ಕೃಷಿಯಲ್ಲಿ ಕೃತಕ ವೈಜ್ಞಾನಿಕ ಬುದ್ಧಿಮಟ್ಟದ ಸವಾಲುಗಳು
ಮೆಕ್ಕೆ ಜೋಳದ ರೈತರ ಗುಂಪು ಮಧ್ಯ ದಕ್ಷಿಣ ಆಫ್ರಿಕಾದ ನೀರಾವರಿ ಪಿವೋಟ್ನ ಬದಿಯಲ್ಲಿ ಕೃಷಿಶಾಸ್ತ್ರಜ್ಞ ಮತ್ತು ಅವನ ಕಂಪ್ಯೂಟರ್ನ ಸುತ್ತಲೂ ನಿಂತಿದೆ.
ಕೃಷಿಶಾಸ್ತ್ರಜ್ಞರು ಹೈಬ್ರಿಡ್ UAV ಯೊಂದಿಗೆ ಪಿವೋಟ್ ಮೇಲೆ ಹಾರಿದ್ದಾರೆ, ಅದು ಪ್ರೊಪೆಲ್ಲರ್ಗಳನ್ನು ಬಳಸಿ ಟೇಕ್ ಆಫ್ ಮತ್ತು ಲ್ಯಾಂಡ್ ಆಗುತ್ತದೆ ಆದರೆ ಅದರ ಸ್ಥಿರ ರೆಕ್ಕೆಗಳ ಬಳಕೆಯ ಮೂಲಕ ವಿಶಾಲ ಹೆಕ್ಟೇರ್ ಭೂಮಿಯನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲು ದೂರ ಮತ್ತು ವೇಗವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.
UAV ನಾಲ್ಕು ಸ್ಪೆಕ್ಟ್ರಲ್ ಬ್ಯಾಂಡ್ ನಿಖರವಾದ ಸಂವೇದಕವನ್ನು ಹೊಂದಿದ್ದು ಅದು ಹಾರಾಟದ ನಂತರ ತಕ್ಷಣವೇ ಆನ್ಬೋರ್ಡ್ ಸಂಸ್ಕರಣೆಯನ್ನು ನಡೆಸುತ್ತದೆ, ರೈತರು ಮತ್ತು ಕ್ಷೇತ್ರ ಸಿಬ್ಬಂದಿಗೆ ಸಂವೇದಕವು ರೆಕಾರ್ಡ್ ಮಾಡಬಹುದಾದ ಯಾವುದೇ ಬೆಳೆ ವೈಪರೀತ್ಯಗಳನ್ನು ತಕ್ಷಣವೇ ಪರಿಹರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಇದು ಡೇಟಾ ಸಂಗ್ರಹಣೆಯನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ ಮಾಡುತ್ತದೆ.
ಈ ನಿದರ್ಶನದಲ್ಲಿ, ರೈತರು ಮತ್ತು ಕೃಷಿಶಾಸ್ತ್ರಜ್ಞರು ಅವರಿಗೆ ನಿಖರವಾದ ಸಸ್ಯ ಜನಸಂಖ್ಯೆಯನ್ನು ನೀಡಲು ವಿಶೇಷ ಸಾಫ್ಟ್ವೇರ್ ಅನ್ನು ಹುಡುಕುತ್ತಿದ್ದಾರೆ.
ಮೆಕ್ಕೆಜೋಳವು ಹೊರಹೊಮ್ಮಿ 10 ದಿನಗಳು ಕಳೆದಿವೆ ಮತ್ತು ಬೇಸಿಗೆಯ ಮಳೆಗಾಲದ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ ತೀವ್ರವಾಗಿರಬಹುದಾದ ಹೊರಹೊಮ್ಮುವಿಕೆ ಅಥವಾ ಗಾಳಿಯ ಹಾನಿಯ ಕೊರತೆಯಿಂದಾಗಿ ಮರುನಾಟಿ ಮಾಡುವ ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ಭಾಗಗಳಿವೆಯೇ ಎಂದು ರೈತರು ನಿರ್ಧರಿಸಲು ಬಯಸುತ್ತಾರೆ.
