Në korrik, një fermer në Chuzhou të Kinës iu drejtua një asistenti të inteligjencës artificiale (IA) për ndihmë. Ai kishte nevojë për një plan për të kontrolluar barërat e këqija dhe dëmtuesit në fushat e tij. Modeli prodhoi atë që një gazetar i Futurism më vonë e quajti “një koktej agrokimikatesh”. Fermeri e spërkati këtë përzierje në 25 hektarë të mbjella. Deri të nesërmen, çdo fidan susami kishte ngordhur, duke i shkaktuar atij një dëm prej rreth 150,000 juanësh, ose rreth 18,000 euro.
Kur Wu e pyeti chatbot-in se çfarë shkoi keq, IA pranoi se kishte bërë gabime. Përzierja që propozoi ishte e përshtatshme për barërat e këqija me gjethe të gjera. Por susami klasifikohet gjerësisht si një bimë me gjethe të gjera, ndaj nuk ishte kurrë opsioni i duhur që në fillim. Një gabim tjetër ishte sugjerimi për spërkatjen e të gjithë fushës në vend të përdorimit të një aplikimi të synuar.
Sado e tmerrshme të jetë, ky është vetëm një shembull i dështimit të IA-së. Studiues nga SHBA-ja, Britania e Madhe, Kenia, Nigeria dhe Kolumbia testuan kohët e fundit nëse IA gjeneruese mund të zëvendësonte këshilltarët bujqësorë njerëzorë. Me sa duket, nuk mundet.
Sipas punimit të tyre të botuar në Nature Food, ekipi fillimisht u kërkoi chatbot-eve të rekomandonin trajtim për krimbin e ushtrisë (fall armyworm), një dëmtues që shkatërron të mbjellat e misrit në mbarë botën. Në përgjigje, modelet GPT-3.5 dhe GPT-4 të OpenAI dhanë këshilla shumë të paqarta për pesticidet.
Më pas, studiuesit simuluan pyetje nga fermerët e kasavës në Nigeri. ChatGPT rekomandoi herbicide specifike, por dha kohën e gabuar të aplikimit. Ndiqja e asaj këshille do t’i kishte shkatërruar të mbjellat, duke kërcënuar sigurinë ushqimore për miliona njerëz, pasi Nigeria është prodhuesi më i rëndësishëm i kasavës në Afrikë.
Ajo që është më shqetësuese është se këto gabime mund të bëhen më të shpeshta. Me rritjen e kostove të punës, tokës dhe pajisjeve, shumë fermerë nuk mund të përballojnë më këshillat profesionale. Për më tepër, ka një mungesë të theksuar të agronomëve të trajnuar. Punonjësit e shërbimeve këshillimore rrallë arrijnë në fushat më të izoluara të botës, si ato në Amerikën e Jugut dhe Afrikë, ndërsa fermerët në ato rajone nuk mund të udhëtojnë qindra kilometra për të marrë pjesë në seminare për të përmirësuar njohuritë e tyre.
Në vend të kësaj, ata shpesh mbështeten te agjencitë këshillimore me bazë në kryeqytete. Por atyre u mungojnë si fondet ashtu edhe stafi për të përditësuar udhëzuesit e tyre të vjetëruar ose për të ndjekur tendencat e reja bujqësore. Kështu, fermerët u drejtohen asistentëve dixhitalë. Sipas një sondazhi të fundit të McKinsey, rreth 17 për qind e fermerëve në mbarë botën përdorin tashmë IA gjeneruese në vendimet e përditshme. Kjo është më shumë se çdo teknologji tjetër e re në sektor, duke përfshirë robotikën dhe makineritë me energji elektrike, raportoi Bloomberg.
Për të qenë të drejtë, vetë IA nuk është problemi. Problemi është se shumë fermerë u drejtohen chatbot-eve të IA-së me qëllim të përgjithshëm, si ChatGPT apo Claude, për këshilla. Këto mjete njohin llojet e të mbjellave, klasat kimike, praktikat standarde dhe kalendarët shkollorë të mbjelljes. Por ato nuk janë trajnuar posaçërisht për qëllime bujqësore. Për shembull, ato nuk do të kërkojnë të dhënat e nevojshme nga përdoruesi përpara se të japin këshilla. Si rezultat, përgjigjet e tyre mund të tingëllojnë profesionale, ndërkohë që mund të jenë të padobishme apo edhe të dëmshme.
