Разработка AI-системы для сельского хозяйства AgriTech AI

Разработка AI для сельского хозяйства: пилоты не доходят до поля

Типовая история в ИИ в агро: команда обучает модель на снимках прошлых сезонов, получает аккуратную точность на отложенной выборке и показывает её на защите. Через месяц на реальном поле та же модель путает культуры и пропускает очаги сорняка, а агроном перестаёт открывать отчёт.

Причина почти всегда в расхождении между данными обучения и реальностью: сменился сорт, съёмка шла с другой высоты и в другую облачность, часть кадров затемнена или смазана, всходы оказались на другой фазе развития. Модель уверенно работает там, где признаки совпадают с обучающей выборкой, и рассыпается на первом же непохожем поле.

С прогнозом урожайности сложнее: между снимком и уборкой проходит сезон, а ошибку нельзя заметить и исправить сразу. Обратной связи для дообучения не появляется, поэтому качество не растёт от сезона к сезону.

В итоге пилот ИИ на поле не доходит до контура принятия решений. Нет регламента съёмки, разметки и переобучения, непонятно, кто отвечает за данные и как результат попадает в учётную систему хозяйства. Решение тихо оседает в рабочей папке разработчика — в хозяйстве им не пользуются.

Разработка AI для сельского хозяйства начинается не с модели, а с полевого контура данных: регламент съёмки, разметка силами агрономов, метрика, привязанная к решению — обработать участок или нет. Тогда компьютерное зрение для полей и прогноз урожайности выдерживают смену сорта, погоды и техники. Разбираем, как это закрывается.

Что даёт ИИ в сельском хозяйстве: эффект по участкам

Эффект от ИИ в сельском хозяйстве считают не по «умности» модели, а по доле вовремя найденных очагов и числу лишних проходов техники. Точное земледелие начинается там, где по каждому участку есть история: снимки Sentinel-2, показания датчиков, обходы агронома, бортовые журналы уборочных машин. Пока источники живут порознь, решение принимают по среднему по полю — и очаг болезни замечают, когда он уже виден с кромки.

Мониторинг полей переводят в регулярный цикл: раз в несколько дней свежие снимки сравнивают с базовой линией участка, и модель отмечает зоны, где вегетационный индекс просел быстрее обычного. Раннее выявление болезней растений измеряется именно долей очагов, найденных до поражения заметной части листовой поверхности, — обработка идёт пятном, а не по всему полю.

Что меняется в операциях

Планирование уборки строится по зрелости участков, а не по календарю: техника заходит туда, где культура готова, и не возвращается на дозревающие края. Повторные проходы по одному контуру сокращаются, износ машин и расход топлива падают, а окно уборки перестаёт быть гонкой за погодой.

Прогноз урожайности по участкам становится устойчивым: модель отдаёт диапазон, а не одно число, и по нему видно, какие поля тянут вниз общий результат. Управление идёт по факту: очаги ловятся раньше, техника ходит меньше, план уборки сходится с реальной картиной поля.

Форматы внедрения: от пилота на одном поле до всей сети

Формат внедрения определяют две вещи: сколько данных уже накоплено в хозяйстве и насколько типовой процесс мы автоматизируем. Сравнивать варианты «в общем» бессмысленно — разница проявляется на этапе, когда пилот нужно превратить в рабочую систему, а не в демонстрацию.

Разница между форматами — не в сложности модели, а в том, кто отвечает за данные и как быстро цикл замыкается на результат. В пилоте массив маленький и с одного контура, при дообучении нужен размеченный набор за несколько сезонов, при разработке под задачу агрономы участвуют в разметке с первого дня.

Практический порядок: сначала смотрим, что уже есть в хозяйстве, затем выбираем формат и только потом фиксируем архитектуру. Если задача допускает пилот — начинаем с него, но с заранее описанным критерием перехода на всю сеть.

Как мы внедряем: от аудита данных до сдачи в работу

Порядок работ один и для прогноза урожайности, и для сортировки плодов: сначала считаем, что уже есть в данных, затем фиксируем цель в измеримых величинах. Этапы идут последовательно — пропущенный аудит агроданных даёт модель, которая работает на архивных полях и рассыпается в поле.

