In dit GLASE-artikel, wij praten over AI, zijn potentieel voor gecontroleerde omgeving landbouwen principes voor de adoptie van AI in de tuinbouw. 

Het gebruik van kunstmatige intelligentie bij de productie van gewassen met een gecontroleerde omgeving heeft het potentieel om gewassen sneller en efficiënter te laten groeien.

De meeste mensen zijn bekend met de term kunstmatige intelligentie of AI. Ken Tran, oprichter van Koidra LLC, zei dat kunstmatige intelligentie een zeer los gedefinieerde term is.

“AI betekent heel breed alles wat een computer kan doen om een ​​taak uit te voeren”, zegt Tran. “Klassieke AI kan een programma zijn dat niet voortdurend kan leren en verbeteren. Er kan bijvoorbeeld een programma worden geschreven voor een computer om te schaken. Een computer kan zelf schaken, maar volgt een specifieke logica die door de programmeur wordt opgelegd. Dit soort AI verbetert in de loop van de tijd niet met data.”

Een tweede type AI kan de verantwoordelijkheid hebben om in de loop van de tijd te leren en te verbeteren met aanvullende gegevens.
“Dit type AI is veelbelovend omdat het voortdurend kan verbeteren”, zegt Tran. “Met dit soort AI kan een computer autonoom leren hoe hij de data moet gebruiken.”

Tran zei dat beide soorten AI nuttig zijn en elkaar zullen versterken.

“Het tweede type wordt beschouwd als de tweede fase van AI”, zei hij. “De leerbare AI is de volgende fase van het expertsysteem-type AI. Beide soorten AI kunnen belangrijke toepassingen hebben in de gecontroleerde landbouw.”

De Greenhouse Challenge omvat AI
Tran was de hoofdonderzoeker en leider van een team van AI- en tuinbouwexperts dat de eerste International Autonomous Greenhouse Challenge won, georganiseerd door Wageningen University and Research in Nederland. Tran was de belangrijkste onderzoeksingenieur van het Project Sonoma-team. Op het moment dat Tran aan de uitdaging deelnam, was hij een medewerker van Microsoft Research, waar een groot deel van zijn focus op machine learning lag.

De kasuitdaging liep van mei tot en met december 2018, waarbij vijf teams een komkommergewas telen in hun eigen kasafdeling op de universiteit. Het doel van de uitdaging was om AI te combineren met kasgegevens om de gewasproductie te maximaliseren en tegelijkertijd de input van de kas te minimaliseren.

"Het succes van het Sonoma-team in de competitie kwam voort uit onze samenwerking met tuinbouwonderzoekers", aldus Tran. “Zonder hun deelname en de domeinkennis die zij aanleverden, hadden we dit succes niet kunnen bereiken.”

Het team werkte samen met onderzoekers, waaronder Dr. Xiuming Hao van Agriculture and Agrifood Canada, Shalin Khosla van het Ontario Ministry of Agriculture, Food and Rural Affairs Agriculture en Dr. Chieri Kobota van de Ohio State University.

"Voordat we komkommers kweekten voor de competitie, hadden we geen komkommers geteeld, maar we konden toch winnen", zegt Tran. “Tijdens de wedstrijd presteerde ons team beter dan een team van deskundige Nederlandse telers die eerder komkommers hadden geteeld. Ons team slaagde erin ruim 55 kilogram komkommers per vierkante meter te produceren. Bovendien was de nettowinst op de komkommers 17 procent hoger dan bij de Nederlandse telers.”

Potentiële voordelen voor CEA
Terwijl Tran bij Microsoft werkte, werkte hij aan versterkend leren. Hij legde uit dat versterkend leren, in een simplistische definitie, een datagestuurde methode is die wordt gebruikt in controletoepassingen. Het leert de beste acties te vinden op basis van belonings- of strafgegevens.

“We wilden een goede toepassing vinden om ons onderzoek naar versterkend leren te motiveren”, zei hij. “In 2017 was ik op zoek naar een pure applicatie, dat wil zeggen een applicatie die een grote impact zou hebben en ook haalbaar zou zijn voor versterkend leren. Ik begon met indoor verticale boerderijen, wat een goede toepassing is omdat het een goed gecontroleerde omgeving is met weinig invloed van buitenaf. Het is gemakkelijk om aan de slag te gaan, omdat de testomgeving zo eenvoudig kan zijn als een kleine groeikamer.

