Se você perdeu o Agriculture SIG da semana passada na User Conference 2025 da Esri, aqui está um breve resumo: A sessão, liderada por Mark Dann, Dr. Elvis Takow e eu da Esri, apresentou palestras sobre ArcGIS como uma Plataforma de Artificial Intelligence (AI) e como refocar a AI em Agriculture Intelligence. Em seguida, uma discussão em painel incluiu representantes da AC Foods, Land O’Lakes e Texas A&M.
A Plataforma ArcGIS AI pelo Dr. Takow
Como um resumo de muitas sessões na conferência, o Dr. Takow apresentou o ArcGIS como uma plataforma geoespacial AI que usa inteligência artificial para aumentar a produtividade, apoiar a tomada de decisões e impulsionar a inovação. Seus três componentes principais são:
- Análise GeoAI para criação, extração e análise automatizada de dados,
- Assistentes AI com interfaces conversacionais para simplificar fluxos de trabalho,
- Uma estrutura AI subjacente que suporta ambos os recursos.
Para atender a essa visão tecnológica, a Esri está atualizando seus recursos de AI para incluir Assistants, Skills, Agents e modelos pré-treinados. A plataforma é projetada para permanecer extensível e personalizável para diferentes indústrias e necessidades. A estrutura também permite a integração de AI, deep learning e large language models, além de apoiar desenvolvedores na criação de serviços e integrações AI personalizados.
O desafio para a comunidade Agriculture GIS será introduzir cuidadosamente uma ampla gama de capacidades em uma indústria que deve ter sucesso diante das constantes pressões de produzir um suprimento alimentar para uma população crescente. Para isso, precisamos de Agriculture Intelligence, conforme discutido na próxima seção.
Agriculture Intelligence por Nick Short
Embora tenhamos ouvido que o ArcGIS é uma Plataforma Geoespacial AI chave para inovação, como isso pode ajudar a agricultura? Esta apresentação explicou brevemente como abordar a AI de forma apropriada e relevante, por que agora é o momento certo, como podemos evitar erros do passado e como a experiência e longevidade da Esri beneficiam a indústria agrícola.
Ao considerar a integração da inteligência artificial (AI) no setor agrícola, é pertinente fazer a pergunta: O que define AI para Agricultura? Esta indagae7e3o serve como um convite ao die1logo contednuo sobre o papel evolutivo da AI na pre1tica agredcola, tanto agora quanto nos anos futuros.
Um conceito central deve permanecer na vanguarda desta discusse3o: confiane7a.
Para a indfastria agredcola, a confiane7a e9 primordial, particularmente no contexto das tecnologias emergentes como AI. Produtores e partes interessadas frequentemente recebem inovae7f5es tecnolf3gicas com ceticismo, expressando preocupae7f5es relativas e0 privacidade dos dados, segurane7a e complexidade ou usabilidade dos novos sistemas. Ale9m disso, as persistentes pressf5es econf4micas do setor amplificam a necessidade de confiabilidade e garantia antes que uma adoe7e3o generalizada possa ocorrer.
O desafio central, portanto, e9 determinar como o setor agredcola navegare1 pela adoe7e3o das tecnologias AI de maneira que tanto fomente quanto mantenha a confiane7a dentro da comunidade.
Analisar a histf3ria da AI oferece insights sobre seus padrf5es de confian07a e adocão dentro da industria.
Infelizmente, o desenvolvimento da AI é marcado por perodos alternados de crescimento e declínio—frequentemente chamados de —onde as expectativas nao foram atendidas, levando a fases de desilusão.
Na dcada de 1980, a AI desfrutou de um surto de popularidade, com grandes organizaoes governamentais investindo em inteligencia artificial para capturar conhecimento humano na forma de sistemas especialistas. A AI era vista como uma ferramenta promissora para enfrentar desafios em grande escala, incluindo pesquisa sobre mudanas climáticas e agricultura de precisao. Este perodo foi marcado por otimismo e altas expectativas quanto ao potencial da AI para revolucionar a analise de dados e tomada de decisoes, levando a pesquisas significativas e aplicaoes pr7aticas em ind7ustrias-chave.
No final dos anos 1990, infelizmente, muitas organiza7oes descontinuaram seus programas de AI, pois o setor mudou seu foco para a web e se afastou do sonho da AI. Durante esse per7odo, o termo "AI" era por vezes evitado devido promessas anteriores n7ao cumpridas, sendo frequentemente chamado Almost Implemented. Dessas experi7ncias surgiram diversas li7oes daquela 7epoca:
1. Limita7es de Escalabilidade
Um desafio significativo foi gerenciar e armazenar conjuntos muito grandes de dados, especificamente em rela7ao variedade e velocidade dos dados. Sistemas de gerenciamento de banco de dados na 7quela 7epoca n7ao atendiam adequadamente essas necessidades, destacando a importancia de infraestruturas robustas e adaptáveis para gerenciamento de dados—particularmente relevantes em setores como agricultura.
2.Muita Dependência em Ferramentas Open Source
Devido ao número limitado de soluções comerciais, havia grande dependência em ferramentas desenvolvidas internamente e software open-source, o que criou preocupações com manutenção e segurança após mudanças no pessoal.
