In 2018 kweekten vijf teams komkommers in een baanbrekende Autonomous Greenhouse Challenge internationale competitie De twist: slechts één van de teams bestond uit ervaren menselijke telers die hun kascompartiment handmatig bedienden. De overige vier teams bestonden uit internationale experts op het gebied van tuinbouw en kunstmatige intelligentie (AI). Ze werkten aan de ontwikkeling van AI-oplossingen om hun gewassen op afstand en autonoom te beheren. Het doel van de wedstrijd, 's werelds eerste Autonomous Greenhouse Challenge, was om doorbraken in duurzame voedselproductie te stimuleren.
Na vier intense maanden kwamen de handmatige telers op de tweede plaats. Het eerste team, geleid door een van de auteurs van dit artikel, won met een autonome teeltoplossing die niet alleen 6% meer opbrengsten en 17% hogere nettowinst behaalde, maar ook minder CO verbruikte2, verwarming en waterinvoer.
Om meer te weten te komen over de concurrentie en te begrijpen hoe een AI-oplossing kan concurreren met - en zelfs beter presteren dan - een team van bekwame menselijke telers, laten we AI eens nader bekijken en hoe het zich verhoudt tot kasautomatisering.
Kasautomatisering is niets nieuws
Al decennia lang gebruiken telers procescomputers, sensoren en actuatoren om het kasklimaat en irrigatie te beheren. In een dergelijk scenario is de taak van de procescomputer eenvoudig en vertrouwt hij op eenvoudige logische regels. Als de luchttemperatuur hoger is dan 75 ° F, open dan bijvoorbeeld de ventilatieopening. Het vervelende werk van het aflezen van temperaturen en het in- en uitschakelen van lichten en verwarmingstoestellen wordt gedelegeerd aan machines.
Op regels gebaseerde automatisering kan natuurlijk niet omgaan met onvoorziene omstandigheden. Nog belangrijker is dat een bekwaam mens alle beslissingen over gewasbeheer moet nemen, tot aan de exacte instelpunten voor omgevingsparameters. Om betrouwbaar hoge opbrengsten te behalen, is een aanzienlijk niveau van kennis en vaardigheid nodig, en zelfs dan is het gemakkelijk om fouten te maken. Naarmate boerderijen groter worden, wordt het werk van het continu monitoren van de gewassen zelfs nog veeleisender.
Helaas weten telers maar al te goed dat arbeid de grootste bron van problemen is in de productie. Jaar na jaar, in Kassenbouwer Top 100 telersonderzoek, telers rapporteren uitdagingen, niet alleen met de arbeidskosten, maar ook met de beschikbaarheid van geschoolde arbeidskrachten. Het is niet verrassend dat telers steeds vaker op zoek zijn naar manieren om deze uitdagingen aan te gaan, waaronder nieuwe technologieën die het kasbeheer autonomer kunnen maken.
AI is een stap verder dan op regels gebaseerde automatisering
Een goede manier om na te denken over kunstmatige intelligentie is dat het een stap verder gaat dan eenvoudige, op regels gebaseerde automatisering. Moderne AI heeft alles te maken met het gebruik van wiskunde om patronen in gegevens te vinden, inclusief het soort dat wordt aangetroffen in milieusystemen en biologische systemen in kassen. Bijvoorbeeld:
- Met voldoende klimaatdata kunnen telers AI gebruiken om optimale setpoints te bepalen en klimaatvoorspellingen te doen.
- Met voldoende gewasopbrengstgegevens kunnen telers AI gebruiken om opbrengstprognoses te genereren.
- Met voldoende beelddata kunnen telers AI inzetten om ziekten en plagen op te sporen.
Sommige soorten AI kunnen zelfs leren van nieuwe gegevens, waardoor ze in de loop van de tijd steeds betere resultaten opleveren.
Door diepere inzichten te bieden in de dagelijkse kasactiviteiten, kan AI worden gebruikt om deskundige besluitvorming te ondersteunen en telers op een zinvolle manier in staat te stellen. De beste resultaten komen tenslotte uit een doordachte combinatie van menselijke intelligentie en kunstmatige intelligentie.
