AgTech konzentriert sich auf die falschen Dinge

Ich bin erst mit 37 Landwirt, bzw. Obstbauer geworden. Und ich muss zugeben, dass ich mich bis dahin nicht einmal sehr dafür interessiert habe. Am Anfang meiner Karriere wollte ich die Spitze der Karriereleiter erreichen. Ich habe es nicht bis ganz nach oben geschafft, und mittlerweile will ich es auch nicht mehr. Auf dem Weg habe ich aber ein paar Dinge gelernt – ein paar Dinge, die mich Landwirtschaft und AgTech ein wenig anders sehen lassen als andere, wie es scheint.

Viele Jahre habe ich mich mit der Digitalisierung der Öl- und Gasindustrie, erneuerbaren Energien und der Schifffahrt beschäftigt. Ab etwa 2010 haben wir kleine Schritte in den Bereichen Big Data Analytics, Machine Learning, Internet der Dinge, Datenplattformen und API-Economy gemacht. Wie es mit neuen Technologie-Hypes so geht, war nicht alles so einfach zu implementieren, wie es als Idee erschien. Und jetzt, da ich beobachte, dass dieselben Themen im AgTech-Bereich immer beliebter werden, kann ich mich dem Geühl eines Déjà-vu nicht entziehen.

Digitalisierung in anderen Branchen

Wie die Grafik zeigt, haben die meisten anderen Branchen einen höheren Digitalisierungsgrad erreicht, und natürlich lässt sich die Landwirtschaft davon inspirieren. Die Inspiration ist jedoch fehlgeleitet.

Digitalisierung kann viele verschiedene Dinge bedeuten, aber das meiste, was ich aktuell im Bereich AgTech sehe, ist von anderen Industriesektoren geerbt - es geht um Sensoren, Satelliten, Drohnen und Kameras, die Datenströme erzeugen, die analysiert und für die Entscheidungsfindung verwendet werden können. Es geht noch nicht so sehr um clevere neue Geschäftsmodelle, was nur bedeutet, dass der AgTech-Bereich noch nicht sehr ausgereift ist.

Wir befinden uns also in der gleichen Phase wie damals, als ich anfing, mit denselben Themen in diesen anderen Branchen zu arbeiten. Abgesehen davon, dass damals zumindest das Ziel ziemlich einfach war: Wir wollten Probleme vorhersagen und beheben, bevor sie auftreten, und dadurch Ausfallzeiten vermeiden.

Öl & Gas setzt auf maschinelles Lernen

Stelle dir ein großes Bohrschiff vor, das Tausende von Metern unter dem Meeresboden Löcher bohrt, damit Öl und Gas gefördert werden können. Es kostet etwa 250 000 Dollar pro Tag, und jede Ausfallzeit bedeutet direkt zusätzliche Kosten und Verzögerungen. Der Mehrwert der frühzeitigen Vorhersage eines Problems ist extrem groß.

Ganz konkret bedeutet "Digitalisierung" bei diesem Bohrschiff Folgendes: Es gibt etwa 10 000 Sensoren an Bord, wobei Vibrationen, Temperatur und Druck die wichtigsten Sensortypen sind. Diese Sensoren bilden die Hauptdatenquelle für die Vorhersage von Ausfällen, und ihre Analyse erfordert fünf Schritte:

  1. Alle Daten auf einen gemeinsamen Nenner bringen - das ist schwierig, denn es gibt Systeme von vielen Anbietern, und die Daten liegen in Silos.
  2. Erstellen einer Korrelationsmatrix - dies ist schwierig, da die Analyse von 10 000 mal 10 000 Beziehungen eine hohe Verarbeitungskapazität erfordert.
  3. Erkennbare Fehlerarten identifizieren - das ist einfach; es gibt bereits Datenbanken dafür.
  4. Verbinde Fehler mit Mustern in den Daten - das ist schwierig, weil dazu große Mengen von Erfahrungsdaten erforderlich sind.
  5. Suchen nach Mustern – das ist schwierig, weil es „Live“-Analysen auf der Geräteseite (nicht in der Cloud) erfordert.

Mit anderen Worten, es ist schwer, die gemachten Versprechungen zu realisieren - und deshalb erreicht man das Ziel auch nicht annähernd so schnell wie erwartet.

Dennoch lässt sich AgTech von diesen anderen Industriesektoren inspirieren und scheint zu versuchen, die gleichen Dinge zu tun. In vielerlei Hinsicht ist es viel einfacher, diese 5 Schritte für einen Traktor oder eine andere Landmaschine durchzuführen als für das besagte Bohrschiff. Es gibt nicht viele
verschiedene Hersteller, die Korrelationsmatrix ist viel kleiner, es gibt weniger Fehlermodi, und die geräteseitige Berechnung ist ein einfacheres Unterfangen.

Innewohnende Redundanz ist viel einfacher

Ich weiß, dass John Deere seine Traktoren gerne als große Maschinen darstellt. Aber es ist wichtig zu beachten, dass sie logisch betrachtet klein sind. Damit meine ich, dass die meisten Landwirte mehrere Maschinen haben, die dieselbe Arbeit erledigen, und ihre Wahl der Größe und Anzahl der Maschinen das Ergebnis der Optimierung der Arbeitskapazität, der Arbeitsflexibilität und der Redundanz ist. Wenn eine Maschine ausfällt, führt dies selten direkt zu einer verringerten landwirtschaftlichen Produktivität.