3. A Importância dos Dados de Treinamento de Alta Qualidade
Desenvolver modelos eficazes de machine learning dependia de conjuntos precisos e localmente informados para treinamento. Esforços foram feitos para coletar dados diretos via satélite mundialmente para melhorar o desempenho preditivo, incluindo aplicações bem-sucedidas como previsão aprimorada de furacões.
Atualmente, avanços tecnológicos resolveram muitas questões relacionadas à escalabilidade e infraestrutura, e várias empresas estabelecidas fornecem soluções confiáveis em AI. No entanto, o desafio contínuo permanece na disponibilidade e qualidade dos dados para treinamento, especialmente em campos como agricultura onde confiança e qualidade dos dados são desafiadoras. Em um ambiente onde desinformação pode afetar resultados, manter sistemas AI confiáveis, precisos e relevantes é crítico para garantir progresso contínuo e evitar retrocessos futuros.
A resposta longa para agricultura é focar na inserão cuidadosa da AI nos fluxos existentes na cadeia de valor Ag.
Vamos pegar o algodão como exemplo. O algodão gera aproximadamente US$ 7.1 bilhões em receitas nos EUA, com um terço produzido no Texas propenso à seca, que depende fortemente da irrigação proveniente de fontes como o aquífero Ogallala—esperado secar dentro de 50 a 100 anos. Em 2022, cerca de 74% dos agricultores abandonaram suas plantações optando por pagamentos do seguro. Os rendimentos do campo influenciam onde os processadores localizam as usinas para reduzir custos de transporte, afetando toda a cadeia logística e vendas.
A AI pode ser aplicada em muitas áreas na Indústria do Algodão: Spatial Data Science ajuda na análise do mercado para várias cultivares; Knowledge Graphs auxiliam na configuração e rastreabilidade das fardas nas cadeias logísticas; Digital twins simulam operações das usinas; e Large Language Models podem aproveitar knowledge graphs do processo do algodão e do estado geral da produção.
No entanto, investir em AI para previsão de rendimento é particularmente valioso, pois previsões precisas são críticas para toda a cadeia logística. Vamos examinar isso mais detalhadamente.
Aqui está um exemplo direto de estimativa de rendimento de algodão no Norte do Texas combinando dados de temperatura e vegetação com base em graus-dia de crescimento (veja a apresentação em Raster Analytics).<\/P>
Para prever o rendimento no nível do campo para decisões agrícolas informadas, o sistema deve reconhecer as localizações dos campos. Esta tarefa usa deep learning, e a Esri fornece modelos geoespaciais pré-treinados que simplificam a integração nos fluxos de trabalho. Com previsões preditivas, os agricultores podem identificar áreas com baixo desempenho e considerar práticas de conservação ou outras práticas de manejo agrícola para melhorar os resultados.<\/P>
Embora a orientação de especialistas apoie essa abordagem, validar os resultados requer entrada local estruturada dos agricultores no nível do campo — dados do USDA apenas no nível do condado não são suficientes. O conhecimento local é crucial para construir conjuntos avançados de treinamento além do que os modelos pré-treinados oferecem.<\/P>
É por isso que a colaboração com empresas como Land O’ Lakes e AC Foods, e a comunidade Ag GIS é vital — eles têm os relacionamentos confiáveis necessários para verificar esses modelos. A Esri fornece as ferramentas, mas estender as soluções de AI depende dos dados e da expertise dos parceiros em cooperação com os serviços de extensão (por exemplo, Texas A&M AgriLife Extension Service).<\/P>
<\/span><\/P> Em resumo, a agricultura é um campo cauteloso onde erros podem causar perdas significativas. Nosso papel é garantir que AI seja totalmente implementada, com sistemas confiáveis e confiáveis de gerenciamento de dados e análises, enquanto envolve a expertise agrícola local para manter o conhecimento confiável. Essa abordagem garantirá que AI realmente signifique Agricultural Intelligence<\/EM><\/STRONG>.<\/P>A Discussão do Painel<\/U><\/STRONG><\/FONT><\/P>Para discutir o papel da Agricultural Intelligence, o Ag SIG tem representantes tanto da indústria quanto da academia, onde os painelistas incluíram (como mostrado abaixo, da esquerda para a direita):<\/P>Nick Short<\/STRONG>, Gerente de Soluções para Indústria Agrícola, Esri<\/LI>Sanaz Havaei<\/STRONG>, Analista de Aplicações Comerciais, AC Foods<\/LI>Kirk Wythers<\/STRONG>, Líder de Valor Comercial, Land O’ Lakes<\/LI>Mike Buser<\/STRONG>, Professor, Cadeira Endowed em Engenharia de Algodão, Descaroçamento e Mecanização, Texas A&M AgriLife<\/LI>Mark Dann<\/STRONG>, Gerente Sênior de Contas, Esri<\/LI><\/UL>O painel discutiu as seguintes perguntas:<\/P>Quais oportunidades você vê para aproveitar ML para Previsão Preditiva de Rendimento, e qual impacto isso poderia ter nos negócios?<\/EM><\/P>2809cQuais são algumas das maneiras pelas quais você está usando AI - Advanced Geospatial Analytics em seus vários negócios e aplicações de P&D?e2809d <\/EM><\/P>O consenso geral entre o grupo foi que AI confiável, assim como Data Science, depende de uma infraestrutura sólida de gerenciamento de dados para garantir que os algoritmos sejam alimentados com dados de qualidade.<\/P>
<\/span><\/P>
