Pokud jste minulý týden zmeškali Agriculture SIG na uživatelské konferenci Esri 2025, zde je stručné shrnutí: Sezení, vedené Markem Dannem, Dr. Elvisem Takowem a mnou z Esri, obsahovalo prezentace o ArcGIS jako platformě umělé inteligence (AI) a o tom, jak přesměrovat AI na Agriculture Intelligence. Následovala panelová diskuse s představiteli AC Foods, Land O'Lakes a Texas A&M.<\/P>
<\/P>
<\/span><\/P> <\/P> <\/P>Platforma ArcGIS AI od Dr. Takowa<\/U><\/STRONG><\/FONT><\/P> <\/P>
<\/span><\/P>Jako shrnutí mnoha sezení na konferenci představil Dr. Takow ArcGIS jako geospatial AI platformu, která využívá umělou inteligenci ke zvýšení produktivity, podpoře rozhodování a podpoře inovací. Její tři hlavní komponenty jsou:<\/P>GeoAI analýza pro automatizované vytváření, extrakci a analýzu dat,<\/LI>AI asistenti s konverzačními rozhraními pro zjednodušení pracovních postupů,<\/LI>Základní AI rámec podporující obě funkce.<\/LI><\/UL>Pro splnění této technologické vize Esri aktualizuje své AI funkce tak, aby zahrnovaly Assistants, Skills, Agents a předtrénované modely. Platforma je navržena tak, aby zůstala rozšiřitelná a přizpůsobitelná pro různé průmyslové odvětví a potřeby. Rámec také umožňuje integraci AI, hlubokého učení a velkých jazykových modelů a zároveň podporuje vývojáře při vytváření vlastních AI služeb a integrací. <\/P>Výzvou pro komunitu Agriculture GIS bude pečlivě zavést širokou škálu schopností do odvětví, které musí uspět vzhledem k neustálému tlaku na produkci potravin pro rostoucí populaci. K tomu potřebujeme Agriculture Intelligence, jak je diskutováno v následující sekci.<\/P> <\/P>Agriculture Intelligence od Nicka Shorta<\/U><\/STRONG><\/FONT><\/P>
<\/span><\/P>Zatímco jsme slyšeli, že ArcGIS je klíčovou Geospatial AI platformou pro inovace, jak může pomoci zemědělství? Tato prezentace stručně vysvětlila, jak přistupovat k AI vhodným a relevantním způsobem, proč je nyní ten správný čas, jak se vyhnout minulým chybám a jak zkušenosti a dlouhověkost Esri prospívají zemědělskému průmyslu.<\/P>
<\/span><\/P> <\/P>Při zvažování integrace umělé inteligence (AI) v zemědělském sektoru je vhodné položit otázku: „Co definuje AI pro Agriculture?“ Tato otázka slouží jako pozvánka k pokračujícímu dialogu o vyvíjející se roli AI v zemědělské praxi nyní i v budoucích letech.<\/P>Centrální koncept musí zůstat v popředí této diskuse: důvěra.<\/P>Pro zemědělský průmysl je důvěra zásadní, zejména v kontextu nových technologií jako je AI. Producenti a zainteresované strany často vítají technologické inovace skepticky a vyjadřují obavy ohledně ochrany dat, bezpečnosti a složitosti nebo použitelnosti nových systémů. Navíc trvalý ekonomický tlak v odvětví zesiluje potřebu spolehlivosti a jistoty před širokým přijetím.<\/P>Hlavní výzvou tedy je určit, jak zemědělský sektor zvládne přijetí AI technologií způsobem, který podporuje a udržuje důvěru v komunitě.<\/P>
<\/span><\/P> <\/P>Zkoumání historie AI nabízí vhled do jejích vzorců důvěry a přijetí v průmyslu.<\/SPAN><\/P><\/DIV>Bohužel vývoj AI je poznamenán střídavými obdobími růstu a poklesu — často označovanými jako „AI Winters“ — kdy očekávání nebyla naplněna, což vedlo k fázím rozčarování.<\/P>V 80. letech si AI získala popularitu díky významným vládním organizacím investujícím do umělé inteligence za účelem zachycení lidského poznání ve formě expertních systémů. AI byla považována za slibný nástroj pro řešení rozsáhlých výzev, včetně výzkumu změny klimatu a precizního zemědělství. Toto období bylo poznamenáno optimismem a vysokými očekáváními ohledně potenciálu AI revolucionalizovat analýzu dat a rozhodování, což vedlo k významnému výzkumu a praktickým aplikacím v klíčových odvětvích.<\/P>Konec 90. let však mnoho organizací ukončilo své programy AI, protože průmysl se obrátil k webu a opustil sen o AI. V té době se termín „AI“ někdy vyhýbal kvůli předchozím nesplněným slibům, kde byl často nazýván Almost Implemented. Z těchto zkušeností vyplynulo několik lekcí z té doby:<\/P>1. Omezení škálovatelnosti<\/U><\/STRONG><\/P>Významnou výzvou bylo řízení a ukládání velmi velkých datových sad, zejména co se týče rozmanitosti a rychlosti dat. Databázové systémy té doby tyto potřeby dostatečně neřešily, což zdůrazňuje důležitost robustní a adaptabilní infrastruktury pro správu dat — zvláště relevantní v sektorech jako zemědělství.