Im Vergleich dazu können zwei kleine Bohrschiffe niemals die gleiche Arbeit leisten wie ein großes.

Ich bin Landwirt. Das bedeutet, dass ich mich hauptsächlich um die Produktivität meiner Schläge kümmere - und nicht darum, ob mein Traktor funktioniert. Ich möchte zum Beispiel wissen, warum eine Fläche nur verstreut blüht und wie ich das beheben kann, damit ich mehr Äpfel produzieren kann. Die Vibrationswerte und der Zustand der Lager meiner Traktoren werden sich nie direkt darauf auswirken.

Agtech stakeholders need to redefine what they think a farming field is.

An dieser Stelle schlägt AgTech vor, dieselbe Logik auf die Obstanlagen selbst anzuwenden. Installieren wir einfach mehr Sensoren, machen wir mehr Bilder und analysieren wir sie. Dies wirft ein weiteres Problem auf. Wie können wir genügend Daten generieren, um Fehlermodi mit Datenmustern zu verknüpfen? Wie erhalten wir genügend Erfahrungsdaten, aus denen wir lernen können?

Jede Sekunde lernen statt jedes Jahr

Nehmen wir ein weiteres Beispiel von einem Bohrschiff. An Bord gibt es viele Ventile, deren Aufgabe es ist, Flüssigkeit durchzulassen oder nicht. Sie öffnen und schließen sich vielleicht jede Sekunde, jede Minute oder jeden Tag - und jedes Mal durchläuft es einen vollständigen Betriebszyklus, aus dem man lernen kann. Zur Vereinfachung: Ein bestimmtes Ventil öffnet und schließt sich 1000 Mal pro Jahr. Dieses Ventil hat hundert Schwesterventile, die anderswo installiert sind. Insgesamt ergeben sich so Erfahrungsdaten aus 100 000 Betriebszyklen pro Jahr. Dies ist die Art von Datensatz, die wir benötigen, um die Korrelationsmatrix zu erstellen und Datenmuster mit Fehlermodi zu verbinden.

Meine Obstflächen, wie oben abgebildet, haben einen Betriebszyklus pro Jahr, so dass wir erst nach 100 000 Jahren den gleichen Datensatz wie für das Beispielventil haben werden.

Dies ist eindeutig ein fehlgeleiteter Ansatz. Die Saisonalität der Landwirtschaft ist ein Showstopper für die Digitalisierungsversuche, auf die andere Branchen setzen.

Wir müssen einen besseren Weg finden, die Landwirtschaft zu digitalisieren

Ich will damit nicht sagen, dass all diese neuen Technologien in der Landwirtschaft keine Rolle spielen, aber die Reihenfolge der Umsetzung muss anders sein. Die Technologieanbieter müssen ihre Bemühungen stärker auf die Probleme der Landwirte ausrichten, die sie lösen müssen. Und die Landwirte müssen sich viel stärker in den Dialog einbringen, um brauchbare Lösungen zu erhalten.

Ich möchte eine Zukunft für die Landwirtschaft und den Obstbau sehen, in der Technologie dabei hilft, landwirtschaftliche Prozesse zu automatisieren und die Entscheidungsfindung zu unterstützen. Ich sehe jedoch nicht, dass dies durch maschinelles Lernen von großen Datenströmen und Fernerkundung passieren wird. Ich denke, wir müssen Technologien entwickeln, die die Akteure der Branche näher zusammenbringen und das Lernen in größeren Teilen der Branche erleichtern. Durch die Zusammenführung landwirtschaftlicher Arbeitsprozesse, Wissen, Beobachtungen und Datenpunkte kann die Technologie im Laufe der Zeit lernen, wie wir es tun, und uns dann leiten. Das ist vergleichbar mit der Entwicklung des Autopiloten von Tesla. Man lässt die Technik beobachten, wie der Mensch fährt, dann versucht sie zu helfen, und erst am Ende steht die volle Autonomie. Und so weit sind wir noch nicht da, weder beim Autofahren noch in der Landwirtschaft.

Übrigens haben wir eine 7-teilige Blog-Serie darüber geschrieben, worauf sich unserer Meinung nach Agtech und Präzisionslandwirtschaft konzentrieren sollten:

1: Präzisionslandwirtschaft ist nicht das, was alle sagen

2: Welche Probleme löst Präzisionslandwirtschaft?

3: Datenerfassung, Organisation und Nutzung neu denken

4: Warum Ermittlung des Return on Investment (ROI) herausfordernd ist

5: Was ist der größte Kostenfaktor im Obstbau? Lohnkosten.

6: Wie machst du deinen Obstbau fit für die Zukunft? Beginne mit der Automatisierung deiner Dokumentation

7: Wie variable Zonierung Präzisionslandwirtschaft ermöglichtion in agriculture

    Tags: Erzeugergeschichten, Obstbau

    Lars Blikom CEO Farmable
    CEO Farmable

    What to read next