كيف تعلم الآلات هو تحقيق أفضل قدر من التوقيت والعمليات

ويعد الجدول الزمني للعمل أمرا بالغ الأهمية بالنسبة للمحاصيل ذات القيمة العالية التي تتطلب مصانع ماهرة، ويمكن للنظم أن تقترح أي لبنات للحصاد أولا على أساس سرعة التمزق وأقساط السوق، بما يكفل اختيار أكثر الفواكه قيمة عند ذروتها، بل إن بعض البرامج تتضمن بيانات إنتاجية العمال لتخصيص أفرقة إلى المناطق التي تعمل فيها بأكثر كفاءة.

المعدات والنفقات على النحو الأمثل

أما أجهزة الحصاد فهي مكلفة ويمكن أن يكون الوقت المعطل كارثياً، إذ تنبأ نماذج التعلم في مجال الآلات بفشل المعدات عن طريق تحليل أنماط الاهتزاز ودرجة حرارة المحرك وتاريخ الاستخدام من أجهزة الاستشعار التي تستخدم فيها مادة إيوت، مما يتيح للمزارعين تحديد مواعيد الصيانة الوقائية قبل حدوث الانهيار، وتجنب التأخيرات في التكلفة خلال نافذة الحصاد الضيقة، وبالمثل، يمكن للحركة أن تحقق أفضل الظروف التي تجمع فيها كميات الوقود (السرعة القصوى للخسارة في استهلاك الوقود، والوقت الحقيقي، وسرعة).

وبالنسبة لبسات الفواكه، يمكن لنظم الرؤية الحاسوبية على أجهزة جني الرافعات أن تكتشف موقع الفواكه ونضجها، أو توجه الأسلحة الآلية أو تساعد المخلفات البشرية على زيادة حجم الواقع، وقد طورت شركات مثل Harvest CROO روبوتات تلتقط الفراولة تستخدم التعلم العميق لتحديد وتطهير الجعة في اليوم 24،

التكامل مع نظام مراقبة التلقائية والتوقيت الحقيقي

ويتحقق الوعد الكامل بالتعلم الآلي للعمليات عندما يكون مدمجاً مع نظم مستقلة، ويمكن للطائرات العمودية أن تطير في مسارات مبرمجة مسبقاً لكشف الحقول وتغذي بيانات التمزق في الوقت الحقيقي إلى نموذج مركزي، وهذا النموذج، بدوره، يأمر المحصولين المستقلين ببدء أو وقف مسارات محددة، ويمكن لهذا النظام المغلقة أن يتكيف مع التغيرات المناخية المفاجئة أو الإنذارات الحشرية دون تدخل بشري.

التغلب على التحديات في مجال اعتماد التعلم في مجال الآلات

نوعية البيانات، الكمية، وأخذ العينات في التمثيل

فالتعليم الماكنة لا يعدو أن يكون جيداً كما هو الحال بالنسبة للبيانات التي يدربها، إذ يفتقر العديد من المزارع إلى سجلات تاريخية كافية لبناء نماذج قوية، لا سيما عندما تكون المحاصيل جديدة في المنطقة أو عندما تكون الأحداث الجوية الشديدة نادرة، كما أن البيانات التدريبية المخففة يمكن أن تؤدي إلى تنبؤات ضعيفة - مثلاً، قد لا يُسمح باختلال نموذج يتم تدريبه إلا على السنوات المشمسة، وفي مواجهة ذلك، يقوم الباحثون بتطوير تقنيات توليد البيانات الاصطناعية، والتعلم عن طريق النقل.

الهياكل الأساسية وضبط الانتقائية

وكثيرا ما تكون المناطق الريفية ذات قدرة اتصال ضعيفة على الإنترنت، مما يجعل من الصعب تيار الصور الساتلية العالية الاستبانة أو بيانات الاستشعار الى الخواديم السحابية.(10) ومع توسع شبكات الغازات العاملة، فإن هذه القيود ستخفف الآن، ولكن بالنسبة للضرورة العملية، فإن هذه القيود ستؤدي الى تيار سريع.

الثقة وإمكانية الترجمة الشفوية

فالفلاحون بحاجة إلى الثقة بالتوصيات قبل أن يتصرفوا عليها، وكثيرا ما ترفض نماذج " الصندوق الأسود " التي لا تقدم تفسيرا لتوقعاتهم، وتقترح تقنيات الترجمة الشفوية الحديثة - مثل برنامج SHAP (SHapley Additive exPlanations) أو " LIME " (الصورة المحلية للتنبؤات النموذجية - التشخيصية) - أن تبرز المتغيرات التي دفعت إلى توصية معينة بشأن تاريخ الحصاد.

