Розробка AI-системи для сільського господарства AgriTech AI

Розробка ШІ для сільського господарства: пілоти не доходять до поля

Типова історія в ШІ в агро: команда навчає модель на знімках минулих сезонів, отримує охайну точність на відкладеній вибірці й показує її на захисті. Через місяць на реальному полі та сама модель плутає культури й пропускає осередки бур'яну, а агроном перестає відкривати звіт.

Причина майже завжди в розходженні між даними навчання й реальністю: змінився сорт, зйомка йшла з іншої висоти й за іншої хмарності, частина кадрів затемнена або змазана, сходи опинилися на іншій фазі розвитку.

Модель упевнено працює там, де ознаки збігаються з навчальною вибіркою, і розсипається на першому ж несхожому полі.

З прогнозом урожайності складніше: між знімком і збиранням минає сезон, а помилку не можна помітити й виправити одразу. Зворотного зв'язку для донавчання не з'являється, тому якість не зростає від сезону до сезону.

У підсумку пілот ШІ на полі не доходить до контуру ухвалення рішень. Немає регламенту зйомки, розмітки й перенавчання, незрозуміло, хто відповідає за дані та як результат потрапляє в облікову систему господарства. Рішення тихо осідає в робочій папці розробника — у господарстві ним не користуються.

Розробка ШІ для сільського господарства починається не з моделі, а з польового контуру даних: регламент зйомки, розмітка силами агрономів, метрика, прив'язана до рішення — обробити ділянку чи ні.

Тоді комп'ютерний зір для полів і прогноз урожайності витримують зміну сорту, погоди й техніки. Розбираємо, як це закривається.

Що дає ШІ в сільському господарстві: ефект за ділянками

Ефект від ШІ в сільському господарстві вважають не за «розумністю» моделі, а за часткою вчасно знайдених осередків і кількістю зайвих проходів техніки.

Точне землеробство починається там, де за кожною ділянкою є історія: знімки Sentinel-2, показання датчиків, обходи агронома, бортові журнали збиральних машин.

Поки джерела живуть окремо, рішення ухвалюють за середнім по полю — і осередок хвороби помічають, коли він уже видно з кромки.

Моніторинг полів переводять у регулярний цикл: раз на кілька днів свіжі знімки порівнюють з базовою лінією ділянки, і модель позначає зони, де вегетаційний індекс просіл швидше за звичайний.

Раннє виявлення хвороб рослин вимірюється саме часткою осередків, знайдених до ураження помітної частини листкової поверхні, — обробка йде плямою, а не по всьому полю.

Що змінюється в операціях

Планування збирання будується за стиглістю ділянок, а не за календарем: техніка заходить туди, де культура готова, і не повертається на дозріваючі краї.

Повторні проходи по одному контуру скорочуються, знос машин і витрата пального падають, а вікно збирання перестає бути гонитвою за погодою.

Прогноз урожайності за ділянками стає стійким: модель віддає діапазон, а не одне число, і за ним видно, які поля тягнуть вниз загальний результат. Управління йде за фактом: осередки ловляться раніше, техніка ходить менше, план збирання сходиться з реальною картиною поля.

Формати впровадження: від пілота на одному полі до всієї мережі

Формат впровадження визначають дві речі: скільки даних уже накопичено в господарстві й наскільки типовий процес ми автоматизуємо. Порівнювати варіанти «загалом» безглуздо — різниця проявляється на етапі, коли пілот потрібно перетворити на робочу систему, а не на демонстрацію.

Різниця між форматами — не в складності моделі, а в тому, хто відповідає за дані та як швидко цикл замикається на результат.

У пілоті масив маленький і з одного контуру, при донавчанні потрібен розмічений набір за кілька сезонів, при розробці під задачу агрономи беруть участь у розмітці з першого дня.

Практичний порядок: спочатку дивимося, що вже є в господарстві, потім обираємо формат і тільки потім фіксуємо архітектуру. Якщо задача допускає пілот — починаємо з нього, але із заздалегідь описаним критерієм переходу на всю мережу.

Як ми впроваджуємо: від аудиту даних до здачі в роботу

Порядок робіт один і для прогнозу урожайності, і для сортування плодів: спочатку рахуємо, що вже є в даних, потім фіксуємо мету у вимірюваних величинах. Етапи йдуть послідовно — пропущений аудит агроданих дає модель, яка працює на архівних полях і розсипається в полі.

