Maanviljely on parhaillaan suuren teknisen murroksen keskellä, jota jotkut kutsuvat nimellä Farming 4.0. Tätä muutosta vauhdittavat autonomiset koneet, joissa on runsaasti tunnistavia ja prosessoivia piirejä. Nämä koneet keräävät ja analysoivat dataa, jonka perusteella voidaan reaaliaikaisesti tehdä päätöksiä tuottavuuden, tehokkuuden, ympäristökestävyyden ja kustannustehokkuuden parantamiseksi.
 Artikkelin kirjoittaja Monica Houston johtaa Tria Technologiesilla tekoälyyn ja koneoppimiseen keskittyvää tiimiä. Hän on ollut viime vuonna Triaksi muuttuneen Avnet Embeddedin palveluksessa vuodesta 2020. Houstonilla on tietotekniikan tutkinto Washingtonin yliopistosta ja lisäksi taiteen tutkinto Penn Staten yliopistosta. |
Tekoälypohjaisten reunalaskentajärjestelmien lisääntyvä käyttö on muuttamassa maataloutta. Perinteiset maatalouskoneet, kuten traktorit, leikkuupuimurit ja kastelujärjestelmät, on nykyisin varustettu antureilla ja prosessoreilla, jotka pystyvät keräämään dataa, käsittelemään sitä paikan päällä ja tekemään päätöksiä sopivien ja ajallisesti oikeiden toimenpiteiden toteuttamiseksi.
Tekoälypohjaiset järjestelmät valvovat esimerkiksi, tarvitsevatko kasvit lisää vettä, onko maaperässä riittävästi ravinteita, tai uhkaavatko kasveja ja karjaa pedot tai taudit. Nämä järjestelmät eivät toimi pelkästään informointikanavana viljelijöille, vaan ne pystyvät myös löytämään oikeita ratkaisuja niin, että käyttäjän tarvitsee puuttua tilanteeseen mahdollisimman vähän.
Tekoälyn avulla voidaan myös vähentää koneiden ylläpidosta ja huollosta aiheutuvia kustannuksia ja huolia. Ennakoiva ylläpito hyödyntää koneoppimisen tekniikoita esimerkiksi tunnistamalla poikkeavia tilanteita ja ennakoimalla laitevikoja ennen niiden esiintymistä, perustuen laitteista kerättävään värähtely- ja audiodataan. Näin pienennetään kustannuksia ja minimoidaan seisonta-aikaa.
Mistä on kysymys?
Teollisuusjärjestelmissä on tavallista, että useilta antureilta koottu data lähetetään pilvipalvelimelle prosessoitavaksi ja analysoitavaksi päättelykyvyn parantamiseksi ja pitkän aikavälin strategisen suunnittelun tueksi. Sama periaate pätee maataloudessa, mutta peltojen ja maatilojen etäiset sijainnit tekevät suurten datamäärien luotettavasta pilvilatauksesta haastavaa.
Tekoälypohjainen paikallinen prosessointi on ratkaisu tähän ongelmaan. Sirulle upotettu tekoäly mahdollistaa nopean ja älykkään päätöksenteon, mikä vähentää tarvetta lähettää suuria datamääriä pilvipalvelimeen analysoitavaksi. CPU-, GPU-, erillis-ASIC- ja NPU-piirit – joista monet ovat tekoälyllä varustettuja – soveltuvat paikan päällä tapahtuvaan datankäsittelyyn.
Markkinatutkimusyhtiö Grand View Research ennustaa, että tekoälypohjaisten piirien maailmanmarkkinat kasvavat 16 miljardista Yhdysvaltain dollarista vuonna 2023 noin 120 miljardiin dollariin vuoteen 2030 mennessä, mikä vastaa keskimäärin 33,9 prosentin vuotuista kasvua.
Tekoälymoduulit maatalouden käyttöön
Tekoälypohjaiset paikallissovellukset saavat tehonsa sulautetuista laskentamoduuleista, joissa nämä tekoälyvalmiit prosessorit sijaitsevat. Tria Technologies tarjoaa laajan valikoiman tietokonemoduuleja (COM), jotka on suunniteltu yhteistyössä eri CPU-toimittajien, kuten AMD:n, Intelin, NXP:n ja Renesaksen kanssa.
Erityisesti mainitsemisen arvoinen on yhteistyö Qualcommin kanssa, jossa Tria kehittää uuden sukupolven laskentamoduuleja Qualcommin tehokkaisiin ARM-pohjaisiin Dragonwing- ja Snapdragon-prosessoreihin perustuen. Uusimmat Tria SMARC -moduulit soveltuvat monenlaisiin sovelluksiin, joissa tarvitaan älykkäiden maatalousjärjestelmien vaatimusten täyttämistä — kuten konenäköä, poikkeamien tunnistusta, anturidatan keruuta ja analysointia sekä ääniarviointia.
