农业已为人工智能做好准备，但其数据还没有

人工智能正在改变农业的可能性，但行业领导者在没有先奠定基础的情况下投资人工智能应谨慎。这些用例很有前景，特别是对于一个面临化肥成本波动、天气不可预测以及利润几乎没有犯错空间的行业来说。研究表明，基于人工智能的预测模型可以将农作物产量提高 26%，用水量减少 41%，化学品使用量减少 33%。然而，人工智能供应商通常不会告诉你的是，只有拥有干净、坚实的数据基础，这些解决方案才有效。然而，在 Reltio，我们在这方面拥有丰富的经验，包括为一家主要农产品分销商制定领先的技术战略以及构建供全球企业使用的数据平台——我们亲眼目睹了这一点。人工智能供应商不会告诉您的内容 农业领域的供应商对话往往遵循熟悉的模式。此次推介会提出了利用人工智能实时监测作物健康状况、优化灌溉并提高每英亩产量的宏伟承诺。这个承诺是令人信服的，但很少出现的是这些承诺背后的数据基础是否准确和完整的问题。如果不是，人工智能将面临真正的重大风险，即产生误导性的输出，这些输出看似权威，但激发的行动充其量只能适得其反。例如，输入不一致的历史数据的产量预测模型将产生不精确的预测。同样，利用分散的传感器数据的精准灌溉系统将做出浪费资源而不是节省资源的浇水决策。在每种情况下，人工智能都会失败，因为它所训练的数据不足以产生值得信赖的输出。在农业领域，人工智能的每一次幻觉都是一种责任，而且出错的可能性很高。为什么农业是一个独特且具有挑战性的测试案例现代农业运营或为数千名种植者提供服务的大型分销商的数据环境异常复杂。现代农业环境广泛使用物联网设备和机械。灌溉系统实现自动化，拖拉机自主导航田地，无人机大规模捕捉田间图像。然而，机器数据本质上是不同的。添加外部来源，包括天气反馈、美国农业部数据和第三方市场信息，如何将所有这些整合成一个连贯的东西就成为一项重大任务。农业人工智能还需要了解的不仅仅是客户属性；它需要了解土地：GPS 坐标、农场边界、田块以及单个土地上的土壤变化。您在哪里施肥，施肥量是多少，以及在农场的哪个特定区域？并不是一个领域的所有部分都是相同的，而将它们视为相同的人工智能系统将产生的建议充其量是不精确的，而最坏的则是具有破坏性的。由于所涉及的化学品和责任，还存在合规性问题。与低风险环境中相比，农业中的运营人工智能需要更多的检查和治理。当一项有缺陷的建议在现场得到执行时，后果可能会很严重。数据准备就绪在实践中意味着什么数据准备就绪是人工智能兑现其承诺与“垃圾进、垃圾出”场景之间的区别。从根本上来说，为人工智能做好准备意味着拥有一个能够准确反映业务运营方式的数据模型。对于像 Wilbur-Ellis 这样拥有 104 年历史的家族农业分销商这样的公司来说，这意味着了解您的客户是谁、他们耕种哪些田地、他们需要哪些投入品、这些投入品来自哪些供应商、他们上一季支付的费用以及所有这些都如何进行。