Επιμέλεια, Αντώνης Ανδρονικάκης
Η Τεχνητή Νοημοσύνη (ΤΝ για συντομία) αποτελεί, ιδιαίτερα την τελευταία διετία, ένα από τα πλέον δημοφιλή θέματα συζήτησης, που αποκτά ολοένα και μεγαλύτερη δημοσιότητα.
Η δημιουργία της εφαρμογής ChatGPT, η οποία εγκαινιάστηκε στις 30 Νοεμβρίου του 2022, ήταν το πιο χαρακτηριστικό παράδειγμα για τις νέες δυνατότητες της τεχνολογίας αυτής, που μπορεί να φέρει πραγματική επανάσταση σε μια σειρά από εργασίες που προηγουμένως εκτελούνταν από τον ανθρώπινο παράγοντα και να τις αναβαθμίσει σε σημείο που προσεγγίζει στα επίπεδα της ανθρώπινης φαντασίας.
Η ψηφιοποίηση του πρωτογενούς τομέα, η οποία και αυτή έχει επιταχύνει το βήμα της, δεν θα μπορούσε να μην αξιοποιήσει τα οφέλη της ΤΝ. Είναι χαρακτηριστικό ότι σύμφωνα με μελέτη της Συμβουλευτικής εταιρείας McKinsey & Company, μόνο στο πρόβλημα της σπατάλης τροφίμων έχει εκτιμηθεί ότι η ΤΝ θα μπορούσε να εξοικονομήσει παγκοσμίως 127 δισ. δολάρια. Η ΤΝ, σε συνδυασμό με μια σειρά από τεχνολογίες, όπως οι αισθητήρες, η ευφυής γεωργία και η γεωργία ακριβείας, το Blockchain και διάφορες άλλες, έχει ήδη αρχίσει να αποδίδει στο χωράφι και στον στάβλο, επιτρέποντας στους αγρότες να διαχειρίζονται τις καλλιέργειες και τις εκτροφές τους πιο αποδοτικά, αυξάνοντας την παραγωγικότητα και την κερδοφορία τους. Βεβαίως, δεν είναι όλα ρόδινα, ούτε έχουν εξελιχθεί στον επιθυμητό βαθμό.
Δεν είναι τυχαίο ότι, μόλις τον περασμένο Μάρτιο, η ερευνητική υπηρεσία της Ευρωβουλής δημοσίευσε μια μελέτη 80 σελίδων για την ΤΝ στον αγροδιατροφικό τομέα, ουσιαστικά προϊδεάζοντας και προετοιμάζοντας για τα όσα βρίσκονται προ των πυλών και σχετίζονται με τη ραγδαία ανάπτυξη των παραπάνω τεχνολογιών και με τις προκλήσεις που τα συνοδεύουν.
Σε αυτήν τη μελέτη, η Τεχνητή Νοημοσύνη αναφέρεται ως «ένα πανίσχυρο εργαλείο για τα πολύπλοκα προβλήματα της σύγχρονης γεωργίας». Η «ΥΧ» ζήτησε σε τρεις γνώστες του αντικειμένου από τον ακαδημαϊκό, τον ερευνητικό και από τον ιδιωτικό τομέα της αγοράς των τεχνολογιών, να μας απαντήσουν στο ερώτημα: «Τι φέρνει η ανάπτυξη της Τεχνητής Νοημοσύνης στον πρωτογενή τομέα;».
