Falls Sie die Agriculture SIG der Esri 2025 User Conference letzte Woche verpasst haben, hier eine kurze Zusammenfassung: Die Sitzung, geleitet von Mark Dann, Dr. Elvis Takow und mir von Esri, beinhaltete Präsentationen über ArcGIS als Artificial Intelligence (AI) Plattform und wie man AI auf Agriculture Intelligence neu ausrichtet. Anschließend fand eine Podiumsdiskussion mit Vertretern von AC Foods, Land O’Lakes und Texas A&M statt.<\/P>
<\/P>
<\/span><\/P> <\/P> <\/P>Die ArcGIS AI Plattform von Dr. Takow<\/U><\/STRONG><\/FONT><\/P> <\/P>
<\/span><\/P>Als Zusammenfassung vieler Sitzungen auf der Konferenz präsentierte Dr. Takow ArcGIS als eine geospatiale AI Plattform, die künstliche Intelligenz nutzt, um die Produktivität zu steigern, Entscheidungsfindung zu unterstützen und Innovation voranzutreiben. Die drei Hauptkomponenten sind:<\/P>GeoAI-Analyse für automatisierte Datenerstellung, Extraktion und Analyse,<\/LI>AI-Assistenten mit konversationellen Schnittstellen zur Optimierung von Arbeitsabläufen,<\/LI>Ein zugrundeliegendes AI-Framework, das beide Funktionen unterstützt.<\/LI><\/UL>Um diese technologische Vision zu erfüllen, aktualisiert Esri seine AI-Funktionen um Assistenten, Skills, Agents und vortrainierte Modelle. Die Plattform ist so konzipiert, dass sie erweiterbar und anpassbar für verschiedene Branchen und Bedürfnisse bleibt. Das Framework ermöglicht zudem die Integration von AI, Deep Learning und Large Language Models und unterstützt Entwickler bei der Erstellung benutzerdefinierter AI-Dienste und Integrationen. <\/P>Die Herausforderung für die Agriculture GIS Gemeinschaft wird sein, ein breites Spektrum an Fähigkeiten behutsam in eine Branche einzuführen, die angesichts des ständigen Drucks zur Sicherstellung der Nahrungsmittelversorgung für eine wachsende Bevölkerung erfolgreich sein muss. Dafür benötigen wir Agriculture Intelligence, wie im nächsten Abschnitt erläutert.<\/P> <\/P>Agriculture Intelligence von Nick Short<\/U><\/STRONG><\/FONT><\/P>
<\/span><\/P>Obwohl wir gehört haben, dass ArcGIS eine Schlüssel-Geospatial AI Plattform für Innovation ist, wie kann das der Landwirtschaft helfen? Diese Präsentation erklärte kurz, wie man AI angemessen und relevant angeht, warum jetzt der richtige Zeitpunkt ist, wie wir frühere Fehler vermeiden können und wie Esris Erfahrung und Beständigkeit der Landwirtschaft zugutekommt.<\/P>
<\/span><\/P> <\/P>Im Hinblick auf die Integration von künstlicher Intelligenz (AI) im Agrarsektor ist es angebracht, die Frage zu stellen: „Was definiert AI für Agriculture?“ Diese Frage lädt zu einem fortlaufenden Dialog über die sich entwickelnde Rolle von AI in der landwirtschaftlichen Praxis ein – sowohl jetzt als auch in den kommenden Jahren.<\/P>Ein zentrales Konzept muss dabei stets im Vordergrund stehen: Vertrauen.<\/P>Für die Landwirtschaft ist Vertrauen von größter Bedeutung, insbesondere im Kontext neuer Technologien wie AI. Produzenten und Interessengruppen begegnen technologischen Innovationen oft mit Skepsis und äußern Bedenken hinsichtlich Datenschutz, Sicherheit sowie Komplexität oder Benutzerfreundlichkeit neuer Systeme. Zudem verstärken die anhaltenden wirtschaftlichen Zwänge der Branche den Bedarf an Zuverlässigkeit und Sicherheit vor einer breiten Akzeptanz.<\/P>Die Kernherausforderung besteht daher darin, zu bestimmen, wie der Agrarsektor die Einführung von AI-Technologien so gestalten kann, dass Vertrauen innerhalb der Gemeinschaft gefördert und erhalten wird.<\/P>
