الذكاء الاصطناعي في الزراعة يتعثر ليس بسبب التكنولوجيا، بل بسبب البيانات — MIT Technology Review

تشير مجلة MIT Technology Review إلى أن قطاع الزراعة جاهز لتبني الذكاء الاصطناعي، لكن البيانات التي يجب أن تُدرّب عليها هذه الأنظمة ليست جاهزة — وتحذر الشركات الزراعية من عدم الاستثمار في الذكاء الاصطناعي دون ترتيب معلوماتها الخاصة أولاً.

ما هي المشاكل التي يجب أن يحلها الذكاء الاصطناعي في الزراعة

يعمل القطاع في ظروف تجعل الدقة حاسمة للغاية: أسعار الأسمدة المتقلبة، الظروف الجوية غير المتوقعة، والهوامش الضئيلة التي لا تترك مجالاً للخطأ. لهذا السبب تبدو أدوات الذكاء الاصطناعي للزراعة واعدة بشكل خاص — فهي تعد بالتنبؤ بدقة أكبر بمحصول المحاصيل وأخطار أمراض النباتات والأوقات المثلى للري وتطبيق الأسمدة.

• أسعار الأسمدة المتقلبة تضغط على هوامش المزارع
• الظروف الجوية غير المتوقعة تعقد تخطيط المحاصيل
• الهوامش الضئيلة في القطاع لا تغفر أخطاء التنبؤ
• الأبحاث المقتبسة من المنشور تُظهر أن النماذج التنبؤية القائمة على الذكاء الاصطناعي قادرة بالفعل على تحسين دقة توقعات محصول المحاصيل

لماذا البيانات هي الاختناق الرئيسي

المشكلة هي أن الزراعة تراكمت البيانات بطريقة مجزأة على مر السنين: قراءات مستشعرات رطوبة التربة وصور الأقمار الصناعية للحقول وسجلات تطبيق الأسمدة والمعدات يتم تخزينها في تنسيقات غير متوافقة من قبل موردي المعدات والخدمات الزراعية المختلفين. تدريب نموذج موثوق على مثل هذه مجموعات البيانات المجزأة والناقصة غالباً هو مهمة أكثر تعقيداً بكثير من مجرد "توصيل الذكاء الاصطناعي" بنظام إدارة مزرعة موجود.

تؤكد مجلة MIT Technology Review: يجب على قادة الصناعة أن يستثمروا أولاً في جمع البيانات وتوحيد معاييرها وتنظيفها، وفقط بعد ذلك في النماذج نفسها. وإلا، حتى الخوارزمية الأكثر تقدماً ستُدرّب على معلومات متناقضة وستنتج توقعات غير موثوقة حيث تكون تكلفة الخطأ للمزارع عالية بشكل خاص.

ما الذي يجب أن تفعله المزارع قبل تطبيق الذكاء الاصطناعي

في الواقع، هذا يعني عملاً أساسياً غير جذاب: دمج البيانات من مستشعرات رطوبة التربة والمحطات الجوية ومراقبة الأقمار الصناعية للحقول وأجهزة الكمبيوتر على متن الآلات الزراعية في نظام موحد، بدلاً من الاحتفاظ بها في تطبيقات منفصلة من مختلف الشركات المصنعة للمعدات. فقط بعد ذلك سيكون لنموذج التنبؤ بمحصول المحاصيل أو الكشف المبكر عن أمراض النباتات صورة كاملة وثابتة للحقل تكفي لتوفير استنتاجات يمكن لأخصائي الزراعة الاعتماد عليها فعلاً.

بالنسبة للمزارع الصغيرة، هذا حساس بشكل خاص: الشركات الزراعية الكبيرة لديها موارد لبناء بنيتها التحتية الرقمية الخاصة، في حين أن المزارعين الأصغر غالباً ما لا يملكون، وهو السبب في أن الفجوة في الوصول إلى أدوات الذكاء الاصطناعي التي تعمل بين الأعمال الزراعية الكبيرة والصغيرة تخاطر بالازدياد فقط.

هناك أيضاً مخاطر مالية بحتة: إذا اشترت مزرعة حلولاً باهظة الثمن للذكاء الاصطناعي قبل ترتيب بيانتها الخاصة، فإن النموذج ينتج في البداية توصيات ضعيفة أو متناقضة، وتخيب الإدارة ظنها بالتكنولوجيا — ويتم إيقاف المشروع دون الوصول إلى المرحلة التي قد تبدأ فيها البيانات الجيدة في تقديم فوائد قابلة للقياس. تحث المنشور على معاملة إعداد البيانات ليس كمسألة روتينية تقنية، بل كاستثمار منفصل، بدونه أي إنفاق لاحق على النماذج والخوارزميات قد لا يؤتي ثماره.

ماذا يعني هذا

قصة قطاع الزراعة هي حالة خاصة من مشكلة عامة مع الذكاء الاصطناعي للشركات: التكنولوجيا تتطور أسرع من استعداد الشركات لتنظيم بيانتها الخاصة، وبدون هذا العمل الأساسي حتى أفضل النماذج لن تحقق العوائد الموعود بها.