|
Θωμάς Μπαρτζάνας, καθηγητής, αντιπρύτανης Έρευνας, Οικονομικών και Ανάπτυξης, Γεωπονικό Πανεπιστήμιο Αθηνών Ταχύτατη και αποτελεσματική επεξεργασία μεγάλου όγκου δεδομένων Οι σημαντικές προκλήσεις που αντιμετωπίζει σήμερα ο αγροδιατροφικός κλάδος, όπως η χαμηλή ποικιλομορφία εξαγωγών και εμπορικών εταίρων, ο περιορισμός των διαθέσιμων πόρων, η αστάθεια των αγορών, αλλά και οι επιπτώσεις της κλιματικής αλλαγής με αποτέλεσμα τη μείωση της απόδοσης και της ποιότητας των καλλιεργειών, έχουν δημιουργήσει την ανάγκη υιοθέτησης σύγχρονων και καινοτόμων λύσεων που συμβάλλουν στην αύξηση της παραγωγικότητας, στην επίτευξη των περιβαλλοντικών στόχων, αλλά και στην ανάκαμψη της ελληνικής οικονομίας. Στο πλαίσιο της Κοινωνίας της Πληροφορίας, οι τομείς των νέων τεχνολογιών, των τηλεπικοινωνιών και των εξελίξεων στα πληροφοριακά συστήματα και κυρίως στην ολοκλήρωσή τους με τις εσωτερικές διαδικασίες των επιχειρήσεων, έχουν μετασχηματίσει τον τρόπο με τον οποίο λειτουργούν οι επιχειρήσεις σήμερα και βρίσκουν εφαρμογή στον αγροδιατροφικό τομέα μέσω μιας ευρείας γκάμας ψηφιακών λύσεων (προϊόντα, υπηρεσίες, λογισμικό, ρομποτικά μηχανήματα). Το κέντρο βάρους της ψηφιακής γεωργίας δεν είναι μόνο οι τεχνολογίες και τα προϊόντα πληροφορικής και επικοινωνιών, αλλά κυρίως η επιστημονική γνώση που αυτά εμπεριέχουν, η αποτελεσματική ερμηνεία τους και η σωστή χρήση τους στο χωράφι. Κοινό σημείο όλων των ψηφιακών λύσεων είναι η παραγωγή πολλών δεδομένων από διαφορετικές πηγές (π.χ κλιματικά δεδομένα, παράμετροι εδάφους, ανάλυση νερού, στοιχεία ανάπτυξης καλλιέργειας, περιβαλλοντικοί δείκτες, δορυφορικά δεδομένα, κατανάλωση ενέργειας, εργατικό δυναμικό, κίνηση γεωργικών μηχανημάτων, χρηματοοικονομικά στοιχεία). Τα δεδομένα αυτά δίνουν τη δυνατότητα ανάπτυξης εξειδικευμένων εφαρμογών για τον έλεγχο, συντονισμό και αυτοματισμό των διαδικασιών παραγωγής, μειώνοντας την πιθανότητα ανθρώπινου λάθους και αυξάνοντας τις δυνατότητες βελτιστοποίησης. O John Naisbitt, ένας από τους σημαντικότερους ερευνητές στον τομέα των μελετών του μέλλοντος, στο βιβλίο του «Megatrends: Ten New Directions Transforming Our Lives», αναφέρει πως «πνιγόμαστε από τα δεδομένα, αλλά υστερούμε στην πληροφορία», επισημαίνοντας την ανάγκη σωστής ανάλυσης και επεξεργασίας όλων αυτών των δεδομένων και μετασχηματισμού τους σε υπηρεσία χρήσιμη για τον αγρότη. Πρόσφατη έρευνα επισημαίνει πως μέχρι το 2050 μια μέση αγροτική εκμετάλλευση θα παράγει περισσότερα από 4 εκατομμύρια σημεία δεδομένων ημερησίως. Με τη χρήση των εργαλείων Τεχνητής