De op data gebaseerde benadering van AI kan ook worden gecombineerd met de klassieke, op regels gebaseerde benadering, waardoor een veel hogere mate van kasautomatisering dan ooit tevoren mogelijk is. Kortom, telers kunnen AI gebruiken om veel gewone operationele taken te automatiseren, waardoor de chronische arbeidskwesties die de sector uitdagen, worden verlicht.
Data is de brandstof voor AI
AI gaat over wiskundige algoritmen, het gaat ook over data. In tegenstelling tot wat vaak wordt gedacht, bestaan enkele van de meest voorkomende algoritmen die in AI worden gebruikt al tientallen jaren. Ze zijn niet eens erg ingewikkeld. Maar de beschikbaarheid van gegevens - samen met betaalbare rekenkracht die nodig is om de gegevens te verwerken - zijn lange tijd beperkende factoren geweest.
Er was een recente ontwikkeling in computerhardware nodig om het potentieel van AI te ontsluiten. De smartphonerevolutie, aangewakkerd door Apple in 2007, creëerde volledig nieuwe productie-ecosystemen en toeleveringsketens op wereldwijde schaal. Dit veranderde de fundamentele economie van computerhardware, schijnbaar van de ene op de andere dag. Belangrijke hardwarecomponenten, zoals microprocessors, radio's en sensoren, werden exponentieel goedkoper, kleiner en krachtiger. De straaltjes ruwe data veranderden in overstromingen. De nieuwe overvloed aan gegevens en rekenkracht hielp om AI te transformeren van een nieuwsgierigheid naar onderzoek met weinig commerciële toepassingen in een technologische verandering op zee.
IoT zorgt voor een overvloed aan gegevens
In het begin van de jaren tachtig raakten afgestudeerde studenten aan de Carnegie Mellon University in Pittsburgh geïrriteerd als ze naar een Coca-Cola-automaat liepen om die leeg te vinden. Ze hebben het aangepast zodat het zijn inventaris via internet kon rapporteren. Daarbij hebben ze 's werelds eerste apparaat met internetverbinding uitgevonden.
Tegenwoordig hebben miljarden apparaten, groot en klein, van consumentenelektronica tot industriële machines, zich aangesloten bij die eerste frisdrankautomaat door verbinding te maken met internet, waardoor het zogenaamde Internet of Things (IoT) ontstaat. Wat belangrijk is, is dat IoT-apparaten, in tegenstelling tot eerdere generaties hardware - waaronder veel gangbare oplossingen voor kasautomatisering - dezelfde soorten gegevensformaten en communicatieprotocollen gebruiken als elders op internet. Door te vertrouwen op wereldwijde internetstandaarden, kan het gemakkelijker zijn om gegevens uit te wisselen met IoT-apparaten zonder dat er extra hardware nodig is om van het ene type systeem naar het andere te overbruggen.
Samen zijn AI en IoT complementaire technologieën. IoT-hardware helpt telers om gemakkelijker ruwe data uit kassen te verzamelen. En AI-software helpt telers die gegevens te begrijpen - en ernaar te handelen - om de gewasproductie te verbeteren.
Case study: het succes van Kenneth Tran in de Autonomous Greenhouse Challenge
Dr. Tran: In 2018 was ik AI-onderzoeker bij Microsoft Research in de buurt van Seattle, waar ik werkte aan een nieuwer type AI dat bekend staat als reinforcement learning. Daar ben ik begonnen met een nieuwe poging om ons onderzoek toe te passen op het domein van gecontroleerde omgevingslandbouw. Met het zogeheten Sonoma-project werkten we samen met plantenwetenschappers van het Harrow Research Centre in Ontario, Canada, en deden we mee aan de eerste internationale Autonomous Greenhouse Challenge, georganiseerd door Wageningen University & Research in Nederland.
In deze uitdaging kweekte elk team komkommers gedurende ongeveer vier maanden in een kascompartiment van 315 vierkante meter. Deze compartimenten waren uitgerust met standaard procescomputers, klimaatsensoren en actuatoren. Met behulp van IoT digitale interfaces (REST API's) konden onze AI-programma's continu gegevens van de sensoren lezen, optimale instelpunten bepalen en instelpunten terugsturen naar de procescomputers - overal op internet (zie onderstaande afbeelding). Meer details over de challenge en de resultaten zijn te vinden in een artikel van Hemming et al. (2019).
