Datorită progresului recent și rapid, tehnologiile AI dezvoltate inițial pentru asistența medicală își găsesc aplicații în agricultură, notează AgTechNavigator. Dar cum pot fi transferate aceste cunoștințe în domeniul agriculturii?

De la om la plantă

Similar cu modul în care IA este utilizată pentru detectarea precoce a bolilor în asistența medicală, IA este acum aplicată din ce în ce mai mult pentru a identifica bolile culturilor, pentru a prognoza randamentele culturilor și pentru a optimiza gestionarea resurselor.

Companii precum Enko și Moa Technology folosesc AI pentru a descoperi noi mecanisme de acțiune și ingrediente active pentru produsele de protecție a culturilor.

Tehnicile AI pentru analiza datelor genomice în domeniul sănătății sunt aplicate în creșterea culturilor. Platforma CropOS de la Benson Hill, de exemplu, folosește inteligența artificială pentru a genera predicții de reproducere a soiei cu o precizie de până la 85%.

Și așa cum AI permite medicina personalizată, permite agricultura de precizie. Tehnologia See & Spray de la John Deere, de exemplu, folosește AI pentru a aplica erbicide numai acolo unde este necesar, reducând utilizarea cu până la 66%.

NVIDIA – care oferă soluții hardware și software pentru diverse aplicații AI – s-a implicat atât în ​​industria farmaceutică, cât și în cea agricolă în urmă cu aproximativ un deceniu. A colaborat cu producători de echipamente precum John Deere, ceea ce a condus la dezvoltarea sistemelor agricole autonome bazate pe inteligență artificială.

Compania a lucrat, de asemenea, cu Corteva Agriscience, folosind AI pentru a crea semințe noi cu randament ridicat în condiții meteorologice și terenuri diferite și care sunt rezistente la boli.

Acest lucru se datorează abordărilor bazate pe inteligență artificială, cum ar fi ESMFold și DiffDock, NVIDIA pretinde o îmbunătățire semnificativă a vitezei și acurateței predicțiilor structurii proteinelor sau a modelării de pliere a proteinelor.

ESMFold este o metodă AI de ultimă generație, dezvoltată de Meta AI, care poate genera rapid predicții precise privind structura proteinelor, în timp ce DiffDock este utilizat în descoperirea medicamentelor pentru a prezice modul în care moleculele mici interacționează cu proteinele.

Folosite în combinație, metodele pot accelera proiectarea și evaluarea de noi molecule pentru a explora modele de noi fungicide, erbicide, insecticide și alte tratamente pentru semințe.

Într-un exercițiu recent de analiză comparativă, Corteva a folosit NIM-uri NVIDIA (sau microservicii de inferință – containere software pre-ambalate, gata de utilizare, care facilitează și mai rapid implementarea modelelor AI, în special pentru aplicațiile AI generative) pentru ESMFold și DiffDock pentru a compara implementarea lor actuală bazată pe sursă deschisă cu NIM-urile NVIDIA și a constatat că viteza de implementare a fost mult mai rapidă decât cea deschisă.

Din farmacie, pe câmp

„Platforma noastră a fost dezvoltată pentru industria farmaceutică”, explică Johnny Israeli, șeful NVIDIA pentru descoperirea medicamentelor. „Cu toate acestea, îl puteți folosi și în agricultură.” Algoritmii AI de astăzi, spune el, sunt mai puternici și mai capabili decât acum un deceniu.

Deși este cazul că modelele AI sunt la fel de bune ca și datele pe care sunt antrenate, astăzi avem baze de date mult mai mari cu miliarde de molecule pe care nu le aveam în urmă cu câțiva ani, spune israelian.

„Datele, algoritmii și platformele de calcul s-au îmbunătățit rapid pentru a putea face față provocărilor și problemelor care trebuie rezolvate în agricultură.” Acest lucru servește la scurtarea ciclului de cercetare și dezvoltare într-un mod din ce în ce mai rentabil.

Costul, însă, rămâne principalul blocaj, sugerează el. „Cred că cea mai mare provocare pe care o vedem pentru această industrie este rentabilitatea investiției.” Vom vedea, se întreabă el, întreprinderile „să acorde prioritate problemei afacerii cu fructele care vor arăta mai jos, care va demonstra rentabilitatea investiției și va conduce la adoptarea în continuare?”.

