Η τεχνητή νοημοσύνη στη γεωργία υπόσχεται να βελτιώσει τις αποδόσεις και να βελτιστοποιήσει τις καλλιέργειες. Αναλύει εικόνες, κλιματικά δεδομένα και χαρακτηριστικά του εδάφους. Έτσι, αυτές οι πληροφορίες βοηθούν τους αγρότες να λαμβάνουν αποφάσεις. Ωστόσο, στο έδαφος, η απόδοσή του ποικίλλει σημαντικά ανάλογα με την περιοχή. Τα αποτελέσματα συχνά παραμένουν απογοητευτικά εκτός των περιοχών όπου σχεδιάστηκαν αυτά τα εργαλεία. Επομένως, αυτή η κατάσταση αποκαλύπτει ένα θεμελιώδες πρόβλημα. Τα μοντέλα δεν λαμβάνουν πάντα υπόψη την ποικιλομορφία της γεωργικής πραγματικότητας.
Η τεχνητή νοημοσύνη στη γεωργία αποτυγχάνει παρά την ποικιλομορφία του εδάφους
Η τεχνητή νοημοσύνη στη γεωργία βασίζεται συχνά στη μηχανική μάθηση, η οποία ονομάζεται επίσης μηχανική μάθηση. Αυτή η μέθοδος επιτρέπει σε ένα πρόγραμμα να εντοπίζει κανονικότητες σε μεγάλες βάσεις δεδομένων. Στη συνέχεια μαθαίνει να αναγνωρίζει ένα φυτό, ένα έδαφος ή μια ασθένεια. Θεωρητικά, αυτή η λογική φαίνεται πολύ αποτελεσματική. Στην πράξη, εξαρτάται εξ ολοκλήρου από την ποιότητα των δεδομένων που χρησιμοποιήθηκαν αρχικά.
Ωστόσο, ένα μεγάλο μέρος αυτών των δεδομένων προέρχεται από την Ευρώπη ή τη Βόρεια Αμερική. Με αυτόν τον τρόπο, τα μοντέλα μαθαίνουν να αναγνωρίζουν πολύ συγκεκριμένες καλλιέργειες, τοπία και αγροτικούς ρυθμούς. Όταν χρησιμοποιείται αλλού, τα σφάλματα πολλαπλασιάζονται γρήγορα. Ένα τοπικό φυτό μπορεί να αναγνωριστεί εσφαλμένα. Ένα μικτό πεδίο μπορεί να παρερμηνευτεί. Επιπλέον, ένα οικόπεδο που καλλιεργείται για άλλες χρήσεις μπορεί να γίνει δύσκολο να αναλυθεί από τον αλγόριθμο.
Αυτή η αδυναμία εμφανίζεται μόλις φύγουμε από τα δυτικά πλαίσια. Σε ορισμένες περιοχές της Αφρικής ή της Ασίας, τα αγροκτήματα είναι μικρότερα και πιο διαφορετικά. Οι καλλιέργειες συχνά συνυπάρχουν στο ίδιο οικόπεδο. Οι πρακτικές ποικίλλουν επίσης ανάλογα με τη βροχή, το υψόμετρο ή την πρόσβαση στην αγορά. Όπως αναφέρουν τα μέσα ενημέρωσης του Υπόλοιπου Κόσμου, ορισμένα συστήματα αποτυγχάνουν να αναγνωρίσουν κοινούς πολιτισμούς. Ως εκ τούτου, οι τοπικές ομάδες συγκέντρωσαν οι ίδιες εκατομμύρια εικόνες για να διορθώσουν αυτές τις ελλείψεις. Χωρίς αυτό το έργο προσαρμογής, η τεχνητή νοημοσύνη παραμένει αναξιόπιστη και μπορεί να επιδεινώσει τις διαφορές μεταξύ των περιοχών.
Βελτίωση των αποδόσεων αλλά έξαρση των ανισοτήτων
Εφαρμοσμένη σε αυτόν τον τομέα, η τεχνητή νοημοσύνη μπορεί ωστόσο να παρέχει πολύ συγκεκριμένες υπηρεσίες. Βοηθά στον εντοπισμό ορισμένων ασθενειών των καλλιεργειών νωρίτερα. Μπορεί επίσης να αναλύσει δορυφορικές εικόνες, δεδομένα καιρού ή φωτογραφίες που αποστέλλονται μέσω τηλεφώνου. Έτσι, αυτά τα εργαλεία καθιστούν δυνατή τη ρύθμιση της άρδευσης, της σποράς ή της χρήσης εισροών. Μια εισροή είναι ένα προϊόν που χρησιμοποιείται για την υποστήριξη της παραγωγής. Αυτό μπορεί να είναι λίπασμα ή θεραπεία. Στα σωστά πλαίσια, αυτά τα συστήματα βελτιώνουν την ακρίβεια των αποφάσεων.
