25.10.2021
Мировой опыт сегодня не дает твердого и однозначного ответа на этот вопрос. А экспертные оценки внедрения в малый аграрный сегмент инструментов 4.0, как правило, уклончивы и осторожны. Почему?
Рассуждая в одной из статей о трудностях внедрения дата-платформ в промышленности, мы уже отмечали, что по причине отсутствия достаточного объема данных и дороговизны самих IT-решений они являются уделом исключительно индустриальных гигантов. Корректно ли подобное утверждение в отношениии сельского хозяйства и фермеров с точки зрения глобальной конъюнктуры? С одной стороны, наборы решений в области нейросетей, машинного обучения, обработки больших данных или машинного зрения для небольших хозяйств – нелегкое бремя, с другой – в глобальной базе данных поисковой бизнес-платформы Crunchbase по направлению «сельское хозяйство и фермерство» можно найти чуть менее полутора тысяч стартапов и десятки тысячпрофильных IТ-разработчиков. Российский рынок в сфере умного фермерства, биотехнологий и точного земледелия насчитывает до семи десятков стартапов.
Известная отстраненность взгляда на зарубежный опыт помогает не только оценивать «с высоты» общую картину цифровизации малого сегмента аграрной отрасли, но и пробовать ее экстраполировать на состояние отечественного умного фермерства, а в силу схожести процессов и технологий и на другие сектора.
Глобальный прогноз аналитиков MarketsandMarkets:
- рост расходов на умные технологии в сельском хозяйстве к 2025 году – до 15,3 млрд долл. (трехкратный по отношению к 2020 году);
- рост затрат хозяйств на технические решения с ИИ к 2026 году – до 4 млрд долл. (четырехкратный по отношению к 2020 году).
Когда идет речь о развитии технологий искусственного интеллекта (ИИ) в аграрной отрасли, имеется в виду прежде всего точечное использование датчиков и дронов в экспериментальных хозяйствах, но широкого внедрения таких решений не наблюдается. В общей массе их совсем немного, особенно в сегменте малых хозяйств. Несмотря на возможности точного земледелия, раннего обнаружения вредителей и болезней, для большинства фермеров они, увы, нередко дороги и избыточны.
Также важно понимать, что само по себе сельское хозяйство – довольно инертная и консервативная отрасль. Революционные перемены здесь случаются не просто редко, а крайне редко. И шаги к прогрессу измеряются не годами или десятилетиями, а скорее веками и тысячелетиями.
- IV–III тыс. лет до н. э. – переход к регулярному земледелию;
- IV–VI века н. э. – внедрение плуга и трехпольного севооборота;
- XX век– внедрение сельхозтехники, аграрных химикатов и искусственного оплодотворения, появление электрификации и гибридных сортов зерновых;
- XXI век– начало внедрения в сельское хозяйство технологий индустрии 4.0.
При всем этом демографы ожидают к 2050 году увеличения человеческой популяции до 10 млрд человек, необходимость обеспечивать которую продуктами питания никто не отменял. И решение проблемы заключено не в радикальном увеличении обрабатываемых площадей, а вповышении интенсивности их использования. Ляжет ли эта задача прежде всего на плечи средних и малых технологических компаний, неизвестно, но сегодня фермерскими хозяйствами производится до 80% всей сельхозпродукции в мире и интерес фермеров к новейшим техническим решениям в сельском хозяйстве объективно есть. О каких же направлениях применения ИИ в животноводстве, выращивании зерновых, овощей и фруктов можно вести речь? Эксперты выделяют четыре основных, каждое из которых мы рассмотрим ниже с теоретической и практической точек зрения.
ПОСТАНОВКА ВОПРОСА
В земледелии высока вероятность того, что участки одного поля могут иметь разный состав грунта, рельеф и иные условия. При этом полив и внесение удобрений осуществляется сплошным ковром. В результате где-то наблюдается переизбыток ресурсов, а где-то – дефицит.
ПРАКТИКА 4.0
Такая проблема решена, например, в китайской провинции Гуйчжоу, где есть климат, позволяющий использовать технику и центры обработки данных без дорогостоящих охлаждающих систем, а такжедешевая рабочая сила. На нескольких «ИИ-фермах» датчики, объединенные в сеть интернета вещей, научились отслеживать ключевые показатели, необходимые для оптимального ведения хозяйства: освещенность участка, температуру, влажность почвы. В итоге решение выдает рекомендации для каждого квадратного метра поля, что ведет к экономии химикатов,семян иводы.