<\/span><\/P> <\/P>Ein Blick auf die Geschichte der AI bietet Einblicke in Muster des Vertrauens und der Akzeptanz innerhalb der Industrie.<\/SPAN><\/P><\/DIV>Leider ist die Entwicklung von AI durch wechselnde Phasen von Wachstum und Rückgang gekennzeichnet – oft als „AI Winters“ bezeichnet – in denen Erwartungen nicht erfüllt wurden und es zu Phasen der Ernüchterung kam.<\/P>In den 1980er Jahren erlebte AI einen Popularitätsschub; große Regierungsorganisationen investierten in künstliche Intelligenz zur Erfassung menschlichen Wissens in Form von Expertensystemen. AI wurde als vielversprechendes Werkzeug zur Bewältigung groß angelegter Herausforderungen gesehen, darunter Klimaforschung und Präzisionslandwirtschaft. Diese Periode war geprägt von Optimismus und hohen Erwartungen hinsichtlich des Potenzials von AI zur Revolutionierung der Datenanalyse und Entscheidungsfindung, was zu bedeutender Forschung und praktischen Anwendungen in Schlüsselindustrien führte.<\/P>Ende der 1990er Jahre stellten viele Organisationen ihre AI-Programme leider ein, da sich die Industrie dem Web zuwandte und vom Traum der AI abrückte. In dieser Zeit wurde der Begriff „AI“ manchmal vermieden aufgrund vorheriger unerfüllter Versprechen; stattdessen wurde oft Almost Implemented verwendet. Aus diesen Erfahrungen entstanden mehrere Lehren aus jener Ära:<\/P>1. Skalierbarkeitsbeschränkungen<\/U><\/STRONG><\/P>Eine wesentliche Herausforderung war das Management und die Speicherung sehr großer Datensätze, insbesondere hinsichtlich Vielfalt und Geschwindigkeit der Daten. Datenbankmanagementsysteme jener Zeit erfüllten diese Anforderungen nicht ausreichend, was die Bedeutung robuster und anpassungsfähiger Dateninfrastrukturen hervorhebt – besonders relevant in Sektoren wie der Landwirtschaft.<\/P>2.<\/U>Zuviel Abhängigkeit von Open Source Tools<\/U><\/STRONG><\/P>Aufgrund einer begrenzten Anzahl kommerzieller Lösungen bestand eine starke Abhängigkeit von intern entwickelten Tools und Open-Source-Software, was nach Personalwechseln Wartungs- und Sicherheitsbedenken hervorrief.<\/P>3. <\/U>Bedeutung hochwertiger Trainingsdaten<\/U><\/STRONG><\/P>Die Entwicklung effektiver Machine Learning Modelle hing von genauen, lokal informierten Trainingsdatensätzen ab. Es wurden Anstrengungen unternommen, direkte Satellitendaten weltweit zu sammeln, um die Vorhersageleistung zu verbessern – einschließlich erfolgreicher Anwendungen wie verbesserter Hurrikan-Vorhersagen.<\/P>Derzeit haben technologische Fortschritte viele Skalierbarkeits- und Infrastrukturprobleme gelöst, und zahlreiche etablierte Unternehmen bieten zuverlässige AI-Lösungen an. Dennoch bleibt die Verfügbarkeit und Qualität von Trainingsdaten eine fortwährende Herausforderung – besonders in Bereichen wie Agriculture, wo Vertrauen und Datenqualität schwierig sind. In einem Umfeld, in dem Fehlinformationen Ergebnisse beeinflussen können, ist es entscheidend vertrauenswürdige, genaue und relevante AI-Systeme aufrechtzuerhalten, um kontinuierlichen Fortschritt sicherzustellen und zukünftige Rückschläge zu vermeiden.<\/P>
Die lange Antwort für Agriculture besteht darin, sich darauf zu konzentrieren, AI sorgfältig in bestehende Arbeitsabläufe entlang der Ag-Wertschöpfungskette einzufügen.
Nehmen wir Baumwolle als Beispiel. Baumwolle generiert etwa 7,1 Mrd. USD an US-Bargeldeinnahmen; ein Drittel wird im dürregefährdeten Texas produziert, das stark auf Bewässerung aus Quellen wie dem Ogallala-Aquifer angewiesen ist – dessen Austrocknung innerhalb von 50 bis 100 Jahren erwartet wird. Im Jahr 2022 gaben etwa 74 % der Landwirte ihre Ernte auf und entschieden sich für Versicherungszahlungen. Die Feld-Erträge beeinflussen den Standort der Entkörnungsanlagen (Gins), um Transportkosten zu reduzieren; dies wirkt sich auf die gesamte Lieferkette und den Verkauf aus.
