Говоря о «новой революции» в сельском хозяйстве, часто эксперты обращаются к теме повсеместной автоматизации и роботизации отрасли, но обходят стороной основную тенденцию последних лет в области ПО – прикладное использование нейронных сетей и машинного обучения. Тема эта действительна сложна для понимания. Вместе с тем, нейронные сети – это будущее, которое уже наступило. Александр Вартанян, директор по маркетингу Connectome.ai, российского разработчика решений на базе технологий искусственного интеллекта, расскажет о применении нейросетей и машинного обучения для автоматизации сельского хозяйства.

История нейросетей – это история в разной степени успешных попыток моделирования нервной системы человека, её структуры и принципов функционирования. Косвенным результатом этой деятельности стало появление нового класса программного обеспечения - искусственных нейронных сетей, применимых для решения прикладных задач. Нет смысла подробно рассказывать о технических подробностях их функционирования, гораздо важнее выделить их преимущества.

Нейросеть не программируется в классическом понимании этого процесса. Она «обучается»: находит закономерности в доступных данных и использует их в дальнейшей работе. Зная, что 2+2=4 и 3+3=6, она сама предполагает, что 2+3=5. Подобно нервной система человека, искусственная нейронная сеть превосходно справляется с распознаванием образов на фото и видео, с прогнозированием и принятием решений.

Приведём самый простой пример работы нейросети. У нас есть миллион фотографий разных животных, и нам нужно выделить из них только фотографии кошек. Мы обучаем нейросеть на небольшом объеме данных, дав ей доступ к имеющимся в наличии изображением, на которых точно изображены кошки. Она не сможет осознать, как выглядит это животное, но найдёт закономерности, характерные для кошек, которые и будет использовать при анализе миллиона фотографий. Чем больше база картинок с кошками, на которой происходило обучение, тем выше точность. Для большей эффективности можно показать нейросети другие базы «точно-не-кошек»: собак, хорьков, енотов. В сложных случаях система может обращаться к человеку за помощью («Кажется, на картинке есть кошка, но я не уверена») и использовать ответ в дальнейшей работе. Чем «опытнее» будет нейросеть, тем выше будет её точность и скорость работы. Подобным образом работает мозг ребёнка: увидев несколько кошек, он может сделать предположение, что тигр – тоже кошка, потому что он обладает частью «кошачьих» характеристик. Но детский мозг способен пойти дальше этой гипотезы благодарю наличию мышления. Нейросеть мышлением не обладает и оценить верность гипотезы неспособна, поэтому такой искусственный интеллект называют "слабым". Слабый ИИ принимает решения на основе полученного опыта, но не способен мыслить и осознавать себя. Поэтому возможности человеческого мозга для него недостижимы. Но областей применения новой технологии уже достаточно, мы сталкиваемся с готовыми решениями каждый день.

Подобную функциональность уже используют социальные сети при поиске лиц на фотографиях, а также поисковые системы при отображении картинок по запросу. Рассмотрим, как её можно применить в сельском хозяйстве.

Вся прелесть нейросетей в том, что они работают с большими объемами данных быстрее и эффективнее человека. В сельском хозяйстве площади измеряются сотнями гектаров, персонал – тысячами сотрудников, а поголовье – миллионами особей. Это и есть «большие данные». Первичной информации для обучения хватает почти у любой компании в отрасли, остаётся собрать её в понятном для обучения формате.

Качество и количество урожая зависит от многих факторов. Проанализировать их все и принять правильное решение не в состоянии ни один самый опытный специалист, поэтому в этом направлении применение современных технологий просто неизбежно.

Нейросеть можно научить отличать полезные культуры от сорняков. «Изучив» несколько миллионов фотографий образцов необходимой культуры, система с помощью видеокамеры может за несколько миллисекунд определить, находится ли перед ней здоровый побег или сорняк. После череды этапов применения гербицида и последующего анализа эффективности, нейросеть научится понимать, в каких случаях какое количества вещества действительно необходимо, и сама сможет принимать решения. Это кажется фантастикой, но именно такая нейросеть управляет роботом-пропольщиком, разработанным в США.

Без особых сложностей можно научить сеть отличать не только полезную культуру от сорняка, но и здоровое растение от больного. Она будет работать по тому же принципу. Изучив на старте базу изображений здоровых и больных растений на разных стадиях роста, система сможет оценить степень угрозы для урожая и предложить способы решения проблемы. Внедрить такой «умный фильтр» можно для работы в полях и сортировки уже собранного урожая.

Уборка урожая машинами – далеко не новинка, автоматизировать этот этап массово начали в середине прошлого века. Но что будет, если доверить уборку искусственному интеллекту? Машина под управлением нейронной сети сможет сама оценить форму, вес и цвет ягод, собирая только спелые, пригодные для продажи единицы. Стоит ли говорить, что эффективность такого робота превышает эффективность сборщика-человека? На Калифорнийский университет, разработавший и внедривший такую технологию, был подан коллективный иск от рабочих, в котором утверждалось, что финансирование государством подобных проектов ведёт к сокращению десятков тысяч рабочих мест.

В мясной индустрии по многим причинам переход к автоматизированному производству наиболее заметен. В развитых странах корпорации активно стремятся заменить людей машинами, но специфика работы не позволяет автоматизировать производство в полном объеме. В этом случае ИИ может работать с человеком сообща.

К примеру, уже создана технология, пригодная для прогнозирования расположения костей и суставов для разделки. Это наиболее актуально при производстве мяса птицы, где неправильный надрез может привести к повреждению кости и потенциальной порче продукта. Хороший специалист может выполнять эту работу качественно, но чем меньше животное, тем труднее сохранять точность. Нейросеть может подсказать, как лучше провести надрез. По словам разработчиков, такая система может предсказывать местоположение суставов и костей с погрешностью менее 5мм.

Участие человека на всех этапах производства в мясной промышленности создаёт ещё один фактор риска – потенциальную возможность переноса различных заболеваний с работников на продукцию при контакте. Разрабатываются регламенты, устанавливаются нормы санитарной обработки, но проблема сохраняется. Часто это приводит к серьезным последствиям для компании и её потребителей. Для контроля выполнения санитарных процедур специалисты Connectome.ai разработали систему контроля выполнения регламента, в основе которой также лежит нейронная сеть. С помощью видеокамер она наблюдает за сотрудниками и собирает данные. Затем нейросеть идентифицирует сотрудников с помощью распознавания лиц, оценивает качество и время мытья рук, применение мыла и дезинфекционного раствора. Система управляет турникетом, и сама принимает решение, пускать или не пускать работника на производство. Обо всех выявленных нарушениях моментально узнаёт руководство.

Другая значимая область применения нейросетей – контроль качества. Технологии искусственного интеллекта позволяют в реальном времени распознавать дефекты на каждой единице продукции, оценивать общее состояние мяса и в реальном времени сообщать о найденных проблемах. Такая система может работать 24/7, не устаёт и не теряет концентрацию. Для сбора данных используются камеры высокого разрешения, устанавливаемые на продуктовую линию.

Нейросети могут стать и обязательно станут надежным инструментом для решения самых сложных задач в руках специалистов. Они научат экономить ресурсы, помогут повысить качество и безопасность выпускаемой продукции, упростят многие процессы на всех этапах производства.

На стороне машин – скорость и точность работы, но на стороне человека – комплексное мышление и здравый смысл. Конечно, технологии ИИ в скором времени перевернут рынок труда в отрасли, но ведь такие решения кто-то должен создавать, обучать и контролировать

Источник: AGROFOODINFO.сom