Νοημοσύνης το σύνολο αυτών των δεδομένων μπορεί να αναλυθεί και επεξεργαστεί με τέτοιο τρόπο και τέτοια ταχύτητα που να προσφέρει άμεσες και αποτελεσματικές υπηρεσίες στον αγροτικό χώρο. Ενδεικτικά, η ΤΝ αυξάνει σημαντικά και βελτιστοποιεί τα οφέλη χρήσης ψηφιακών λύσεων τους παρακάτω τομείς: ✱ Εφαρμογή τεχνολογιών γεωργίας ακριβείας σε καλλιέργειες. ✱ Θερμοκήπια, συστήματα κάθετης καλλιέργειας. ✱ Συστήματα ιχνηλασιμότητας. ✱ Κτηνοτροφία ακριβείας. ✱ Ανάλυση και ερμηνεία δορυφορικών δεδομένων και δεδομένων από ΣμΗΕΑ. ✱ Πλοήγηση αυτόνομων ρομποτικών μηχανημάτων. ✱ Βελτιστοποίηση εφοδιαστικής αλυσίδας. Η εφαρμογή ψηφιακών τεχνολογιών στην αγροτική παραγωγή, σε συνδυασμό με εργαλεία τεχνητής νοημοσύνης μπορεί να συμβάλλει στην αύξηση της παραγωγικότητας της γεωργίας, στη διαμόρφωση ενός βιώσιμου και αποτελεσματικού συστήματος παραγωγής τροφίμων, στην ακρίβεια πρόβλεψης, στη μείωση της σπατάλης και στη διαχείριση του συνόλου της εφοδιαστικής αλυσίδας και συνεπώς στη βελτίωση του περιβαλλοντικού αποτυπώματος, σημειώνοντας μείωση εκπομπών των αερίων του θερμοκηπίου, μείωση της χρήσης των χημικών ουσιών στο έδαφος και στις καλλιέργειες, αλλά και αποτελεσματικότερη χρήση των υδάτινων πόρων. |
Νίκος Καλατζής, Technical Project Manager, NEUROPUBLIC
Οι παράγοντες που θα κρίνουν την επιτυχία της ΤΝ στη γεωργία
Τα συστήματα που λειτουργούν με Τεχνητή Νοημοσύνη μπορούν να αναλύσουν φωτογραφίες (π.χ. δείγματα φύλλων) και να εντοπίσουν πρώιμα σημάδια ασθένειας, παρασίτων ή ελλείψεων σε θρεπτικά συστατικά.
Οι τεχνολογίες που χρησιμοποιούν μεθόδους Τεχνητής Νοημοσύνης σε πολλές περιπτώσεις είναι ήδη μέρος της καθημερινότητάς μας. Τα συστήματα πλοήγησης στα κινητά μας τηλέφωνα, οι μηχανές αναζήτησης στο διαδίκτυο, η αυτοματοποιημένη τηλεφωνική εξυπηρέτηση πελατών, είναι μόνο μερικές από τις υπηρεσίες που στηρίζουν την λειτουργία τους σε πολύπλοκα συστήματα αποφάσεων με χρήση αλγορίθμων ΤΝ.
Σε σχέση με τον πρωτογενή τομέα, το μέλλον της ΤΝ είναι πολλά υποσχόμενο και είναι πιθανό ότι αρκετές τάσεις θα βρουν εφαρμογή στην αγροτική παραγωγή. Μερικά παραδείγματα εφαρμογών είναι τα παρακάτω:
Γεωργία ακριβείας: Η Τεχνητή Νοημοσύνη θα διαδραματίσει κεντρικό ρόλο στη γεωργία ακριβείας, αναλύοντας δεδομένα από διάφορες πηγές, όπως δορυφόρους, drones και αισθητήρες. Αυτά τα δεδομένα θα επιτρέψουν στους αγρότες να λαμβάνουν τεκμηριωμένες αποφάσεις σχετικά με τη φύτευση, την άρδευση, τη λίπανση και τον έλεγχο των παρασίτων, βελτιστοποιώντας τη χρήση των πόρων και αυξάνοντας τις αποδόσεις των καλλιεργειών.