“Sommige soorten toepassingen die hiervoor geschikt zijn, zijn onder meer het gebruik van versterkend leren om een ​​controleprobleem op te lossen. We wilden een probleem in de echte wereld oplossen, maar het toepassen van versterkend leren in de echte wereld is een hele uitdaging. Daarom zocht ik naar toepassingen die goed te controleren zijn en verschillende schaalgroottes kunnen hebben, van een kleine kweekkamer tot een grote kweekruimte.”

Tran zag het potentieel dat verticale boerderijen hadden om de problemen van de duurzame voedselproductie wereldwijd op te lossen. Hij sprak met CEA-onderzoekers en experts over de hele wereld, waaronder de Verenigde Staten, Japan en China. Eén van de instellingen waarmee Tran contact opnam was Wageningen Universiteit.

“Toen we de universiteit bezochten, hoorden we hoe ze deze broeikasgasuitdaging gingen organiseren”, zegt Tran. “We hebben met hen gesproken over de mogelijkheden voor samenwerking. Met dit wedstrijdplatform konden we ons uit de voeten maken door daadwerkelijk iets te doen en niet alleen maar te praten over de theorie en de mogelijkheden.”

Meer data verzamelen bij telers
Tran zei dat er veel meer gegevens nodig zijn van telers, zodat computers autonoom kunnen leren hoe ze de gegevens moeten gebruiken.

“We proberen te begrijpen hoe goede telers een gewas produceren”, zei hij. “Het gaat niet om één teler, maar om meerdere telers. We bestuderen de plantenwetenschap en proberen een goede formule te bedenken voor het telen van een gewas. Die formule evolueert niet vanzelf. Het is een vaste formule. Het reageren op veranderende omstandigheden geeft aan dat je dit onder deze omstandigheden moet proberen.

“Dit is de eerste stap in ons onderzoek en het was zeer succesvol. Het presteerde al beter dan veel andere telers, omdat we de kennis van meerdere deskundige telers konden bundelen. We proberen AI te ontwikkelen die met meer gegevens in de loop van de tijd kan leren en verbeteren. Wij willen niet bij één systeem blijven.”

Tran zei dat het besturen van een verticale boerderij eenvoudiger is dan het besturen van een kas.

“In beide scenario’s kan onze huidige technologie echter al worden gebruikt”, zei hij. “Deze technologie zal blijven evolueren voor nog meer impact. De technologie kan in beide toepassingen worden gebruikt door gebruik te maken van wat we al weten over plantwetenschap, machinaal leren en AI in het algemeen. Het is niet zo dat we moeten wachten op nieuwe technologie of dat het onderzoek nog niet klaar is en dat wij moeten wachten. We kunnen de technologie vandaag al benutten en dat hebben we in meerdere scenario’s aangetoond.”

Tran werkt aan een commercieel AI-programma dat kan worden aangepast aan een verscheidenheid aan gewassen.
"Het proces zal vergelijkbaar zijn voor het ontwikkelen van een programma voor elk CEA-gewas", zei hij. “De data omvatten milieugegevens van binnen en buiten de kas. Deze gegevens worden automatisch gegenereerd door meerdere sensoren die in de kas zijn geïnstalleerd, waaronder lichtniveaus, temperatuur, relatieve vochtigheid, nutriëntenniveaus, waterkwaliteit en kooldioxideniveaus.

“Voor elk gewas zouden we met de telers moeten praten om erachter te komen hoe ze momenteel telen, om zo een basislijn op te stellen. Gewasgegevens zouden dagelijks en/of wekelijks handmatig door de telers worden aangeleverd, afhankelijk van het gewas. Het programma zal vanaf de basislijn evolueren naarmate er meer gegevens binnenkomen. We willen dat het programma veilig is voor elk gewas.”

Principes voor de adoptie van AI in de tuinbouw
Tran zei dat als telers en de tuinbouwsector AI willen adopteren, de principes van veiligheid voorop moeten worden gevolgd. Deze omvatten:

• Het AI-systeem moet op dezelfde manier gaan groeien als telers willen, zonder risicovolle afwijkingen van wat telers zouden doen. Deze groei zou voortdurend verbeteren.
• Telers konden eenvoudig schakelen tussen handmatige, aanbevelings- en Copilot-modi. De kasexploitant heeft altijd de controle en kan er op elk moment voor kiezen om de AI-besturingsmodus te verlaten. In de aanbevelingsmodus zou het AI-systeem alleen aanbevelingen ter beoordeling naar de operator sturen en zouden de instelpunten nog steeds handmatig door de operator worden ingevoerd.
• Het systeem moet eenvoudige en continue monitoring ondersteunen.