O conhecimento agrícola já alimentou o mundo usando observação empírica. Agora, estamos na era do aprendizado de máquina no campo!
Antes de mais nada, você deve estar se perguntando: mas o que é o aprendizado de
máquina? Por que devo entender mais sobre isso? O aprendizado de máquina (no inglês, machine learning) é um ramo da inteligência artificial (IA) e da ciência da computação que se concentra no uso de dados e algoritmos para imitar a maneira como os humanos aprendem, melhorando gradualmente sua precisão.
Ele é importante porque oferece às empresas uma visão das tendências de comportamento do cliente e padrões operacionais de negócios, além de apoiar o desenvolvimento de novos produtos. Muitas das empresas líderes de hoje, como Facebook, Google e Uber, fazem do aprendizado de máquina uma parte central de suas operações
Imagine você conseguindo entender o comportamento do cliente, sem a necessidade de
perguntar o que ele deseja. Fantástico, certo? Porém, a natureza não nos deu uma base para armazenar informação em grandes quantidades — então, os humanos precisam fazer suposições baseadas no seu
conhecimento prévio. Como resultado, cometemos erros e tomamos decisões que nem sempre são as melhores. De fato, a história do cultivo de alimentos humanos tem sido um exercício de 12 mil
anos de tentativa e erro cumulativos e o desenvolvimento de regras práticas.
As sementes não vêm com manual do proprietário. Embora entendamos parte do funcionamento das plantas, todo o ecossistema é simplesmente muito complexo para resumirmos em um checklist de atividades.
A importância do aprendizado de máquina no campo
- O conhecimento agrícola alimentou o mundo usando observação empírica. Apesar de
vários erros, estamos sempre em evolução. A agricultura é confusa e seus dados são confusos: ao contrário de uma fábrica, onde os engenheiros de produção trabalham incansavelmente para eliminar a variação e apertar as tolerâncias, um campo agrícola é um ecossistema vivo, respirante e
incrivelmente complexo. - Não há dois campos iguais. O solo varia de cm a cm. As plantas crescem e se movem. Uma abordagem estatística para a tomada de decisões (em oposição à certeza matemática) é o melhor que podemos esperar — e, no final das contas, aprendizado de máquina é estatística.
- A tomada de decisões na fazenda é multimodal. O que isso significa é que um agricultor ou seu agrônomo está intuitivamente combinando vários modos diferentes de dados em seu cérebro.
- São inúmeros dados numéricos (como precipitação), dados de séries temporais (como temperaturas), conhecimento de herbicidas, dados visuais (como aparência de plantas), além de dados sensoriais (como cheiros ou sabores sutis, sons e texturas). Todos eles são subconscientemente integrados.
Contexto
Até recentemente, os modelos de aprendizado de máquina não podiam lidar com mais de um tipo de dados. Agora, estão surgindo modelos que podem lidar com muitos tipos de dados diferentes (embora medir sabor, cheiro e textura de uma maneira que possa ser alimentada a um algoritmo ainda seja difícil). Ainda há muito espaço para melhorias.
Por exemplo, 40% dos fertilizantes são desperdiçados devido à aplicação imprecisa. Em média, os rendimentos das culturas são 66% menores do que seu potencial genético por perdas em estresses bióticos (como clima e salinidade do solo) e estresses abióticos (como ervas daninhas e doenças). Espaçamento, datas de plantio, seleção varietal e muitas outras decisões são tomadas com base em suposições. E isso antes mesmo de entrarmos nos genomas das culturas.
O código genético do trigo tem 17 bilhões de pares de bases — isso é quase seis vezes mais DNA do que os humanos. Basta dizer que os especialistas em trigo ainda não conseguem entender o que a maioria desses genes faz.
De qualquer maneira, entendemos que a agricultura é uma indústria a céu aberto e o aprendizado de máquinas é uma excelente ferramenta para lidar com grandes volumes de dados e interpretação por meio de padrões. A Era Tech do Agro chegou e não vai parar!!!