AI kann in vielen Bereichen der Baumwollindustrie angewendet werden: Spatial Data Science unterstützt Marktanalysen für verschiedene Sorten; Knowledge Graphs helfen bei Konfigurationen und Ballennachverfolgung in Lieferketten; Digital Twins simulieren Entkörnungsprozesse; Large Language Models können Knowledge Graphs des Baumwollprozesses sowie des Gesamtproduktionszustands nutzen.
Besonders wertvoll ist jedoch die Investition in AI zur Ertragsprognose, da genaue Vorhersagen für die gesamte Lieferkette entscheidend sind. Lassen Sie uns dies näher betrachten.
Hier ist eine Ein einfaches Beispiel zur Schätzung des Baumwoll-Ertrags in Nordtexas durch die Kombination von Temperatur- und Vegetationsdaten basierend auf Growing Degree Days (siehe Präsentation zu Raster Analytics).<\/P>
Um den Ertrag auf Feldebene für fundierte landwirtschaftliche Entscheidungen vorherzusagen, muss das System Feldstandorte erkennen. Diese Aufgabe nutzt Deep Learning, und Esri stellt vortrainierte geospatiale Modelle bereit, die die Integration in Workflows vereinfachen. Mit prädiktiven Vorhersagen können Landwirte unterdurchschnittlich performende Bereiche identifizieren und Überlegungen zu Naturschutz oder anderen landwirtschaftlichen Managementpraktiken anstellen, um die Ergebnisse zu verbessern.<\/P>
Während Expertenrat diesen Ansatz unterstützt, erfordert die Validierung der Ergebnisse strukturierte lokale Eingaben von Landwirten auf Feldebene – Daten auf County-Ebene vom USDA allein reichen nicht aus. Lokales Wissen ist entscheidend für den Aufbau fortgeschrittener Trainingsdatensätze über das hinaus, was vortrainierte Modelle bieten.<\/P>
Deshalb ist die Zusammenarbeit mit Unternehmen wie Land O’ Lakes und AC Foods sowie der Ag GIS Community von entscheidender Bedeutung – sie verfügen über vertrauenswürdige Beziehungen, die zur Verifizierung dieser Modelle notwendig sind. Esri liefert die Werkzeuge, aber die Erweiterung von AI-Lösungen hängt von den Daten und dem Fachwissen der Partner in Kooperation mit Extension Services (z. B. Texas A&M AgriLife Extension Service) ab.<\/P>
<\/span><\/P> Zusammenfassend ist die Landwirtschaft ein vorsichtiges Feld, in dem Fehler erhebliche Verluste verursachen können. Unsere Aufgabe ist es sicherzustellen, dass AI vollständig implementiert wird, mit zuverlässigen, vertrauenswürdigen Datenmanagement- und Analysesystemen, während lokales landwirtschaftliches Fachwissen einbezogen wird, um vertrauenswürdiges Wissen zu bewahren. Dieser Ansatz wird sicherstellen, dass AI wirklich Agricultural Intelligence<\/STRONG> bedeutet.<\/P>Die Podiumsdiskussion<\/U><\/STRONG><\/FONT><\/P>Um die Rolle von Agricultural Intelligence zu diskutieren, hat das Ag SIG Vertreter aus Industrie und Wissenschaft eingeladen, wobei die Podiumsteilnehmer (wie unten abgebildet, von links nach rechts) waren:<\/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>, Professor, Endowed Chair in Cotton Engineering, Ginning, and Mechanization, Texas A&M AgriLife<\/LI>Mark Dann<\/STRONG>, Sr. Account Manager, Esri<\/LI><\/UL>Das Panel diskutierte folgende Fragen:<\/P>Welche Möglichkeiten sehen Sie, ML für Predictive Yield Forecasting zu nutzen und welche Auswirkungen könnte dies auf das Geschäft haben?<\/EM><\/P>„Wie setzen Sie AI - Advanced Geospatial Analytics in Ihren verschiedenen Geschäfts- und F&E-Anwendungen ein?“ <\/EM><\/P>Der allgemeine Konsens in der Gruppe war, dass vertrauenswürdige AI wie Data Science auf einer soliden Datenmanagement-Infrastruktur beruht, um sicherzustellen, dass die Algorithmen mit qualitativ hochwertigen Daten versorgt werden.<\/P>
<\/span><\/P>