كما أن التدريب والدعم من علماء الزراعة مهمان، وعندما يرى المزارعون أن التعلم الآلة يتفوق باستمرار على حدسهم الخاص على مدى عدة مواسم، يتسارع التبني.

الاتجاهات المستقبلية في مجال التعلم في مجال الصناعات الآلاتي للعمليات الحصاد

بؤرة التعلم والحساب

وسيؤدي الجيل القادم من نماذج الحصاد إلى زيادة شبكات الظواهر العصبية الكبيرة وتركيب المحولات، على غرار ما يستخدم في تجهيز اللغات الطبيعية، ويمكن لهذه النماذج أن تجهز بيانات متعددة الوسائط - تجمع الصور وتسلسلات الطقس والتقارير النصية من الكشافات - لإنتاج توقعات أكثر دقة، وستتجاوز رؤية الحاسوب تصنيف التمزق البسيط إلى مهام مثل تقدير العائد من الصور التي سبقت الصيد في الأمطار، قبل أشهر من الرش.

Integration with Climate Models and Long-Range Forecasting

ومع أن تغير المناخ يعطل المواسم التقليدية للنمو، فإن نماذج التعلم الآلات التي تتضمن توقعات المناخ الطويلة الأجل ستصبح أساسية، ويمكن لهذه النماذج أن تساعد المزارعين على التخطيط ليس فقط لمحصد الأسبوع المقبل، بل أيضاً للأصناف التي ستُستخدم في السنوات النباتية القادمة، ومن خلال الجمع بين التنبؤات المناخية الموسمية ونماذج علم المحاصيل الزراعية، يمكن للمزارعين توقع ما إذا كان سيتم التعجيل بالتمزيق أو تأخيره وتعديل جداولها التشغيلية تبعا لذلك.

نماذج المزارع ذات الطابع الشخصي والتوائم الرقمية

والهدف النهائي هو التوأم الرقمي لكل مزرعة - وهو تكرار دينامي وافتراضي يحفز كل ميدان وشجرة وأجهزة في الوقت الحقيقي، وسوف يستكمل التعلم الماكين باستمرار التوأم ببيانات الاستشعار، مما يتيح للمزارعين إدارة سيناريوهات " ماذا لو " : هل ينبغي أن أجني اليوم أو أنتظر يومين؟ وما الذي يحدث إذا تأخرت أسبوعا؟ هذه المحاكاة ستؤدي إلى تحقيق الحد الأمثل ليس فقط التوقيت بل إلى سلسلة الإمداد بالمحاصيل الرقمية.

وعلاوة على ذلك، سيمكن التعلم في مجال النقل من تكييف النماذج التي تم تدريبها في إحدى المزارع بسرعة مع نماذج أخرى ذات بيانات ضئيلة، مما يعجل بالتبني في مختلف المناطق وأنواع المحاصيل.

خاتمة

فالتعليم الماكنة ينتقل من المشاريع التجريبية إلى أداة عملية تحسن بشكل أساسي توقيت عمليات الحصاد، ومن خلال صقل مسارات متنوعة للبيانات - الصور الساتلية، والتنبؤات الجوية، ومستشعرات التربة، والمقاييس عن بعد - تقدم هذه الخوارزميات بصيرات دقيقة وقابلة للتطبيق تقلل من النفايات، وتحسن نوعية المحاصيل، وتخفض تكاليف التشغيل، وتتمكن التكنولوجيا المزارعين من الاستجابة بصورة دينامية للتغيرات، سواء من حيث الطقس أو الزراعة.

وكما هو الحال بالنسبة للحوسبة، فإن 5G، والنماذج المتقدمة المتعلقة بالآفات، ستظل الحواجز أمام الدخول تتقلص، وسيكتسب المزارعون التقدميون الذين يستثمرون الآن في الهياكل الأساسية للبيانات وقدرات التعلم الآلات درجة تنافسية، ويتطلب الانتقال اهتماما دقيقا لنوعية البيانات، وقابلية التفسير النموذجية، والتدريب على المزارعين، ولكن الدفع كبير: المحاصيل التي ليست أذكى فحسب بل أكثر استدامة أيضا، ولن يحل التعلم الآلام محل اللحظات التي يتحول بها إلى مرحلة الاستن.