ಸಸ್ಯದ ಬೆಳವಣಿಗೆಯ ಈ ಬೆಳವಣಿಗೆಯ ಹಂತದಲ್ಲಿ, ರೈತನು ತನ್ನ ಬಹುಪಾಲು ರಸಗೊಬ್ಬರ ಮತ್ತು ರಾಸಾಯನಿಕ ಅನ್ವಯಿಕೆಗಳು ಸಂಭವಿಸುವ ಮೊದಲು ಯಾವುದೇ ಮರುನಾಟಿಯನ್ನು ನಡೆಸಲು ಇನ್ನೂ 10 ದಿನಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಒಮ್ಮೆ ಇವುಗಳನ್ನು ಅನ್ವಯಿಸಿದ ನಂತರ, ಸರಿಪಡಿಸುವ ಕ್ರಮವನ್ನು ಕೈಗೊಳ್ಳಲು ಆರ್ಥಿಕವಾಗಿ ಅಸಮರ್ಥವಾಗುತ್ತದೆ, ಯಾವುದೇ ಮತ್ತಷ್ಟು ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ಐತಿಹಾಸಿಕ ಮತ್ತು ಮುಂಬರುವ ಋತುವಿಗಾಗಿ ಭವಿಷ್ಯದ ಅಭ್ಯಾಸಗಳನ್ನು ತಿಳಿಸಲು ಮಾತ್ರ ಉಪಯುಕ್ತವಾಗುತ್ತದೆ.
ಸಾಫ್ಟ್ವೇರ್ ತನ್ನ ಪ್ರಕ್ರಿಯೆಯನ್ನು 15 ನಿಮಿಷಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ, ಇದು ಸಸ್ಯ ಜನಸಂಖ್ಯೆಯ ಎಣಿಕೆ ನಕ್ಷೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ ನಿಖರವಾದ ಕೃಷಿ ಮತ್ತು ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ನಲ್ಲಿ ಸಾಧಿಸಿದ ಪ್ರಗತಿಯನ್ನು ವಿವರಿಸುವ ನಿಖರವಾದ ಅದೇ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಕೇವಲ ಒಂದು ವರ್ಷದ ಹಿಂದೆ ಮೂರರಿಂದ ಐದು ದಿನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದೆ, ಇದು ಎಷ್ಟು ಪ್ರಭಾವಶಾಲಿಯಾಗಿದೆ ಎಂಬುದನ್ನು ಗ್ರಹಿಸುವುದು ಕಷ್ಟ.
. ಇದೇ ರೀತಿಯ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ಬೆಳೆಗಳ ಮೇಲೆ ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ನಲ್ಲಿ ಸಾಫ್ಟ್ವೇರ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದ್ದು, ಸಾಫ್ಟ್ವೇರ್ ನಿಖರವಾದ ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತದೆ ಎಂದು ಕೃಷಿಶಾಸ್ತ್ರಜ್ಞರು ವಿಶ್ವಾಸ ಹೊಂದಿದ್ದಾರೆ.
ನಕ್ಷೆಯು ಪರದೆಯ ಮೇಲೆ ಗೋಚರಿಸುತ್ತಿದ್ದಂತೆ, ಕೃಷಿ ವಿಜ್ಞಾನಿಗಳ ಮುಖವು ಬೀಳಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ.
ನೆಲದ ಮೇಲಿನ ಪರಿಸ್ಥಿತಿಯ ಭೌತಿಕ ತಿಳುವಳಿಕೆಯನ್ನು ಪಡೆಯಲು ಹಾರಾಟದ ಮೊದಲು ನೆಟ್ಟ ಸಾಲುಗಳ ಮೂಲಕ ನಡೆದಾಡಿದ ನಂತರ, ಅವನು ತನ್ನ ಪರದೆಯ ಮೇಲಿನ ಡೇಟಾವನ್ನು ನೋಡಿದ ತಕ್ಷಣ ಸಸ್ಯಗಳ ಎಣಿಕೆ ಸರಿಯಾಗಿಲ್ಲ ಎಂದು ತಿಳಿಯುತ್ತದೆ ಮತ್ತು ರೈತರೂ ಸಹ ತಮ್ಮ ಸೀಮಿತತೆಯನ್ನು ಹೊಂದಿದ್ದಾರೆ. ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ನಕ್ಷೆಗಳನ್ನು ಹೇಗೆ ಓದುವುದು ಎಂಬುದರ ತಿಳುವಳಿಕೆ.