Ka një mënyrë për ta rregulluar këtë: trajnimin e një modeli të IA-së për qëllime agronomike. Kjo kërkon dy hapa. Së pari, modeli mëson nga të dhënat reale për një fushë të caktuar: imazhet satelitore, korrjet e kaluara, motin aktual dhe fazën e rritjes së bimës. Së dyti, ai mëson nga agronomët profesionistë, të cilët e mësojnë se si të reagojë në situata të ndryshme. Ato mësime gjithashtu vendosin kufij për atë që modeli do të thotë. Nëse ai e di se çfarë kulture është mbjellë, nuk do të rekomandojë një herbicid që është i ndaluar për atë kulturë.
Për të kuptuar më mirë se si funksionon kjo, imagjinoni një fermer që duhet të spërkatë një fushë me grurë për të hequr qafe barërat e këqija. Një chatbot standard i IA-së mund të mbështetet në tekste të përgjithshme dhe të sugjerojë një kimikat të fortë. Por për shkak se nuk mund ta shohë fushën reale, ai nuk i di dy gjëra kritike: që gruri është në një fazë delikate të rritjes ku ky kimikat do ta shkatërrojë të mbjellën, dhe se erërat e forta të së nesërmes do ta shpërndajnë spërkatjen në tokat fqinje. Ndiqja e këshillës së IA-së mund të shkatërrojë korrjen.
Përkundrazi, një IA e lidhur me të dhëna reale kontrollon fillimisht fotot satelitore dhe raportet e motit. Ajo identifikon automatikisht erërat e forta, njeh faktin se gruri është shumë delikat për kimikate të caktuara dhe zgjedh një alternativë të sigurt. Ajo gjithashtu bën pyetje kur informacioni është i paqartë ose mungon. Pastaj, i tregon fermerit saktësisht se ku të spërkatë, duke përdorur koordinata ose një hartë pune që synon vetëm zonat me barëra të këqija. Në fund, kjo kursen para dhe mbron rendimentet e ardhshme.
Duke thënë të gjitha këto, të presësh që fermerët të mbledhin gjithë këtë informacion dhe ta fusin në një mjet të përgjithshëm të IA-së nuk është realiste. Kjo kërkon kohë që shumica e fermerëve nuk e kanë, si dhe njohuri teknike. Për më tepër, fermerët nuk kanë kohë të bëjnë hyrje të dhënash rregullisht.
Kjo është arsyeja pse unë besoj se do të shfaqet një treg i ri: ai i asistentëve të specializuar bujqësorë të IA-së me akses të integruar në panele kontrolli dhe imazhe satelitore, duke lejuar lëvizshmëri të pandërprerë midis burimeve të të dhënave dhe duke e bërë informacionin e saktë, specifik për fushën, shumë më të lehtë për t’u aksesuar dhe për të vepruar mbi të.
Ky treg po merr formë tashmë. Disa asistentë mund të rishikojnë shtresat e të dhënave satelitore, t’i analizojnë ato vizualisht dhe t’u përgjigjen pyetjeve si “Çfarë ka ndryshuar në 48 orët e fundit?” në gjuhë të thjeshtë. Disa produkte gjithashtu u lejojnë fermerëve të dërgojnë mesazhe zanore duke përshkruar atë që kanë aplikuar. Agjenti i arkivon ato detaje në pjesët e duhura të sistemit dhe i ruan si kontekst. Kjo e bën më të lehtë mbajtjen e shënimeve të fushës të përditësuara, gjë që ndihmon modelin të japë përgjigje më të dobishme.
Mjete të tilla mund t’i ndihmojnë fermerët të kuptojnë të dhënat e tyre të fushës, të dallojnë ndryshimet kuptimplota dhe të shpenzojnë më pak kohë duke bashkuar burime të shumta. Me pak fat, një valë e këtyre mjeteve të ndërtuara për qëllime specifike do të ndihmojë në eliminimin e gabimeve të kushtueshme në bujqësi, në mënyrë që më shumë fermerë në mbarë botën të mund të lulëzojnë në vend që të humbasin të mbjellat, paratë dhe vullnetin e tyre.
Ky artikull u prodhua si pjesë e TechRadar Pro Perspectives, kanali ynë për të shfaqur mendjet më të mira dhe më të ndritura në industrinë e teknologjisë sot.
Burimi: TechRadar.com

