Czego nauczyliśmy się z pilotażu AI Farmable – dane wspierają inteligentniejsze rolnictwo
W Farmable staramy się ułatwiać zarządzanie gospodarstwem rolnikom na całym świecie. Właśnie dlatego niedawno uruchomiliśmy pilotażowy program AI z udziałem niektórych z naszych najbardziej zaangażowanych użytkowników — rolników, którzy testowali nasze narzędzia na prawdziwych polach, od Norwegii po Anglię. Nasza misja? Sprawdzenie, jak sztuczna inteligencja może wpasować się w codzienną ciężką pracę w rolnictwie, nie zwiększając przy tym jej złożoności. Wyniki są już znane i wynika z nich jeden wniosek – sztuczna inteligencja jest tak dobra, jak dane, które jej dostarczymy. Oto co odkryliśmy, a także dokładny przewodnik na temat tego, jak używać notatek polowych opartych na AI w Farmable, aby zwiększyć produktywność własnego gospodarstwa.
Pilotaż: Sztuczna inteligencja w prawdziwych gospodarstwach rolnych
W ramach tego pilotażu wprowadziliśmy nową funkcję: notatki polowe wspierane przez AI. Rolnicy mogli zrobić zdjęcie lub zanotować krótką obserwację, a nasza sztuczna inteligencja analizowała je w celu identyfikacji odmian upraw, wykrycia szkodników i chorób lub oszacowania upraw. Technologia działała płynnie — prześlij obraz, aby uzyskać odpowiedź. Ale jaka jest jakość tych odpowiedzi? Zależało to całkowicie od danych, które wprowadziliśmy do systemu.
W Farmable automatycznie pobieramy metadane pola — rodzaj uprawy, historię sadzenia, wcześniejsze zapisy o szkodnikach, zabiegi i zbiory — do każdej analizy AI. Nie jest to tylko zbiór dużej grupy informacji, lecz kluczowy element, który zamienia ogólne porady w coś, co można faktycznie wykorzystać. Przyjrzyjmy się, jak to wyglądało w praktyce.
Przypadek 1: Zamiana zdjęcia w praktyczną poradę
Wyobraź sobie, że zarządzasz tym sadem jabłoniowym w Norwegii o powierzchni 2,84 ha, który w 2023 r. osiągnął rekordowy plon wynoszący 113 220 kg. Zauważasz, że niektóre liście wyglądają nietypowo, więc robisz zdjęcie i przesyłasz je jako notatkę polową. Bez kontekstu sztuczna inteligencja mogłaby stwierdzić: „Mogą to być szkody spowodowane przez szkodniki — monitoruj sytuację pod kątem mszyc”. To przydatna informacja, ale nie jest przełomowa.
Teraz dodaj historię pola: niedobór magnezu zarejestrowany w 2024 r., ogniska parcha jabłoni i wiosenne nawożenie z użyciem 30 kg nawozu. Odpowiedź AI zmieni się na następującą: „Biorąc pod uwagę historię parcha na tym polu i niski poziom magnezu, te żółknące liście mogą sygnalizować niedobory substancji odżywczych. Spróbuj zastosować sól gorzką po zbiorach i monitoruj parcha za pomocą Rimpro”. I oto otrzymujesz plan dostosowany do sytuacji Twojego sadu — a nie tylko teoretyczne zgadywanie.
Przypadek 2: Próbki gleby zapewniają lepszą wiedzę
Jeden z rolników zaskoczył nas podczas pilotażu. Zamiast zdjęcia rośliny, przesłał nam raport z analizy próbki gleby z Lancrop Laboratories dla sadu gruszkowego w Anglii, szczegółowo opisujący poziomy pH, fosforu i wapnia. Myśleliśmy, że sztuczna inteligencja może sobie nie poradzić. Nic z tych rzeczy. Dopasowała próbkę do odpowiedniego pola, przeanalizowała glebę pod kątem potrzeb uprawy gruszy i sprawdziła wcześniejsze zapisy dotyczące chorób. Werdykt? „Wapń w normie, ale magnez na granicy — dostosuj nawożenie, aby wzmocnić odporność na choroby”.
To pokazało nam, że dane dotyczące gleby to nie tylko sucha wartość liczbowa, ale wręcz podstawa skutecznej uprawy. W połączeniu z danymi dotyczącymi nawożenia (takimi jak podanie 10 kg Multi-K+Mg latem) sztuczna inteligencja może wskazać, w jaki sposób kondycja gleby kształtuje przyszłość Twoich upraw.
