Mašinsko učenje na japanskim farmama: Kako do bolje poljoprivredne proizvodnje uz veštačku inteligenciju

Pored mnogih altruističkih i futurističkih projekata, mašinsko učenje je moguće koristiti i u cilju automatizacije repetitivnih zadataka i za naizgled svakodnevne svrhe, o čemu smo pisali i ranije.

Problematika sortiranja krastavca

Među takvim primerima jeste i slučaj jednog japanskog farmera. Ubrzo nakon što se inžinjer Makoto Koike, povukao iz IT sveta i odlučio da svojim roditeljima pomaže u uzgoju krastavaca na farmi, uvideo je da se mnogo vremena gubi u procesu sortiranja po boji, obliku, veličini, svežini, oštećenosti, čak i bockavosti koja je pokazatelj kvaliteta ovog povrća.

Na Makotovoj farmi, neophodan je specijalista za ovaj proces zaposlen puno radno vreme. Iako neka automatizovana rešenja na tržištu postoje, ona nemaju mogućnost da tumače teksturu ili svežinu krastavaca, a uz to su i preskupa za manje proizvođače.

Mašinsko učenje i primena u sortiranju krastavaca

Stoga je Makoto odlučio da koristi Google-ov TensorFlow, specifičan po tome što mogu da ga koriste i oni koji se ne bave mašinskim učenjem. TensorFlow je koncipiran tako da se, nakon skidanja koda, uz pomoć tutorijala za adaptaciju, veoma brzo počne sa praktičnom primenom.

Pomoću ovog alata Makoto je podučio računar da precizno sortira krastavac. Proces je počeo učitavanjem velikog broja fotografija krastavaca. Zatim je podučio računar da prepozna da li se na slici uopšte nalazi krastavac. Nakon toga, računar je učio koje atribute slike da analizira – veličinu, zakrivljenost, boju…

Izazovi

Softveru je još uvek neophodna velika količina podataka, naročito ako je u pitanju veći broj mogućih rešenja, kao što je Makotovih devet klasa krastavca. Nakon tri meseca rada, sistem funkcioniše sa 70% tačnosti.

Drugi problem se javlja pri brzini obrade podataka — čak i za slike male rezolucije, koje nisu dovoljne za analizu detalja poput oštećenja ili bodljica, potrebno je preko 60 sati za obradu 7000 slika.

I pored ovih izazova, demokratizacija ovih alata pomera granice primene mašinskog učenja i čini ga dostupnijim malim preduzetnicima kojima će umnogome olakšati posao.