ಕೃಷಿಯಲ್ಲಿ ಕೃತಕ ವೈಜ್ಞಾನಿಕ ಬುದ್ಧಿಮಟ್ಟದ ಸಂಭಾವ್ಯತೆ
ಕಾಲ್ಪನಿಕವಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವ್ಯಾಖ್ಯಾನಿಸಿದ ಅಥವಾ ಒಳಗೊಂಡಿರುವ ಪರಿಸರದೊಳಗೆ ಎಲ್ಲಾ ವಸ್ತುಗಳ ಭೌತಿಕ ಪರಸ್ಪರ ಕ್ರಿಯೆಗೆ ಸಂಬಂಧಿಸಿದ ಭೂಮಿಯ ಮೇಲಿನ ಯಾವುದೇ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಯಂತ್ರಗಳಿಗೆ ಕಲಿಯಲು ಸಾಧ್ಯವಿದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ತತ್ವವೆಂದರೆ ಯಂತ್ರವು ತನ್ನ ಪರಿಸರವನ್ನು ಗ್ರಹಿಸಬಲ್ಲದು ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುವ ತರ್ಕಬದ್ಧತೆಯ ಒಂದು ನಿರ್ದಿಷ್ಟ ಸಾಮರ್ಥ್ಯದ ಮೂಲಕ, ಆ ಪರಿಸರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನಿರ್ದಿಷ್ಟ ಗುರಿಯನ್ನು ಪರಿಹರಿಸಲು ಕ್ರಮ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಪ್ರೋಟೋಕಾಲ್ಗಳ ಪ್ರಕಾರ ಇದೇ ಯಂತ್ರವು ಪರಿಸರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಗುರಿಗಳನ್ನು ಪರಿಹರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಸುಧಾರಿಸಿದಾಗ ಅದು ಸ್ವೀಕರಿಸುವ ಡೇಟಾದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸ್ವರೂಪವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಹೆಚ್ಚು ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಸಿಸ್ಟಮ್ ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಪ್ರೋಟೋಕಾಲ್ಗಳಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದಾದ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾದ ಸೆಟ್ಗಳನ್ನು ಪಡೆಯುವುದರಿಂದ, ಅದರ ತರ್ಕಬದ್ಧಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯವು ಹೆಚ್ಚಾಗುತ್ತದೆ, ಇದು ಫಲಿತಾಂಶಗಳ ಶ್ರೇಣಿಯ ಮೇಲೆ ಉತ್ತಮವಾಗಿ “ಊಹಿಸಲು” ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಡಿಜಿಟಲ್ ಕೃಷಿ ಮತ್ತು ಅದರ ಸಂಬಂಧಿತ ತಂತ್ರಜ್ಞಾನಗಳ ಏರಿಕೆಯು ಹೊಸ ಡೇಟಾ ಅವಕಾಶಗಳ ಸಂಪತ್ತನ್ನು ತೆರೆದಿದೆ. ರಿಮೋಟ್ ಸೆನ್ಸರ್ಗಳು, ಉಪಗ್ರಹಗಳು ಮತ್ತು UAV ಗಳು ಇಡೀ ಕ್ಷೇತ್ರದಲ್ಲಿ ದಿನಕ್ಕೆ 24 ಗಂಟೆಗಳ ಕಾಲ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು.
ಇವುಗಳು ಸಸ್ಯದ ಆರೋಗ್ಯ, ಮಣ್ಣಿನ ಸ್ಥಿತಿ, ತಾಪಮಾನ, ಆರ್ದ್ರತೆ ಇತ್ಯಾದಿಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬಹುದು. ಈ ಸಂವೇದಕಗಳು ರಚಿಸಬಹುದಾದ ಡೇಟಾದ ಪ್ರಮಾಣವು ಅಗಾಧವಾಗಿದೆ ಮತ್ತು ಆ ಡೇಟಾದ ಹಿಮಪಾತದಲ್ಲಿ ಸಂಖ್ಯೆಗಳ ಮಹತ್ವವು ಅಡಗಿರುತ್ತದೆ.
ಸುಧಾರಿತ ತಂತ್ರಜ್ಞಾನದ ಮೂಲಕ (ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ನಂತಹ) ರೈತರು ನೆಲದ ಮೇಲಿನ ಪರಿಸ್ಥಿತಿಯ ಬಗ್ಗೆ ಉತ್ತಮ ತಿಳುವಳಿಕೆಯನ್ನು ಪಡೆಯಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುವುದು ಇದರ ಉದ್ದೇಶವಾಗಿದೆ, ಅದು ಅವರು ಬರಿಗಣ್ಣಿನಿಂದ ನೋಡುವುದಕ್ಕಿಂತ ಅವರ ಪರಿಸ್ಥಿತಿಯ ಬಗ್ಗೆ ಹೆಚ್ಚಿನದನ್ನು ಹೇಳಬಹುದು. ಮತ್ತು ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಮಾತ್ರವಲ್ಲದೆ ಅದು ಹೊಲಗಳ ಮೂಲಕ ನಡೆಯುವುದನ್ನು ಅಥವಾ ಚಾಲನೆ ಮಾಡುವುದನ್ನು ನೋಡುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ವೇಗವಾಗಿ.
ರಿಮೋಟ್ ಸೆನ್ಸರ್ಗಳು ಕ್ಷೇತ್ರದ ಪರಿಸರವನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ದತ್ತಾಂಶವಾಗಿ ಅರ್ಥೈಸಲು ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ರೈತರಿಗೆ ಉಪಯುಕ್ತವಾಗಿದೆ. ಅಲ್ಗಾರಿದಮ್ಗಳು ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತವೆ, ಸ್ವೀಕರಿಸಿದ ಡೇಟಾವನ್ನು ಆಧರಿಸಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಕಲಿಯುತ್ತವೆ.