1. Аудит агроданных. Смотрим, что накоплено: журналы техники, снимки, датчики, записи агрономов, пробы. Оцениваем полноту, частоту и долю пропусков — от этого зависит, какие задачи решаются без досбора.
2. Постановка задачи ИИ с измеримой целью. Результат формулируем в терминах поля: что предсказываем, на каком горизонте, при какой допустимой ошибке. Согласуем с агрономом — иначе метрика модели расходится с решением, которое он принимает.
3. Схема решения. Определяем признаки, приводим разнородные источники к одной сетке по полям и датам, отмечаем места, где нужен досбор или разметка.
4. Сбор и разметка. Дополняем архивы, спорные случаи размечивают агрономы, правила фиксируем письменно, чтобы оценка одного участка не расходилась между специалистами.
5. Обучение и валидация модели. Проверяем на отложенных участках и сезонах, которых модель не видела, отдельно разбираем ошибки на границах полей, при аномальной погоде и на редких культурах.
6. Передача решения в эксплуатацию. Подключаем к учётной системе, настраиваем отчётность и регламент: что делать при низкой уверенности модели и кто принимает финальное решение. Обучаем агрономов и сопровождаем первые недели — расхождения на живых данных становятся основой дообучения.

Датасеты, разметка и регламенты переобучения модели

Модель, которая распознаёт всходы и очаги поражения, держится на данных, а её способность развиваться — на понятных процедурах. Меняется севооборот, добавляется техника, поля переезжают границами — и без зафиксированных артефактов никто, кроме автора системы, не скажет, почему на конкретном участке точность просела.

• Датасет для агромодели — снимки и телеметрия за полный сезон, разложенные по участкам, культурам и фазам роста, с описанием источников и периодов съёмки.
• Правила разметки данных — как отмечать всходы, сорняки и очаги поражения; с какого порога спорный пример уходит на перепроверку агроному.
• Паспорт модели — какую задачу решает, на каких данных обучена, для каких культур и условий применима, где ошибается чаще и как часто проверяется.
• Регламент переобучения — триггеры (новая культура, новый сезон, просадка точности), порядок подготовки данных, кто утверждает версию и как откатиться на предыдущую.
• Документация по ИИ-решению — схемы обмена с учётной системой, входные и выходные данные, роли, доступы и порядок выдачи прав.
• Инструкции для агрономов — как снимать, что проверять на месте, как оспорить вывод модели и куда уходит обратная связь.
• Контрольный набор — примеры с заранее известным верным ответом: на них прогоняется каждая новая версия, прежде чем попасть в поля.

Комплект остаётся в хозяйстве и обновляется вместе с моделью — система продолжает работать при смене сезона, культуры и людей.

Кейс: как ушёл класс отказов по болезням растений

Заказчик — агрохолдинг «Северное поле» — пришёл после сезона, где один и тот же класс отказов повторялся от года к году: очаг болезни находили на периферии поля и в зонах неравномерного полива, когда поражено уже 10–15% листа. Обход занимал до трёх дней, очаг за это время расширялся, а обработку проводили по всему участку.

Мы начали не с модели, а с метрик: сколько очагов выявляется на ранней стадии, сколько ложных срабатываний приходится на подтверждённый случай, сколько времени проходит от съёмки до решения. Историю наблюдений прошлых сезонов разметили по координатам — это дало базу для сравнения вместо ощущения «стало лучше».

Изменили три вещи: сегментацию пятен на снимках с привязкой к координатам, пороги срабатывания по культурам и фазам вегетации, маршрут обхода агронома вместо сплошного осмотра. Агроном остался контрольным контуром: его подтверждение возвращается в обучающий набор, поэтому следующий сезон точнее предыдущего.

Метрики до и после

Доля пропущенных очагов — с 12% до 3%, ложные срабатывания — с пяти на подтверждённый случай до менее двух, время от съёмки до вердикта — с трёх дней до нескольких часов. Класс отказов «позднее обнаружение периферийного очага» перестал повторяться: обработки стали точечными, объём препаратов на участок упал примерно на треть.

«Раньше о проблеме узнавали, когда лист уже жёлтый. Теперь агроном выезжает на точку с координатами — обход сократился, решения принимаем по данным», — главный агроном хозяйства.