Identificare mai rapidă a moleculelor

Costul este probabil cel mai mare punct de sufocare al sectorului, este de acord Daniel Ferrante, partener și lider AI în cercetare și dezvoltare și strategie de date la Deloitte. Ferrante dezvoltă soluții AI pentru a accelera descoperirea medicamentelor și pentru a îmbunătăți procesele de cercetare.

În ceea ce privește provocarea că modelele AI sunt la fel de bune ca și datele pe care sunt antrenate, el răspunde: „Toată lumea aude că datele mici sunt o problemă pentru AI. Nu este chiar adevărat. Datele zgomotoase sunt mai mult o problemă. Datele bune, organizate sunt perfecte și putem folosi și face progrese mari cu acestea.”

El a reiterat că modelele mai noi în IA sunt acum utilizate într-un mod mai larg în mai multe domenii diferite. „Când DeepMind a început AlphaFold pentru modelul de limbaj al proteinelor, accentul s-a pus pe știința vieții și pe descoperirea medicamentelor”, explică el.

„Putem folosi asta în spațiul fabricii la fel, deoarece datele și mentalitatea sunt aceleași. Este doar un alt tip de aplicație.”

El spune că modelele AI accelerează semnificativ descoperirea și dezvoltarea de noi produse de protecție a culturilor. AI, explică el, poate căuta și analiza rapid biblioteci moleculare vaste, publicații științifice și înregistrări de brevete pentru a identifica molecule candidate promițătoare pentru noi pesticide. Acest proces, care în mod tradițional a durat ani, poate fi acum finalizat într-o fracțiune de timp.

Pe lângă economiile de timp, procesele AI care avansează rapid pot, de asemenea, să creeze produse „mai bune”, crede el. Buclele de feedback AI funcționează printr-o serie de etape care seamănă cu mișcarea de rotație a unei „manivele”, notează el – un proces ciclic de îmbunătățire continuă şi ajustare.

„Odată ce această buclă de feedback și întreaga manivela sunt puse împreună, încercăm să învățăm întregul proces care a fost încorporat în ani de practică în setul de date, astfel încât toate aceste modele să învețe acest lucru.”

Tratamente pentru semințe

Ferrante este deosebit de încântat de implementarea IA, astfel încât noile dezvoltări de culturi să poată evita întârzierile proceselor de reglementare lungi.

„Când am început, eram foarte încântați de a putea ajuta cu noi OMG-uri pentru a crește nutriția sau a face culturile mai rezistente la apă”, explică el. Cu toate acestea, dezvoltarea culturilor modificate genetic în SUA are un timp mediu de comercializare de 13 ani și un cost de 136 de milioane de dolari.

„Scopul este să încercăm să injectăm aceste proprietăți în înveliș în tratamentul semințelor, deoarece acesta este un proces diferit. Și acesta este ceva care poate avea tot felul de beneficii diferite în aval pentru lucruri precum sănătatea solului.”

Dilema energetică a AI

Datorită acestui proces de îmbunătățire și ajustare continuă, sectorul AI speră să depășească o altă dintre marile sale provocări: consumul ridicat de energie. Emisiile de gaze cu efect de seră ale Microsoft, de exemplu, au crescut cu aproximativ 30% față de 2020, în mare parte din cauza prioritizării dezvoltării AI.

Având în vedere că industria agricolă dorește să folosească AI în mare măsură pentru a reduce impactul asupra mediului, „este o preocupare și oamenii trebuie să țină cont”, admite Ferrante. Dar, odată ce sistemul „porniți”, este de așteptat ca consumul de energie să se aplatizeze, spune el.

Zihan Wang, care conduce strategia și operațiunile de înaltă tehnologie la NVIDIA, este de acord. „Dacă fiecare companie agrochimică poate face screening virtual pe platforma noastră, spre deosebire de modul tradițional de calcul, asta înseamnă mai puține experimente, mai puține deșeuri și mai puțină energie consumată în experiment. Acesta este un fel de valoare suplimentară pe care o aducem aici.” (Foto: Freepik)