ПОСТАНОВКА ВОПРОСА
Траектория движения техники при распашке полей и уборке урожая зерновых проста и понятна. Здесь нет препятствий в виде объектов, людей или другого транспорта. Единственный «сложный» маневр водителя на поле – это разворот.
ПРАКТИКА 4.0
Компания Cognitive Pilot, включенная в экосистему «Сбера», в ходе летнего агротехнического сезона-2021 запустила в ряде российских хозяйств проект по использованию управляющего сельхозтехникой робота-помощника, который дает возможность механизатору лучше контролировать качество уборки и обработки урожая. А американский разработчик тракторов с автопилотом John Deereв августе 2021 года анонсировал создание стартапа Bear Flag Robotics, перед которым поставлена задача довести до ума технологию полной автономности техники. К слову, первый концепт трактора, не предусматривающего места для водителя в кабине, в 2016 году представлен CNH Industrial.
ПОСТАНОВКА ВОПРОСА
Проверка состояния стада или осмотр участков полей сегодня фермерами производится визуально, что неплохо работает в совсем небольших хозяйствах. Однако при больших поголовьях и масштабных посевных площадях для выявления болезней на ранних стадиях ресурсов оказывается недостаточно.
ПРАКТИКА 4.0
На прибрежных лососевых фермах в Норвегии для раннего выявления заболевания рыбы морскими вшамииспользуются стереоскопические камеры. IT-решение избавляет производителей от ежегодных убытков в сотни миллионов долларов и в ближайшее время должно стать в стране отраслевым стандартом, а, в свою очередь, дроны, оснащенные компьютерным зрением, регулярно мониторят поля на предмет изменений цвета колосьев и листьев и также стада, регистрируя изменения весовых показателей животных.
ПОСТАНОВКА ВОПРОСА
На урожайность зерна, овощей или фруктов в принципе влияет огромное количество факторов, а предсказывать результат своей деятельности в случаях введения новых сортов или применения пестицидов и других технологий фермерам становится вообще невероятно сложно.
ПРАКТИКА 4.0
В IT-платформах информация, собранная сенсорами, дронамиили спутниками, анализируется алгоритмами с машинным обучением и облачными вычислениями, которые оперируют в том числе историческими данными об изменении климата, создаются карты полей, выявляются паттерны. В итоге фермер может рассчитать урожайность с каждого участка и даже изменение цены на свою продукцию, оптимизировать расход ресурсов. Такова, к примеру, одна из аргентинских цифровых платформ. А для выращивания сельхозпродуктов в небольших домашних контейнерах одна из израильских технологических компаний использовала алгоритмы ИИ для подбора оптимальных условий по освещению и влажности.
Использование технологий ИИ применительно к сельскому хозяйству в последнее время имеет тенденцию к расширению, но целый ряд объективных причин тормозит этот процесс. Попробуем здесь выделить и систематизировать ключевые.
1. Сельские местности продолжают обладать дешевой рабочей силой, поэтому технологии ИИ для массового сельхозпроизводителя продолжают оставаться дорогими и избыточными. При этом свободные средства предпочтительно вкладывать в переоснащение существующего технического парка.
2. Высвобождение работников с заменой их роботизированной техникой может запуститьсоциальные проблемы.
3. Часто рост урожайности не делает фермеров и агрокомплексы богаче, а приводит к обвалу закупочных цен у посредников. Стимул к внедрению дорогостоящих инноваций в такой ситуации исчезает.
4. Отличительной чертой аграрной отрасли является очень долгий цикл проверки гипотезы и отработки новых технологий. Кроме этого, для каждой локальной особенности климата, влажности, рельефа или состава грунта он дополнительно усложняется.
5. Для внедрения решений на основе ИИ требуется базовая техническая и цифровая оснащенность, как минимум размещение вычислительных и обрабатывающих мощностей и устойчивое высокоскоростное интернет-покрытие.
6. Для беспилотных летательных аппаратов законодательствами разных стран и регионов устанавливается все больше ограничений на использование.
7. Обучение и запуск одной ИИ-системы – энергетически затратный процесс, оставляющий углеродный след, эквивалентный выбросу 284 тоннCO2, что примерно в 5 раз больше суммарных выбросов одного автомобиля за весь жизненный цикл.
При подготовке публикации использовались материалы РБК.