<\/P>2.<\/U>Přílišná závislost na open source nástrojích<\/U><\/STRONG><\/P>Kvůli omezenému počtu komerčních řešení byla silná závislost na interně vyvinutých nástrojích a open-source softwaru, což po personálních změnách vytvářelo problémy s údržbou a bezpečností.<\/P>3. <\/U>Důležitost kvalitních tréninkových dat<\/U><\/STRONG><\/P>Vývoj efektivních modelů strojového učení závisel na přesných lokálně informovaných tréninkových datech. Byly podniknuty snahy o sběr přímých satelitních dat po celém světě ke zvýšení prediktivního výkonu, včetně úspěšných aplikací jako zlepšené předpovědi hurikánů.<\/P>V současnosti technologický pokrok vyřešil mnoho problémů škálovatelnosti a infrastruktury a řada zavedených společností poskytuje spolehlivá AI řešení. Přetrvávající výzvou však zůstává dostupnost a kvalita tréninkových dat, zejména v oblastech jako zemědělství, kde jsou důvěra a kvalita dat náročné. V prostředí, kde dezinformace mohou ovlivnit výsledky, je udržení důvěryhodných, přesných a relevantních AI systémů klíčové pro zajištění pokračujícího pokroku a vyhnutí se budoucím neúspěchům.<\/P>
Dlouhá odpověď pro zemědělství je zaměřit se na pečlivé začlenění AI do stávajících pracovních postupů v hodnotovém řetězci Ag.
přímý příklad odhadu výnosu bavlny v severním Texasu kombinací teplotních a vegetačních dat založených na stupních růstu (viz prezentace na Raster Analytics).<\/P>
Pro předpověď výnosu na úrovni polí pro informovaná zemědělská rozhodnutí musí systém rozpoznat polohy polí. Tento úkol využívá deep learning a Esri poskytuje předtrénované geospatial modely, které usnadňují integraci do pracovních postupů. S prediktivními předpověďmi mohou farmáři identifikovat oblasti s nižším výkonem a zvážit konzervační nebo jiné zemědělské postupy ke zlepšení výsledků.<\/P>
I když odborné vedení podporuje tento přístup, ověření výsledků vyžaduje strukturovaný místní vstup od farmářů na úrovni polí — data USDA na úrovni okresů sama o sobě nestačí. Místní znalosti jsou klíčové pro vytváření pokročilých tréninkových sad nad rámec toho, co předtrénované modely nabízejí.<\/P>
Proto je spolupráce se společnostmi jako Land O’ Lakes a AC Foods a komunitou Ag GIS zásadní — mají důvěryhodné vztahy potřebné k ověření těchto modelů. Esri dodává nástroje, ale rozšíření AI řešení závisí na datech a odbornosti partnerů ve spolupráci s extension services (např. Texas A&M AgriLife Extension Service).<\/P>
<\/span><\/P> Shrnuto, zemědělství je opatrná oblast, kde chyby mohou způsobit značné ztráty. Naší rolí je zajistit plnou implementaci AI s spolehlivými, důvěryhodnými systémy správy dat a analytiky, přičemž zapojit místní zemědělskou odbornost k udržení důvěryhodných znalostí. Tento přístup zajistí, že AI skutečně znamená Agricultural Intelligence<\/EM><\/STRONG>.<\/P>Panelová diskuse<\/U><\/STRONG><\/FONT><\/P>Pro diskusi o roli Agricultural Intelligence má Ag SIG zástupce jak z průmyslu, tak akademické sféry, kde panelisté zahrnovali (jak je vidět níže na obrázku, zleva doprava):<\/P>Nick Short<\/STRONG>, Ag Industry Solutions Manager, Esri<\/LI>Sanaz Havaei<\/STRONG>, Business Application Analyst, AC Foods<\/LI>Kirk Wythers<\/STRONG>, Business Value Lead, Land O’ Lakes<\/LI>Mike Buser<\/STRONG>, Profesor, Endowed Chair in Cotton Engineering, Ginning, and Mechanization, Texas A&M AgriLife<\/LI>Mark Dann<\/STRONG>, Sr. Account Manager, Esri<\/LI><\/UL>Panel diskutoval následující otázky:<\/P>Jaké příležitosti vidíte pro využití ML pro Predictive Yield Forecasting a jaký by to mohlo mít dopad na podnikání?<\/EM><\/P>2Jak některé způsoby používáte AI - Advanced Geospatial Analytics ve svých různých podnicích a aplikacích R&D? <\/EM><\/P>Obecný konsenzus skupiny byl takový, že důvěryhodná AI, stejně jako Data Science, závisí na solidní infrastruktuře správy dat k zajištění toho, aby algoritmy byly krmeny kvalitními daty.<\/P>
<\/span><\/P>