Чем отличается прогноз урожайности от советов по поливу

Прогноз урожайности и советы по поливу — два разных класса задач, и путать их дорого. Прогноз отвечает, что будет с полем; управление — что с ним делать сейчас. Предсказательная модель в агро описывает систему, задача управления в земледелии вмешивается в неё и меняет состояние поля.

Данные поэтому нужны разные. Прогнозу хватает многолетних рядов урожайности по контурам поля, погоды, карт почв, истории севооборота и снимков в нескольких спектральных каналах. Рекомендациям по поливу добавляются журнал поливов, лаг реакции культуры на влагу и лимиты: объём воды, пропускная способность системы, график техники.

Качество проверяется по-разному. Прогноз валидируют на удержанных сезонах, а не на случайной выборке наблюдений: иначе соседние дни одного поля попадут и в обучение, и в проверку, и ошибка окажется заниженной. Рекомендации проверяют сравнением с базовой стратегией полива и контролем ограничений.

Отсюда выбор типа модели. Если нужен план действий, прогноз становится входом для оптимизации под ограничения, а не конечным результатом. В проектах AgriTech AI мы сначала фиксируем, что система решает — оценку или действие, и только потом выбираем модель.

Частые сомнения: точность модели и связь с учётом

Точность агромодели — не свойство алгоритма, а следствие данных хозяйства: если обучающая выборка собрана на других сортах, почвах и технике, на ваших контурах она просядет. Поэтому первый шаг — аудит накопленного: история операций по полям, метеоданные, снимки, журналы агронома. Этого хватает для рабочей версии под узкую задачу, а не для «идеального» решения сразу по всем культурам.

Ниже — возражения, которые чаще всего звучат на старте, и то, как мы закрываем их инженерно.

Уже развёрнута система мониторинга — придётся её менять?

Нет. Подключаемся к существующим источникам через штатные интерфейсы, выравниваем координаты, календарь обработок и справочники культур, дополняем недостающие слои. Действующий контур мониторинга и учётная система остаются на месте, результаты возвращаем в них же.

Техника работает без устойчивой связи. Как это учтено?

Расчёт ставится на бортовой вычислитель: распознавание идёт локально, канал нужен только для синхронизации результатов и обновления модели. При пропадании связи техника продолжает работать, данные дозагружаются позже без потери операций.

Модель не деградирует через сезон?

Дрейф неизбежен: меняются сорта, агротехника, погода. Закладываем контроль качества по классам и регламент дообучения на свежих данных. Когда точность падает ниже порога, система не выдаёт рекомендацию, а помечает участок как требующий проверки агронома.

Кто отвечает за качество разметки?

Разметку ведём мы по согласованному регламенту, спорные случаи отправляем агроному на подтверждение. Вы получаете датасет с версионированием и описанием классов — воспроизводимый, его можно переиспользовать и расширять.

Обсудим задачу: что прислать для оценки проекта

Оценка проекта ИИ упирается не в описание идеи, а в состояние исходных сведений о хозяйстве. Готовое техническое задание не нужно — достаточно того, что уже есть в работе: выгрузки из учётных систем, журналы операций, записи агрономов, снимки полей. Ниже минимальный набор данных для старта проекта, после которого мы возвращаемся с оценкой объёма работ и планом первого этапа.

• Что решаем: какое решение человек принимает сегодня, по какому признаку, как часто и с какой задержкой.
• Какие данные уже есть: из каких систем приходят сведения о полях, культурах, технике и урожае и с какой периодичностью обновляются.
• Глубина истории: сколько сезонов наблюдений сохранено и попадают ли в них разные погодные условия.
• Чем подтверждён результат: кто и как фиксировал фактические исходы — по ним проверяем, воспроизводится ли закономерность.
• Ограничения участка: неоднородность почв, зоны с особым режимом обработки, поля без устойчивой связи.
• Куда встраиваем вывод: какая система или рабочий процесс получает результат — оповещение, карта, рекомендация в поле.
• Кто отвечает за внедрение с вашей стороны и какие доступы готовы открыть на первом этапе.

По этому набору мы называем объём работ, риски по данным и границы первого этапа — обычно это проверка гипотезы на ограниченном участке с измеримым критерием. Опишите задачу своими словами: недостающее уточним вопросами, а не запросом на подготовку документов.