Ανίχνευση ασθενειών: Τα συστήματα που λειτουργούν με Τεχνητή Νοημοσύνη μπορούν να αναλύσουν φωτογραφίες (π.χ. δείγματα φύλλων) και να εντοπίσουν πρώιμα σημάδια ασθένειας, παρασίτων ή ελλείψεων σε θρεπτικά συστατικά. Με τον έγκαιρο εντοπισμό τέτοιων ζητημάτων, οι αγρότες μπορούν να λάβουν άμεση δράση, ελαχιστοποιώντας τις απώλειες των καλλιεργειών και μειώνοντας την ανάγκη για εκτεταμένη χρήση φυτοφαρμάκων.
Αυτόνομα γεωργικά μηχανήματα: Τα αυτοοδηγούμενα μηχανήματα και τα μηχανήματα με Τεχνητή Νοημοσύνη θα γίνουν πιο διαδεδομένα στα αγροκτήματα, εκτελώντας εργασίες όπως φύτευση, συγκομιδή και βοτάνισμα. Αυτά τα αυτόνομα μηχανήματα θα αυξήσουν την απόδοση, θα μειώσουν το κόστος εργασίας και θα βελτιώσουν τη συνολική παραγωγικότητα.
Πρόγνωση καιρού: Η ΤΝ μπορεί να αναλύσει ιστορικά δεδομένα, καιρικά μοτίβα και άλλες μεταβλητές για να προβλέψει τις μελλοντικές γεωργικές τάσεις. Κατανοώντας πιθανές προκλήσεις και ευκαιρίες, οι αγρότες μπορούν να προσαρμόσουν τις πρακτικές τους ανάλογα, ενισχύοντας την ανθεκτικότητα στην κλιματική αλλαγή και τις διακυμάνσεις της αγοράς.
Ενίσχυση ανθεκτικότητας ποικιλιών μέσω γενετικής μηχανικής: Αναλύοντας τεράστιες ποσότητες γενετικών δεδομένων, η τεχνητή νοημοσύνη μπορεί να εντοπίσει χαρακτηριστικά που μπορούν να ενισχύσουν την ανεκτικότητα των καλλιεργειών σε διάφορες περιβαλλοντικές πιέσεις και μπορεί να βοηθήσει στην ανάπτυξη καλλιεργειών ανθεκτικών στο κλίμα μέσω προηγμένων τεχνικών αναπαραγωγής.
Βελτίωση συνθηκών διαβίωσης αγροτικών ζώων: Συστήματα ΤΝ μπορούν να παρακολουθούν την υγεία και τη συμπεριφορά των ζώων, εντοπίζοντας έγκαιρα μεμονωμένα ζώα που χρειάζονται προσοχή ή ιατρική φροντίδα. Αυτό μπορεί να οδηγήσει στην καλύτερη διαβίωσή τους και σε βελτιωμένη παραγωγικότητα στον κτηνοτροφικό τομέα.
Αγρορομποτική: Η ενσωμάτωση της Τεχνητής Νοημοσύνης με τη ρομποτική θα οδηγήσει στην ανάπτυξη εξελιγμένων γεωργικών ρομπότ ικανών να εκτελούν ευαίσθητες εργασίες, όπως η επιλεκτική συγκομιδή, και να εργάζονται σε δύσκολα περιβάλλοντα. Είναι σημαντικό να σημειωθεί ότι η υιοθέτηση της Τεχνητής Νοημοσύνης στη γεωργία θα εξαρτηθεί από διάφορους παράγοντες, όπως οι τεχνολογικές εξελίξεις, η οικονομική προσιτότητα, η προσβασιμότητα, τα ρυθμιστικά πλαίσια και η αποδοχή των αγροτών.
Ιδιαίτερη έμφαση θα πρέπει να δοθεί στους μηχανισμούς ΤΝ που υποστηρίζουν τον διάλογο μεταξύ του χρήστη και του υπολογιστή. Ένα παράδειγμα είναι η εφαρμογή με το όνομα ChatGPT (Generative Pre-trained Transformer – Παραγωγικός Προεκπαιδευμένος Μετασχηματιστής), η οποία έχει τη δυνατότητα να απαντάει σχεδόν σε οποιοδήποτε ερώτημα που θέτει ο χρήστης.