1. Аудит агроданих. Дивимося, що накопичено: журнали техніки, знімки, датчики, записи агрономів, проби. Оцінюємо повноту, частоту й частку пропусків — від цього залежить, які задачі розв'язуються без дозбору.
2. Постановка задачі ШІ з вимірюваною метою. Результат формулюємо в термінах поля: що прогнозуємо, на якому горизонті, за якої допустимої помилки. Узгоджуємо з агрономом — інакше метрика моделі розходиться з рішенням, яке він ухвалює.
3. Схема рішення. Визначаємо ознаки, приводимо різнорідні джерела до однієї сітки за полями й датами, позначаємо місця, де потрібен дозбір або розмітка.
4. Збір і розмітка. Доповнюємо архіви, спірні випадки розмічають агрономи, правила фіксуємо письмово, щоб оцінка однієї ділянки не розходилася між спеціалістами.
5. Навчання і валідація моделі. Перевіряємо на відкладених ділянках і сезонах, яких модель не бачила, окремо розбираємо помилки на межах полів, за аномальної погоди та на рідкісних культурах.
6. Передача рішення в експлуатацію. Підключаємо до облікової системи, налаштовуємо звітність і регламент: що робити за низької впевненості моделі та хто ухвалює фінальне рішення. Навчаємо агрономів і супроводжуємо перші тижні — розходження на живих даних стають основою донавчання.

Датасети, розмітка й регламенти донавчання моделі

Модель, яка розпізнає сходи й осередки ураження, тримається на даних, а її здатність розвиватися — на зрозумілих процедурах.

Змінюється сівозміна, додається техніка, поля зміщуються межами — і без зафіксованих артефактів ніхто, крім автора системи, не скаже, чому на конкретній ділянці точність просіла.

• Датасет для агромоделі — знімки й телеметрія за повний сезон, розкладені за ділянками, культурами й фазами росту, з описом джерел і періодів зйомки.
• Правила розмітки даних — як позначати сходи, бур'яни й осередки ураження; з якого порогу спірний приклад іде на перевірку агроному.
• Паспорт моделі — яку задачу розв'язує, на яких даних навчена, для яких культур і умов застосовна, де помиляється частіше і як часто перевіряється.
• Регламент донавчання — тригери (нова культура, новий сезон, просідання точності), порядок підготовки даних, хто затверджує версію і як відкотитися на попередню.
• Документація щодо ШІ-рішення — схеми обміну з обліковою системою, вхідні та вихідні дані, ролі, доступи й порядок надання прав.
• Інструкції для агрономів — як знімати, що перевіряти на місці, як оспорити висновок моделі й куди надходить зворотний зв'язок.
• Контрольний набір — приклади із заздалегідь відомою правильною відповіддю: на них проганяється кожна нова версія, перш ніж потрапити в поля.

Комплект залишається в господарстві й оновлюється разом з моделлю — система продовжує працювати при зміні сезону, культури й людей.

Кейс: як зник клас відмов за хворобами рослин

Замовник — агрохолдинг «Северное поле» — прийшов після сезону, де той самий клас відмов повторювався з року в рік: осередок хвороби знаходили на периферії поля та в зонах нерівномірного поливу, коли уражено вже 10–15% листка. Обхід тривав до трьох днів, осередок за цей час розширювався, а обробку проводили по всій ділянці.

Ми почали не з моделі, а з метрик: скільки осередків виявляється на ранній стадії, скільки хибних спрацювань припадає на підтверджений випадок, скільки часу проходить від зйомки до рішення.

Історію спостережень минулих сезонів розмітили за координатами — це дало базу для порівняння замість відчуття «стало краще».

Змінили три речі: сегментацію плям на знімках із прив'язкою до координат, пороги спрацювання за культурами й фазами вегетації, маршрут обходу агронома замість суцільного огляду.

Агроном залишився контрольним контуром: його підтвердження повертається в навчальний набір, тому наступний сезон точніший за попередній.

Метрики до і після

Частка пропущених осередків — з 12% до 3%, хибні спрацювання — з п'яти на підтверджений випадок до менш ніж двох, час від зйомки до вердикту — з трьох днів до кількох годин.

Клас відмов «пізнє виявлення периферійного осередку» перестав повторюватися: обробки стали точковими, обсяг препаратів на ділянку впав приблизно на третину.

«Раніше про проблему дізнавалися, коли листок уже жовтий. Тепер агроном виїжджає на точку з координатами — обхід скоротився, рішення ухвалюємо за даними», — головний агроном господарства.