Sulautetut tietokonemoduulit maataloudessa
Tekoälypohjaiset sulautetut tietokonekortit tarjoavat älykkäisiin maataloussovelluksiin monia etuja: kompakteja ratkaisuja, kestävyyttä, joustavuutta ja tehokasta laskentaa. Nämä pienikokoiset kortit voidaan asentaa traktoreihin ja muihin koneisiin, jolloin niillä voidaan ajaa paikallisesti ML- ja AI-malleja.
Trian korttivalikoima tukee useita kameroita, jotka on helposti sovitettavissa maatalouden autonomisiin robotteihin ja drooneihin. Kortit tukevat myös paljon laskentatehoa vaativia tekoälysovelluksia, kuten laajoihin kielimalleihin (LLM) perustuvia sovelluksia, joissa tarvitaan luonnollisen kielen prosessointia. Tulevaisuudessa tämä mahdollistaa sen, että koneet voivat totella puhekäskyjä.
Sulautettujen laskentakorttien piirit tukevat rinnakkaisprosessointia, joka nopeuttaa mallien, kuten konvoluutioneuroverkkojen (CNN), käsittelyä. Erikoistuneet prosessorit pystyvät suorittamaan tällaisia tehtäviä suurella nopeudella ja alhaisella tehonkulutuksella, jolloin virtaa voidaan tuottaa akuilla tai aurinkoenergialla.
Trian vähän tehoa kuluttavia tekoälykortteja käytetään esimerkiksi poikkeamien tunnistamiseen kastelujärjestelmissä, joissa vuotokohtia ennakoidaan yhdistämällä audiodataa ja kiihtyvyysantureiden mittaustietoja.
Tekoäly maatalouden käytännöissä
Maatalouden harjoittajien keskuudessa on käynnissä useita testiprojekteja, joissa konenäön ja koneoppimisen avulla pyritään tunnistamaan kasvi- ja eläintauteja. Eräässä tällaisessa ohjelmassa kasvitautien määrittely perustuu tartunnan saaneiden kasvien lehdistä otettuihin valokuviin. CNN-verkko on koulutettu olemassa olevan lehtikuvatietokannan pohjalta tunnistamaan taudit 96 prosentin tarkkuudella. Tauti voidaan määrittää nopeasti ja asianmukaiset toimenpiteet voidaan aloittaa ennen sen leviämistä.
Konenäköä hyödynnetään myös ruiskutusprojekteissa, joissa robotit ja droonit kastelevat kasveja ja ruiskuttavat rikkakasvien torjunta-aineita tarkasti valittuihin kohtiin. Tällaiset robotit toimivat joko autonomisesti anturien avulla navigoiden tai manuaalisesti sovellusten ohjaamina.
Yksi autonomisten maatalouskoneiden eduista on se, että kuljettajattomat koneet voivat olla pienempiä ja kevyempiä, jolloin maaperä painuu vähemmän ja maanmuokkauksen tarve vähenee. Konenäön avulla järjestelmät pystyvät tunnistamaan täsmällisesti ne rikkakasvit, jotka on käsiteltävä torjunta-aineella. Näin torjunta-aineiden käyttö vähenee merkittävästi, mikä säästää kustannuksia, lisää ravinteikkaan ruoan tuotantoa ja edistää ympäristön hyvinvointia.
Trian tekoälypohjaiset ratkaisut
Yhteistyökumppaneilleen ja asiakkailleen Tria tarjoaa valikoimansa kautta monipuolisia ratkaisuja. Yhtiö suunnittelee kortteja sovelluksiin yhteistyöyritysten määrittämien suorituskykyvaatimusten ja spesifikaatioiden mukaisesti.
Trian yhteistyö emoyhtiönsä Avnetin kanssa varmistaa, että asiakkailla on käytössään tuotevarasto, joka takaa osien saatavuuden jopa 15 vuoden käyttöajalle, eikä asiakkaan tarvitse pelätä tuotteiden vanhenevan tänä aikana.
Tria tekee tuotekehitystä ja integroi kortteja ja piirejä asiakasjärjestelmiin, jolloin teknisiä ongelmia ja aikaa vieviä suunnittelukierroksia voidaan välttää jo tuotekehitysvaiheessa, etenkin nyt, kun tekoäly on keskeinen osa uusia ratkaisuja.
Prosessorin valinta tekoälypohjaisiin sovelluksiin voi kuitenkin olla haastavaa. Trian valikoimissa on laaja joukko tekoälypohjaisiin prosessoreihin perustuvia järjestelmämoduuleja (SOM), mukaan lukien SMARC-standardin mukaisia yhteensopivia peruskortteja ja referenssisuunnitteluja, jotka sisältävät esimerkkiohjelmistoja koneoppimissovelluksiin.
Näiden ominaisuuksien ansiosta asiakkaat voivat suunnitella tekoälypohjaisia reunalaskentasovelluksia entistä tehokkaammin, reagoida nopeasti uusiin vaatimuksiin ja välttää aikaa vievät ja kalliit suunnittelukierrokset — parantaen näin tuotteidensa menestystä.