Przypadek 3: NDVI łączy wszystko razem
Następnie dodaliśmy obrazy satelitarne NDVI, które śledzą postęp wegetacji w czasie. W przypadku sadu jabłoniowego NDVI wykazało oznaki nierównego wzrostu. Sztuczna inteligencja powiązała to z zarejestrowanymi zadaniami nawożenia i uwagami dotyczącymi szkodników (parch i mszyce), sugerując: „Przytnij gałęzie, aby uzyskać lepszą penetrację światła, aby zmniejszyć ryzyko wystąpienia parcha; te ciemniejsze strefy mogą wymagać dodatkowej, 10 kg dawki Naraber”. Dzięki NDVI sztuczna inteligencja nie tylko widzi teraźniejszość — łączy przeszłe działania z obecnymi wynikami.
Jak używać notatek polowych AI w Farmable: Szczegółowy przewodnik
Chcesz spróbować tego w swoim gospodarstwie? Oto jak utworzyć i przechowywać notatkę polową wspieraną przez AI w Farmable — to proste i zajmuje kilka minut:
- Otwórz aplikację i utwórz nową notatkę
Naciśnij przycisk „+” i wybierz „Notatka polowa”. Zobaczysz opcje wpisania szybkich obserwacji (np. „Zauważono żółte liście”) lub przesłania zdjęcia — na przykład uprawy lub próbki gleby. - Dodaj szczegóły i zrób zdjęcie
Jeśli przesyłasz zdjęcie, użyj aparatu telefonu bezpośrednio z aplikacji lub wybierz je z biblioteki telefonu. Na przykład zrób zdjęcie swojej jabłoni lub raportu na temat gleby dla danego pola. Jeśli chcesz, dodaj krótką notatkę (np. „Sprawdzanie pod kątem parcha”). - Pozwól sztucznej inteligencji przeprowadzić analizę
Naciśnij przycisk „Zapytaj AI”, a AI wkroczy do akcji. Zeskanuje zdjęcie lub tekst, porówna je z historią Twojego pola (np. z zabiegiem oprysku z zeszłego tygodnia) i wygeneruje analizy, takie jak alerty o szkodnikach lub wskazówki dotyczące składników odżywczych. - Przechowuj i udostępniaj
Gdy AI odpowie, notatka zostanie zapisana w dzienniku Twojego pola i będzie dostępna w każdej chwili w zakładce „Notatki”. Chcesz udostępnić ją agronomowi lub organowi kontrolnemu? Wyeksportuj ją jako plik PDF lub udostępnij link za pośrednictwem naszego API.
To takie proste. Aplikacja wykonuje najcięższą pracę — łącząc Twoje dane wejściowe z danymi historycznymi, statystykami gleby i NDVI — dzięki czemu otrzymujesz porady bez zbędnego kłopotu.
Główny wniosek — Dane są najważniejsze
Nasz pilotaż uświadomił nam trzy niezbędne filary danych dla sztucznej inteligencji w zarządzaniu gospodarstwem:
- Historyczne dane polowe: Zbiory, zapisy o szkodnikach i zadania zapewniają kontekst.
- Próbki gleby: Stanowią podstawę wszystkiego, jak widać na przykładzie modyfikacji nawożenia w sadzie gruszkowym.
- Obrazy NDVI: Śledzą postępy, łącząc działania z wynikami w czasie.
Pominięcie jednego z tych elementów sprawi, że sugestie AI staną się mało znaczące. Połączenie ich wszystkich sprawi natomiast, że otrzymasz precyzyjne, praktyczne wskazówki — mniej „może spróbuj tego”, a więcej „zrób to teraz”.
Dlaczego jest to ważne dla rolników
Nie chodzi o zastąpienie Twojej fachowej wiedzy, ale o jej wzmocnienie. Weźmy na przykład plantatora jabłoni: jego plon w 2023 roku był znakomity, ale obrazy NDVI z 2024 roku wskazały obszary problematyczne. Dzięki AI może on zmodyfikować plan na następny sezon — być może zwiększyć dawkę potasu, aby uzyskać plon przekraczający 1200 skrzynek. To jest zysk, a nie tylko suche dane.