Αυτή η λογική δεν αφορά μόνο πολιτισμούς. Σε πολλές αφρικανικές χώρες, η τεχνητή νοημοσύνη χρησιμοποιείται επίσης για τη διευκόλυνση της πρόσβασης σε αγροτικές πιστώσεις. Αξιολογεί τον κίνδυνο με βάση γεωργικά, κλιματικά δεδομένα ή δεδομένα κινητής τηλεφωνίας. Αυτό επιτρέπει σε ορισμένους φορείς εκμετάλλευσης να έχουν ταχύτερη απόκριση σε σχέση με τα παραδοσιακά τραπεζικά κανάλια. Αυτή η εξέλιξη μπορεί να βοηθήσει τους αγρότες που έχουν αποκλειστεί από το χρηματοπιστωτικό σύστημα. Μπορεί επίσης να υποστηρίξει την αγορά σπόρων, εργαλείων ή μικρού εξοπλισμού.
Σύμφωνα με ανάλυση που αναμεταδόθηκε από τον Οργανισμό Ecofin, αυτές οι λύσεις έχουν ήδη δείξει θετικά αποτελέσματα. Βελτιώνουν την παραγωγικότητα και την πρόσβαση στη χρηματοδότηση. Αλλά αυτά τα οφέλη παραμένουν πολύ άνισα. Σε πολλές αγροτικές περιοχές, η σύνδεση στο διαδίκτυο παραμένει ασταθής. Επιπλέον, η ηλεκτρική ενέργεια εξακολουθεί να λείπει ή είναι πολύ ακριβή. Δεν έχουν όλοι οι αγρότες τις ίδιες ψηφιακές δεξιότητες. Έτσι, οι γυναίκες της υπαίθρου και οι μικροκαλλιεργητές συχνά παραμένουν λιγότερο καλά εξυπηρετούμενες. Η τεχνητή νοημοσύνη μπορεί επομένως να βελτιώσει ορισμένες καταστάσεις, αλλά δεν μειώνει αυτόματα τις ανισότητες.
Ανάγκη προσαρμογής στις τοπικές πραγματικότητες
Αλλά το ερώτημα που τίθεται πάνω απ’ όλα είναι αυτό της πραγματικής αγκυροβόλησής του στα εδάφη. Η γεωργία παραμένει μια βαθιά τοπική δραστηριότητα. Ο τύπος του εδάφους, οι βροχοπτώσεις, τα παράσιτα και οι έξοδοι διαφέρουν από το ένα χωριό στο άλλο. Κάτω από αυτές τις συνθήκες, ένα τυποποιημένο μοντέλο αγγίζει γρήγορα τα όριά του. Έτσι, μια χρήσιμη τεχνολογία πρέπει να ενσωματώνει τη γεωπονική, οικονομική και κοινωνική πραγματικότητα του τομέα.
Αυτός είναι ο λόγος για τον οποίο πολλοί ειδικοί υπερασπίζονται εργαλεία που έχουν σχεδιαστεί με τοπικούς ενδιαφερόμενους φορείς. Συνιστούν την παραγωγή δεδομένων απευθείας στον ιστότοπο. Ενθαρρύνουν επίσης τη χρήση γλωσσών που χρησιμοποιούνται πραγματικά από τους αγρότες. Επιπλέον, τονίζουν τη σημασία της εμπιστοσύνης. Ένας αγρότης δυσκολεύεται να υιοθετήσει ένα εργαλείο που δεν καταλαβαίνει. Μπορεί επίσης να το απορρίψει εάν δεν ανταποκρίνεται στους περιορισμούς του. Η τεχνητή νοημοσύνη πρέπει επομένως να ενσωματωθεί στα υπάρχοντα ανθρώπινα δίκτυα. Πρέπει να υποστηρίζει μια απόφαση χωρίς να την αντικαθιστά με αφηρημένο τρόπο.
Τελικά, η συζήτηση υπερβαίνει μόνο τις τεχνικές επιδόσεις. Αφορά επίσης την κυριαρχία των δεδομένων και την οικονομική ισχύ. Εάν μερικές μεγάλες εταιρείες καταγράφουν γεωργικά δεδομένα, μπορούν να κατευθύνουν τις χρήσεις προς όφελός τους. Μπορούν να ευνοήσουν τις πιο κερδοφόρες καλλιέργειες. Από την άλλη, κινδυνεύουν να παραμελήσουν τα τοπικά συστήματα. Ως εκ τούτου, η τεχνητή νοημοσύνη στη γεωργία δεν μπορεί να παραμείνει μια τεχνολογία πάνω από το έδαφος. Η αποτελεσματικότητά του εξαρτάται από την ικανότητά του να ενισχύσει την αυτονομία των αγροτών.