ಹೆಚ್ಚಿನ ಇನ್ಪುಟ್ಗಳು ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಿದರೆ, ಫಲಿತಾಂಶಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಊಹಿಸಲು ಅಲ್ಗಾರಿದಮ್ ಉತ್ತಮವಾಗಿರುತ್ತದೆ. ಮತ್ತು ರೈತರು ಈ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಕ್ಷೇತ್ರದಲ್ಲಿ ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೂಲಕ ಉತ್ತಮ ಸುಗ್ಗಿಯ ಗುರಿಯನ್ನು ಸಾಧಿಸಬಹುದು ಎಂಬುದು ಇದರ ಉದ್ದೇಶವಾಗಿದೆ.
2011 ರಲ್ಲಿ, IBM, ಹೈಫಾ, ಇಸ್ರೇಲ್ನಲ್ಲಿರುವ ತನ್ನ R&D ಪ್ರಧಾನ ಕಛೇರಿಯ ಮೂಲಕ ಕೃಷಿ ಕ್ಲೌಡ್-ಕಂಪ್ಯೂಟಿಂಗ್ ಯೋಜನೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿತು. ಹಲವಾರು ವಿಶೇಷ ಐಟಿ ಮತ್ತು ಕೃಷಿ ಪಾಲುದಾರರ ಸಹಯೋಗದೊಂದಿಗೆ ಈ ಯೋಜನೆಯು ಮನಸ್ಸಿನಲ್ಲಿ ಒಂದು ಗುರಿಯನ್ನು ಹೊಂದಿತ್ತು – ಕೃಷಿ ಪರಿಸರದಿಂದ ವಿವಿಧ ಶೈಕ್ಷಣಿಕ ಮತ್ತು ಭೌತಿಕ ದತ್ತಾಂಶ ಮೂಲಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ರೈತರಿಗೆ ಅವುಗಳನ್ನು ತಯಾರಿಸಲು ಸಹಾಯ ಮಾಡುವ ಸ್ವಯಂಚಾಲಿತ ಮುನ್ಸೂಚಕ ಪರಿಹಾರಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದು. ಕ್ಷೇತ್ರದಲ್ಲಿ ನೈಜ-ಸಮಯದ ನಿರ್ಧಾರಗಳು.
ಆ ಸಮಯದಲ್ಲಿ ಕೆಲವು IBM ಪ್ರಾಜೆಕ್ಟ್ ತಂಡದ ಸದಸ್ಯರೊಂದಿಗಿನ ಸಂದರ್ಶನಗಳು ತಂಡವು “ಅಲ್ಗಾರಿದಮ್” ಕೃಷಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಸಾಧ್ಯ ಎಂದು ನಂಬಿದ್ದರು, ಅಂದರೆ ಅಲ್ಗಾರಿದಮ್ಗಳು ಪ್ರಪಂಚದ ಯಾವುದೇ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಬಹುದು.
ಆ ವರ್ಷದ ಆರಂಭದಲ್ಲಿ, IBM ನ ಅರಿವಿನ ಕಲಿಕೆಯ ವ್ಯವಸ್ಥೆ, ವ್ಯಾಟ್ಸನ್, ಮಾಜಿ ವಿಜೇತರಾದ ಬ್ರಾಡ್ ರಟರ್ ಮತ್ತು ಕೆನ್ ಜೆನ್ನಿಂಗ್ಸ್ ವಿರುದ್ಧ ಜೆಪರ್ಡಿಯಲ್ಲಿ ಬೆರಗುಗೊಳಿಸುವ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಸ್ಪರ್ಧಿಸಿದರು. ಹಲವಾರು ವರ್ಷಗಳ ನಂತರ, ವ್ಯಾಟ್ಸನ್ ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ನೆಲ-ಮುರಿಯುವ ಸಾಧನೆಗಳನ್ನು ಮಾಡಿದರು, ಇದು IBM ನ ಕೃಷಿ ಯೋಜನೆಗಳನ್ನು ಮುಚ್ಚಲು ಅಥವಾ ಕಡಿಮೆ ಮಾಡಲು ಕಾರಣವಾಯಿತು. ಅಂತಿಮವಾಗಿ, ಕೃಷಿಗಾಗಿ ಅರಿವಿನ ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಹಾರಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಕಾರ್ಯವು ಅವರು ಯೋಚಿಸಿರುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗಿದೆ ಎಂದು IBM ಅರಿತುಕೊಂಡಿತು.