Ondanks ons gebrek aan ervaring met het telen van komkommers en ons zeer vroege prototype, kon onze autonome teeltoplossing de concurrentie winnen. We presteerden zelfs beter dan het team op de tweede plaats, het referentieteam bestaande uit deskundige Nederlandse telers, met een 6% hogere opbrengst. Die marge in opbrengst was gelijk aan een stijging van 17% van de bedrijfswinst.
Heeft het referentieteam slecht gepresteerd? Helemaal niet. Volgens veel experts presteerden ze opmerkelijk goed. Hun opbrengst was bijna 50 kg / m2 in een tijdsbestek van vier maanden, wat overeenkomt met bijna 150 kg / m2 per jaar. Dit wordt overal ter wereld als een hoge opbrengst voor een kas beschouwd.
Als resultaat van de Autonomous Greenhouse Challenge heb ik Koidra in 2020 opgericht om direct voort te bouwen op onze lessen en om de state-of-the-art op het gebied van AI en IoT voor landbouw en andere industriële besturingstoepassingen verder te pushen.
De juiste vragen stellen over AI en IoT
Tegenwoordig zijn meer glastuinders bereid en klaar om AI en IoT toe te passen. De belangrijkste uitdaging is om de producten op de markt te begrijpen en door alle marketingtaal te kunnen waden. Veel bedrijven beweren gretig dat ze een AI-algoritme of IoT-apparaat hebben dat geschikt is voor kassen.
Hier zijn enkele belangrijke overwegingen waarmee u rekening moet houden bij het evalueren van AI-software en IoT-hardware:
- prestaties: Telers zouden concrete, reële voordelen moeten kunnen zien. Vraag: Is de AI bewezen in commerciële productie om de opbrengst en de hulpbronnenefficiëntie te verbeteren? Onder welke voorwaarden? Wat is de staat van dienst van het bedrijf bij het ontwikkelen van AI- en IoT-software?
- AI-ontwerp: De meest effectieve AI-oplossingen combineren het beste van menselijke intelligentie met het beste van kunstmatige intelligentie om beslissingen te nemen. Vraag: hoe maakt het AI-model gebruik van de bestaande hoeveelheid kennis? Hoe zorgt het ervoor dat de prestaties in de loop van de tijd verbeteren met meer gegevens?
- Software ontwerp: Telers moeten de controle houden over de kasactiviteiten. Vraag: Welke software-ontwerpprincipes worden gebruikt om de gewasveiligheid te waarborgen? Kan ik te allen tijde gemakkelijk schakelen tussen handmatige, aanbevelings- en stuurautomaatmodi?
- Eigendom van gegevens: Telers moeten eigenaar zijn van hun gegevens en "vendor lock-in" vermijden. Vraag: Kan ik gemakkelijk gegevens uit andere systemen importeren? Kan ik een back-up maken van mijn eigen gegevens en deze exporteren? Zijn er API's die live gegevenstoegang en aangepaste integraties mogelijk maken? Kan ik software en hardware van verschillende leveranciers gebruiken, nu en in de toekomst?
AI en IoT kunnen telers ondersteunen
In een wereld waarin kritieke hulpbronnen - water en energie, maar ook tijd, geld en geschoolde arbeidskrachten - schaarser worden, is het zinvol om nieuwe technologieën te onderzoeken om die last te verlichten. Zoals we hebben geleerd van de Autonomous Greenhouse Challenge, kunnen telers inderdaad grotere opbrengsten en een efficiënter gebruik van hulpbronnen behalen met het gebruik van AI-software en IoT-hardware. Bovendien worden deze technologieën in hoog tempo verder ontwikkeld en geavanceerd.
Uiteindelijk kunnen AI en IoT glastuinders echt in staat stellen - om betere beslissingen te nemen, meer te doen met minder - om het voedsel van de wereld duurzamer te verbouwen.