlıyorlar, böylece sistem öğreniyor ve sonunda işi kendi başına doğru ve hızlı bir şekilde tamamlayabilir hale geliyor.

tumblr_mtxn0ia9k91qa7iv0o1_r1_500

 

Artık makinelerin nasıl öğrendiğini ve yapay zekanın nasıl geliştirilebileceğini biliyoruz.  Bu durum, tohum reçetesi veren bir bilgisayara nasıl dönüşüyor? Sürecin bir sonraki adımı bir doppelganger (tıpatıp aynısı/görsel ikiz) aramak. Bu, büyük veri teriminin problemleri çözmek için AI ile birlikte çalıştığı yerdir. Bir tür AI güdümlü araç sağlamak için çalışan şirketler her zaman sistemlerinde ne kadar veri bulunduğunu anlatır. Algoritmaları eğitmek çok fazla veri gerektiriyor, ancak bu örnekte ne için eğitiliyorlar?

Buradaki fikir, belirli bir toprak tipinde, belirli bir iklim düzenine ve hesaba katılabilecek birçok değişkene göre, X çeşitinin Y verimine sahip olacağıdır. Yeterince büyük bir bilgi veritabanına sahipseniz, bir bilgisayar için “en iyi” çeşitin ne olduğunu belirlemek için bilgisayar sistemini eğitebilirsiniz.

Sistem, esas olarak tüm verilere bakmak ve bir doppelganger (tıpatıp aynısı/görsel ikiz) olan saha koşullarını bulmak veya tıpkı sorulan alana benzeyecek şekilde sonuçları bulmak üzere eğitilmiştir. Bu genellikle veri madenciliği olarak adlandırılır, bu da AI’nın doğru çeşitleri belirleyebilmesini sağlar. XYZ bu alan için en iyi seçimdir, çünkü bu çeşitin üretildiği aynı veya benzer koşullara sahip olan farklı alanların bir çok  veri incelenip bu koşullarda yetişen diğer çeşitlerden daha iyi performans gösterdiği bulunmuştur.

tumblr_mtwm2nN2vQ1qa7iv0o1_500

Bu harika. Bilgisayarlar tüm bu verilerden faydalanabilir ve çiftçilere daha bilinçli kararlar vermelerinde yardımcı olabilir. Peki neden bu ürünler henüz piyasaya sürülmedi? Yukarıda belirtildiği gibi bir engel, yeterli veriye sahip olmaktır. Bir alan için tüm farklı değişkenleri eşleştirmeye çalışıyorsanız, çok çeşitli toprak tipleri, hava durumu, tohum, verimlilik, planlama tarihleri vb. kombinasyonlarına ihtiyacınız vardır. Ayrıca, en önemlisi doğru olması için bu verinin standartlaştırılması ve bir sisteme girilmesi gerekir. Bir endüstri olarak bu bizim mücadele ettiğimiz bir şey.

AI sisteminin bir çeşit önerisinde bulunabilmesi için sadece belgelenen doğru ürün tipine değil aynı zamanda, algoritmaların nasıl eğitileceğini ve verileri nasıl kullanabileceğimizi, hangi çeşitin gerçekten, ne zaman ve hangi popülasyonda yerleştirildiğini de bilmemiz gerekir.

Diğer bir engel ise, tarımda hesaba katılacak çok fazla değişken olması. En belirgin olanı iklimdir, bir alanda gerçekleşen hava durumu olaylarını kaydetmek çok zor değildir. Ancak, gelecek sezonun neye benzeyeceğini bilmek biraz daha zordur. Bu nedenle, sadece ne zaman, nasıl, nereye, hangi tohumun ekildiği ile ilgili farklı verileriniz olması gerekmez; sıcak-kuru bir yıl mı yoksa serin-nemli mi olacağını da bilmeniz gerekir.

Tahminler sürekli olarak gelişmekte, bununla birlikte, tahmin doğruluğu gerçekten yalnızca birkaç gün, belki bir veya iki hafta güvenebileceğiniz bir şeydir. Önümüzdeki 6 ayın neye benzeyeceğini bilmek hala çoğunlukla öngörmek için oldukça zor, ama yine de makineler daha çok öğrendikçe işler daha iyi hale geliyor.

tumblr_mtn52q5Mfl1qa7iv0o1_r1_500

Bazı engeller olsa da teknolojinin doğası gereği sürekli gelişiyor. Ek olarak, biz bir endüstri olarak bu algoritmaların iyileştirmeye devam etmek için kullanabileceği doğru verileri toplamakta daha iyi hale geliyoruz.

Makine öğrenmesi yalnızca doğru tohumların önerilmesine yardımcı olmak için kullanılmaz, teknoloji aynı zamanda aşağıdaki gibi uygulamalarda da uygulanır:

-Otomatik makine ayarları
-Hava Durumu tahmini
-Hastalık veya haşere teşhisi, görüntü tanıma
-Hastalık ve haşere hareketi
-Makine bakımı ve arıza tahmini
-Tarlaya giriş veya hasat tavsiyesi                                                                                                       -Sulama ve su yönetimi
-Besin kullanımı ve verimlilik önerileri
-Özerk makineler veya robotlar

tumblr_mtq7bozrGA1qa7iv0o1_500

AI’nın akılda tutulması gereken diğer bir önemli yönü verinin kendisidir. Umarım bu makaleye dayanarak insanlar neden bu kadar çok şirketin onlarla veri paylaşan çiftçilerle ilgilendiğini anlarlar. Bu makine öğrenme algoritmalarını geliştiren herkes, sistemlerini eğitmek için muazzam miktarda veriye ihtiyaç duyar, aksi halde ürünleri daha fazla veriye sahip bir rakipten daha az doğru olabilir. Bu, bazı kişilerin neden verileri yeni bir para birimi olarak tanımladığını da gösterir. Çiftçiler, verilerini paylaşmalarını isteyen yeni yazılım araçlarına bakarken bunu aklında tutmalıdır. Veriler bu algoritmaları eğitmek için çok değerli ve önemlidir, ancak sisteme beslenen belirli bir veri kümesinin parasal değerini ölçmek de çok zordur. Bireysel olarak, veri kayıtları çok az değere sahiptir, gerçek önemi, diğer pek çok kayıtla birleştirildiğinde gelir. Tüm tarafların neler olup bittiğini, kimin hangi verilere ihtiyaç duyduğunu, onunla ne yaptığını ve her bir tarafın onu paylaşmaktan ne fayda sağladığını bilmesi önemlidir. Bu, tarımla uğraşmak için heyecan verici bir zamandır ve AI kuşkusuz çiftçiliğin yıllarca nasıl yapıldığını önemli ölçüde etkileyecektir.

 

 

 

 

Kaynak: How Does Artificial Intelligence Really Work in Agriculture?

 

Reklamlar

Bir Cevap Yazın

Aşağıya bilgilerinizi girin veya oturum açmak için bir simgeye tıklayın:

WordPress.com Logosu

WordPress.com hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Google fotoğrafı

Google hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Twitter resmi

Twitter hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Facebook fotoğrafı

Facebook hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Connecting to %s