Για παράδειγμα, ένας αγρότης μπορεί να επισκεφθεί τον διαδικτυακό σύνδεσμο chat.openai.com και να θέσει το ερώτημα (μεταφρασμένο στα αγγλικά) «Χρήσεις Τεχνητής Νοημοσύνης στη γεωργία». Απτό παράδειγμα αποτελεί το γεγονός ότι μέρος του κείμενου αυτού έχει παραχθεί αυτόματα με μηχανισμούς ΤΝ από το ChatGPT.
Θάνος Μπαλαφούτης, ερευνητής Β’ βαβμίδας, Ινστιτούτο Βιο-οικονομίας & Αγρο-τεχνολογίας, ΕΚΕΤΑ
Σύμμαχος του αγρότη στη λήψη ορθών αποφάσεων
Από το 1960 έως το 2015, ο παγκόσμιος πληθυσμός αυξήθηκε από τα 3 δισ. στα 7, και πρόσφατα περάσαμε και το κατώφλι των 8 δισ. Αντίστοιχα, η γεωργική παραγωγή τριπλασιάστηκε λόγω της ανάπτυξης της τεχνολογίας με τη μορφή μηχανημάτων, υβριδίων και αγροχημικών (φυτοφαρμάκων και λιπασμάτων), αλλά και λόγω της αύξησης των γεωργικών εκτάσεων.
Σήμερα καλούμαστε να σιτίσουμε δύο επιπλέον δισεκατομμύρια ανθρώπων έως το 2050, αλλά χωρίς τη δυνατότητα ανάλογης αύξησης των καλλιεργούμενων εκτάσεων. Χαρακτηριστικό είναι ότι τα Ηνωμένα Έθνη εκτιμούν ότι η παγκόσμια παραγωγή τροφίμων θα πρέπει να αυξηθεί κατά 50% μέχρι τα μέσα του αιώνα, και όλα αυτά ενώ η ενεργειακή κρίση οδηγεί σε επιπλέον περιορισμούς στην καταναλισκόμενη ενέργεια, και η κλιματική αλλαγή διαταράσσει τις καλλιεργητικές περιόδους και αυξάνει τον κίνδυνο ερημοποίησης μεγάλου μέρους των γεωργικών εκτάσεων.
Παράλληλα, η αστικοποίηση, τα μεταναστευτικά ζητήματα και η απομάκρυνση των νεότερων γενεών από τη γεωργία οδηγούν σε μειωμένο γεωργικό εργατικό δυναμικό σε παγκόσμιο επίπεδο. Επομένως, οι νέες τεχνολογίες καλούνται να συμβάλουν ή και να ηγηθούν μιας βιώσιμης ανάπτυξης και να δώσουν λύση σε όλα τα παραπάνω προβλήματα.
Η Τεχνητή Νοημοσύνη είναι μια αναδυόμενη τεχνολογία στον τομέα της γεωργίας. Συστήματα παρακολούθησης των καλλιεργειών σε πραγματικό χρόνο, ανίχνευσης ζιζανίων, εχθρών και ασθενειών και βελτιστοποίησης των αντίστοιχων ψεκασμών, εντοπισμού έλλειψης θρεπτικών συστατικών και αντίστοιχης διαφοροποιημένης λίπανσης, βέλτιστης άρδευσης βάσει επίγειων και εναέριων αισθητήρων, έγκαιρου προσδιορισμού της απόδοσης, αυτόματης συγκομιδής, επεξεργασίας, ακόμα και εμπορίας που χρησιμοποιούν αλγόριθμους τεχνητής νοημοσύνης αναδύονται όλο και περισσότερο στην αγορά.
