AI в агросекторе упирается в качество данных, а не в модели

Искусственный интеллект заметно расширяет возможности агросектора, но эффективность таких систем напрямую зависит от качества исходных данных. Как пишет MIT Technology Review, исследования показывают: AI-модели для прогнозирования способны повысить урожайность на 26%, сократить расход воды на 41% и уменьшить использование химикатов на 33%.

При этом поставщики AI-решений, по мнению автора материала, нечасто делают акцент на ключевом ограничении таких систем. Модели работают корректно только при наличии полной и согласованной базы данных. Если исторические данные собирались непоследовательно, прогнозы урожайности могут оказаться неточными. Проблемы возникают и с фрагментированными данными с сенсоров, они способны приводить к ошибочным решениям по орошению.

В статье отмечается, что сельское хозяйство сегодня опирается на множество разрозненных источников информации. Это IoT-устройства, автономная техника, дроны, погодные сервисы, данные U.S. Department of Agriculture, а также рыночная аналитика сторонних компаний. Для AI-систем критически важны и дополнительные параметры: GPS-координаты, границы участков, структура полей, различия в составе почвы даже внутри одной фермы.

В качестве примера автор приводит Wilbur-Ellis, семейного аграрного дистрибьютора с историей в 104 года. Для таких компаний готовность к внедрению AI связана прежде всего с наличием актуальной и связанной информации о клиентах, полях, поставщиках, закупках и маржинальности, которая доступна всей организации.