A criação de animais para produção de carne leva anos, os investimentos em terras agrícolas e equipamentos levam muitas safras para serem pagos e um único experimento em campo leva um ciclo de cultivo inteiro para ver os resultados. Então, a indústria deve regularmente fazer suposições sobre o futuro.
Diferentemente do varejo convencional, onde o cliente tem interação com os produtos e consegue rotineiramente prover feedbacks sofre funcionalidades, no agro isso acontece poucas vezes no ano.
Além desse motivo, nossa capacidade de prever não apenas o que pode acontecer, mas quando pode acontecer, é prejudicada por nosso pensamento linear intuitivo quando confrontado com mudanças exponenciais. Precisamos de uma estrutura cognitiva diferente.
Uma das maneiras de pensar de forma diferente é questionar por que as coisas são feitas da maneira atual. Devemos parar de dar respostas e começar a focar em perguntas.
Diante disso, seguem algumas perguntas que podem nos ajudar a pensar diferente.
O que acontece quando o custo da medição cai para zero?
Muitos sistemas na agricultura são projetados hoje para compensar o alto custo de medir as coisas. Considere como fazemos testes de campo, controle de qualidade ou manejo de ervas daninhas. Onde a complexidade do sistema é alta, usamos medição de amostra e simplificação para tentar mantê-lo sob controle. Mas e se pudéssemos combinar medições onipresentes alimentadas por IA com modelagem muito maior?
Supondo que o sistema não seja totalmente aleatório, isso pode revelar uma compreensão mais profunda do sistema. Passaremos do “inspecionar para reagir” ao “inspecionar para compreender”.
O que acontece quando a precisão se torna escalável? Uma aplicação inicial da inteligência artificial generativa pode ser a hiperpersonalização.
O que é hiperpersonalização?
“Toda agricultura é local”, diz o ditado. O que acontece quando a medição e a ação de precisão (ou seja, personalização) se tornam escaláveis na agricultura? As prescrições de sementes e fertilidade serão personalizadas para o subcampo ou até mesmo ao nível de planta. Podemos abraçar a complexidade da natureza e os benefícios da complexidade, em vez de tentar simplificar e generalizar.
O que acontece quando podemos gerar dados simulados do mundo natural?
Um dos desafios do treinamento de modelos de IA na agricultura — especialmente modelos que precisam aprender recursos com muito detalhes e executar com alta precisão — é o alto custo de aquisição e rotulagem de imagens para treinamento.
Para melhorarmos o treinamento da IA, temos um desafio de escalabilidade para coletar imagens de culturas diversificadas o suficiente em locais diferentes o suficiente para treinar modelos robustos. Então, há vários anos, começamos a experimentar modelos de IA de treinamento usando imagens simuladas criadas por outros modelos de IA.
Parece complexo, e realmente é. Porém, essa estratégia reduz muito os custos para termos informação suficiente para as análises.
Por exemplo, as representações de frutas e folhas não tiveram impacto na precisão do modelo, ou seja, não havia volume suficiente para uma análise mais profunda.
Porém, de repente, com a geração de imagens de IA, a precisão do modelo decolou rapidamente. E não eram apenas imagens simples que os pesquisadores querem criar. Eles focaram na criação de plantas inteiras, que pudessem produzir imagens de treinamento fotorrealistas que refletissem as complexidades de qualquer planta, de qualquer ângulo de câmera, a qualquer hora do dia.
As primeiras tentativas foram ridiculamente caricaturais. Mas, uma vez que o desempenho do modelo grande aumentou, eles conseguiram gerar imagens muito reais de plantas específicas usando prompts (comandos em texto).
Uma empresa de tecnologia focada na agricultura do futuro, chamada Mineral, disse estar “imaginando” centenas de cenários para produzir mais alimentos com menos impacto negativo no planeta e nos adaptar às mudanças climáticas.
Futuro e tendências
O que será possível com a IA daqui a dez anos, dado o progresso nos últimos dois anos? Poderíamos criar um modelo 3D completo de uma planta? Muito provavelmente. Poderíamos simular a física da planta com precisão? Provavelmente. Que tal modelar processos bioquímicos com precisão, como o fototropismo? Ou prever o formato da folha a partir de uma sequência genética? Isso sem dúvida transformaria nossa compreensão do mundo vegetal, mas é difícil dizer se e quando isso será possível, disse o CEO Elliott Grant.
De fato devemos pensar de maneira não linear. O absurdo pode ser o novo normal.
Não podemos prever como será a indústria agrícola daqui a 10 anos, quais serão os modelos de negócios ou se os cientistas terão desvendado os segredos do genoma.
Mas podemos nos planejar para as mudanças não lineares que acontecerão daqui apra frente, sem temer o futuro. Mas, sim, fazer parte dele!
Já assistiu aos novos vídeos no YouTube do Olhar Digital? Inscreva-se no canal!
Fonte: Olhar Digital
Comentários