Πιο συγκεκριμένα, προβλέπεται ότι στα επόμενα χρόνια η εξέλιξη της Τεχνητής Νοημοσύνης θα συμβάλλει ιδιαίτερα στους τομείς: α) της πρόγνωσης των καιρικών συνθηκών, β) της πρόβλεψης δυνητικών κινδύνων για τις καλλιέργειες μέσω της συνεχούς παρακολούθησης αυτών με διάφορα μέσα, γ) της ανάλυσης της ζήτησης της αγοράς γεωργικών προϊόντων, απλοποιώντας την διαδικασία επιλογής της πιο κερδοφόρας ανά περίοδο καλλιέργειας και, τέλος, δ) της αυτοματοποίησης των περισσότερων χειρωνακτικών εργασιών. Η άλλοτε φουτουριστική εικόνα των αυτόνομων μηχανημάτων-ρομπότ που χαρτογραφούν, προετοιμάζουν και συγκομίζουν τις καλλιέργειες δεν βρίσκεται πλέον πολύ μακριά από την πραγματικότητα.
Οι τεχνικές μηχανικής μάθησης έχουν τη δυνατότητα έπειτα από πολλαπλή εκπαίδευση και συνεχή επικύρωση να αντιμετωπίσουν την πρόκληση του ότι ένας αγρός είναι ένα ιδιαίτερα πολύπλοκο, ζωντανό και πιθανότατα πολύ διαφορετικό ακόμα και από το συνορεύον του, σύστημα. Απαραίτητη προϋπόθεση για την εξέλιξη αυτή είναι η συλλογή πολύ μεγάλου όγκου σχετικών χωροχρονικών δεδομένων, που μπορεί να επιτευχθεί μόνο με την καλή συνεργασία των επιστημόνων με τους καλλιεργητές.
Η καλλιέργεια και η συγκομιδή των τροφίμων δεν είναι το μόνο ζήτημα όμως. Σε μετασυλλεκτικό επίπεδο, η σπατάλη τροφίμων παγκοσμίως εκτιμάται στο 17%, βάσει των Ηνωμένων Εθνών. Η Τεχνητή Νοημοσύνη δεν μπορεί να συμβάλει άμεσα στην αύξηση της ευαισθητοποίησης του κοινού για το ζήτημα αυτό, μπορεί όμως –και προβλέπεται ότι θα το επιτύχει– να συντονίσει ένα ορθότερο σύστημα λήψης αποφάσεων για τη διατήρηση, την τροφοδοσία στις αγορές και τελικά την ανακύκλωση των υπολειμμάτων των τροφών σε μορφή λιπάσματος.
Μπορεί τελικά η Τεχνητή Νοημοσύνη να αντικαταστήσει τις γνώσεις που είχαν πάντα οι γεωργοί; Η απάντηση είναι μάλλον όχι, προς το παρόν τουλάχιστον, αλλά σίγουρα στο εγγύς μέλλον η ΤΝ θα συμπληρώσει και θα βελτιώσει τον καθιερωμένο τρόπο λήψης αποφάσεων, βελτιώνοντας τις συνήθεις γεωργικές πρακτικές σεβόμενη τη φύση, τις τοπικές εδαφοκλιματικές συνθήκες και τη γνώση του γεωργικού κόσμου που έχει συσσωρευτεί στα βάθη των αιώνων.
Οι επερχόμενες τεχνολογικές παρεμβάσεις πρέπει να οδηγήσουν σε καλύτερες πρακτικές και υψηλότερη απόδοση καλλιεργειών, συμβάλλοντας έτσι δυναμικά στην αποφυγή μιας επισιτιστικής κρίσης, ενώ παράλληλα να εξασφαλίζουν μια βελτιωμένη ποιότητα ζωής για τους ανθρώπους που βρίσκονται στην πρώτη γραμμή αυτής της προσπάθειας, τους γεωργούς.