Чим відрізняється прогноз урожайності від порад щодо поливу

Прогноз урожайності та поради щодо поливу — два різних класи задач, і плутати їх дорого. Прогноз відповідає, що буде з полем; управління — що з ним робити зараз. Передбачувальна модель в агро описує систему, задача управління в землеробстві втручається в неї й змінює стан поля.

Дані тому потрібні різні. Прогнозу достатньо багаторічних рядів урожайності за контурами поля, погоди, карт ґрунтів, історії сівозміни та знімків у кількох спектральних каналах.

Рекомендаціям щодо поливу додаються журнал поливів, лаг реакції культури на вологу й ліміти: обсяг води, пропускна здатність системи, графік техніки.

Якість перевіряється по-різному. Прогноз валідують на утриманих сезонах, а не на випадковій вибірці спостережень: інакше сусідні дні одного поля потраплять і в навчання, і в перевірку, і помилка виявиться заниженою. Рекомендації перевіряють порівнянням з базовою стратегією поливу та контролем обмежень.

Звідси вибір типу моделі. Якщо потрібен план дій, прогноз стає входом для оптимізації під обмеження, а не кінцевим результатом. У проєктах AgriTech AI ми спочатку фіксуємо, що система розв'язує — оцінку чи дію, і тільки потім обираємо модель.

Часті сумніви: точність моделі та зв'язок з обліком

Точність агромоделі — не властивість алгоритму, а наслідок даних господарства: якщо навчальна вибірка зібрана на інших сортах, ґрунтах і техніці, на ваших контурах вона просяде.

Тому перший крок — аудит накопиченого: історія операцій за полями, метеодані, знімки, журнали агронома. Цього достатньо для робочої версії під вузьку задачу, а не для «ідеального» рішення одразу за всіма культурами.

Нижче — заперечення, які найчастіше звучать на старті, і те, як ми закриваємо їх інженерно.

Уже розгорнута система моніторингу — доведеться її змінювати?

Ні. Підключаємося до наявних джерел через штатні інтерфейси, вирівнюємо координати, календар обробок і довідники культур, доповнюємо відсутні шари. Чинний контур моніторингу та облікова система залишаються на місці, результати повертаємо в них же.

Техніка працює без стабільного зв'язку. Як це враховано?

Розрахунок ставиться на бортовий обчислювач: розпізнавання йде локально, канал потрібен лише для синхронізації результатів і оновлення моделі. При зникненні зв'язку техніка продовжує працювати, дані довантажуються пізніше без втрати операцій.

Модель не деградує через сезон?

Дрейф неминучий: змінюються сорти, агротехніка, погода. Закладаємо контроль якості за класами й регламент донавчання на свіжих даних. Коли точність падає нижче порогу, система не видає рекомендацію, а позначає ділянку як таку, що потребує перевірки агронома.

Хто відповідає за якість розмітки?

Розмітку ведемо ми за узгодженим регламентом, спірні випадки надсилаємо агроному на підтвердження. Ви отримуєте датасет з версіонуванням і описом класів — відтворюваний, його можна перевикористовувати й розширювати.

Обговоримо задачу: що надіслати для оцінки проєкту

Оцінка проєкту ШІ впирається не в опис ідеї, а в стан вихідних відомостей про господарство. Готове технічне завдання не потрібне — достатньо того, що вже є в роботі: вивантаження з облікових систем, журнали операцій, записи агрономів, знімки полів.

Нижче мінімальний набір даних для старту проєкту, після якого ми повертаємося з оцінкою обсягу робіт і планом першого етапу.

• Що розв'язуємо: яке рішення людина ухвалює сьогодні, за якою ознакою, як часто і з якою затримкою.
• Які дані вже є: з яких систем надходять відомості про поля, культури, техніку й урожай і з якою періодичністю оновлюються.
• Глибина історії: скільки сезонів спостережень збережено і чи потрапляють у них різні погодні умови.
• Чим підтверджений результат: хто і як фіксував фактичні результати — за ними перевіряємо, чи відтворюється закономірність.
• Обмеження ділянки: неоднорідність ґрунтів, зони з особливим режимом обробки, поля без стабільного зв'язку.
• Куди вбудовуємо висновок: яка система або робочий процес отримує результат — оповіщення, карта, рекомендація в полі.
• Хто відповідає за впровадження з вашого боку і які доступи готові відкрити на першому етапі.

За цим набором ми називаємо обсяг робіт, ризики щодо даних і межі першого етапу — зазвичай це перевірка гіпотези на обмеженій ділянці з вимірюваним критерієм. Опишіть задачу своїми словами: відсутнє уточнимо питаннями, а не запитом на підготовку документів.