La cura dei campi è tra le attività più antiche dell’umanità che, nel tempo, si è rinnovata con l’arrivo di nuove tecnologie. Tra queste spicca proprio l’intelligenza artificiale nell’agricoltura.

L’agricoltura è un settore da oltre 5 trilioni di dollari con due caratteristiche piuttosto importanti:

• È un mercato molto competitivo, dettato da grandi economie di scala
• Viene fatta molta ricerca nell’automazione e nell’efficienza tecnologica

Riguardo a quest’ultimo punto, l’AI è la tecnologia per eccellenza quando si parla di previsione, efficienza e automazione di tutta la filiera dei campi.

In questo approfondimento inizieremo a vedere alcune delle applicazioni più interessante di big data e intelligenza artificiale nell’agricoltura, passeremo poi a 4 case study di aziende che già hanno deciso di investire in questo settore e infine alle best practices per applicare la tecnologia in maniera startegica e generare valore di business.

Applicazioni di intelligenza artificiale nell’agricoltura

Ad essere sinceri ci sono centinaia (forse migliaia) di diverse applicazioni per ottimizzare il lavoro nei campi, ne ho elencate tre in modo iniziare a capire le reali potenzialità della tecnologia.

1. Sistemi di irrigazione automatizzati

È scontato dirlo, ma i campi coltivati necessitano di cure e manutenzioni costanti.

Una delle principali attività è l’irrigazione, che si occupa di mantenere i terreni umidi e adatti al fabbisogno delle culture.

Senza l’AI, un sistema di irrigazione si limiterebbe ad attivare e disattivare l’irrigazione negli orari prestabiliti.

Con l’AI, invece, è possibile realizzare un sistema di irrigazione automatizzato in grado di occuparsi di ogni aspetto senza alcun intervento umano.

In brevi parole: il sistema AI si occupa di decidere quando irrigare un campo e quanta acqua utilizzare, in base allo stato del terreno, delle piante e decine di altre variabili.

In questo modo la coltivazione viene gestita nel modo più efficiente possibile, riducendo in modo sostanziale i costi di produzione e incrementando i raccolti.

2. Diagnosi e controllo della qualità del raccolto

Dopo il raccolto, alcune colture potrebbero risultare danneggiate, acerbe o affette da problematiche varie.

Questo è il motivo per cui, di solito, i prodotti vengono selezionati, analizzati e verificati uno per uno.

Tuttavia, un processo del genere richiede molto lavoro manuale, ed è praticamente impossibile per un uomo analizzare migliaia di prodotti senza commettere errori.

La situazione cambia con l’uso dell’intelligenza artificiale nell’agricoltura.

Un sistema AI è in grado di analizzare le caratteristiche di ogni pianta, frutto o verdura raccolta, e rimuovere con grande accuratezza i prodotti di qualità non soddisfacente.

Un sistema robotico di questo tipo è molto più affidabile, rapido ed efficiente di un essere umano, e porta a grandi benefici all’azienda che ne fa uso.

Per citarne alcuni: minori costi di produzione, meno personale impiegato e prodotti di qualità maggiore.

3. Monitoraggio dello stato del terreno

Sistemi di 3D Laser Scanning e Hyperspectral Imaging sono in grado di fornire utili informazioni sullo stato del terreno e delle sue colture.

I dati ricavati da questi sensori possono essere dati in pasto a un algoritmo di machine learning appositamente addestrato.

L’uso questi modelli può portare alla luce numerose caratteristiche che altrimenti non sarebbero mai state rilevate con metodi “convenzionali”.

In questo modo, si possono rilevare fattori, problematiche o vantaggi per sfruttare al meglio il ciclo di crescita delle piante.

In altre parole: grazie al machine learning si ottiene ancora più efficienza nei raccolti.

Case Study 1: diagnosticare le malattie delle piante con il machine learning

Gli agricoltori spendono miliardi di dollari all’anno per controllare e gestire le malattie delle colture (crop diseases).

Spesso, tuttavia, queste operazioni vengono gestite in modo inaccurato, e gli agricoltori finiscono per mettere in atto soluzioni inadeguate o dannose per i propri campi.

Quando si parla di malattie delle colture è fondamentale che il giusto trattamento venga applicato.

In altre parole, è necessaria una corretta diagnosi della salute delle piante, e per eseguire tale operazione è necessario un esperto del settore (plant pathologist).

Tuttavia, i plant pathologist non sono così tanti, e per loro sarebbe virtualmente impossibile viaggiare in ogni singola fattoria per fornire assistenza.

Un’azienda biochimica, fornitrice di trattamenti per le malattie delle piante, si è resa conto di questa problematica.

L’azienda si è accorta che i propri prodotti non possono essere efficaci se le giuste diagnosi non vengono realizzate.

Insomma: l’obiettivo era trovare una soluzione per garantire corrette diagnosi alle piante in modo semplice e veloce, così da poter aumentare le vendite dell’azienda biochimica

La soluzione? In collaborazione con Object Computing, è stata sviluppata un’applicazione mobile che permetteva agli agricoltori di fotografare le piante e ricevere accurate diagnosi in tempo reale.

L’applicazione, una volta rilevata la malattia, identificava la corretta soluzione e raccomandava il miglior prodotto da acquistare per le colture.

Il processo di diagnosi funzionava grazie all’utilizzo di algoritmi di image analytics sviluppati con il machine learning, e addestrati su oltre 50.000 immagini.

Il modello si avvaleva del Google ML Engine, che forniva grandi vantaggi in termini di rapidità nelle risposte e di scalabilità.

Quali sono stati i benefici dell’azienda biochimica?

In primo luogo, le rapide e corrette diagnosi hanno portato a un miglioramento complessivo del servizio, che è diventato in grado di soddisfare i problemi di ogni contadino.

In secondo luogo, gli agricoltori stessi hanno salvato grandi quantità di tempo e denaro usufruendo di una corretta raccomandazione dei prodotti.

Grazie all’intelligenza artificiale nell’agricoltura, l’azienda ha visto aumentare sia le vendite che la fiducia dei propri clienti.

Case Study 2: ottimizzare la salute dei vigneti con i dati satellitari

Durante la stagione di crescita, la maturità e la qualità dei vigneti possono variare a seconda della regione o del terreno.

Per ottimizzare la crescita, gli agricoltori monitorano attivamente le viti, cercando di capire quando applicare nutrienti, pesticidi o acqua.

Per eseguire queste operazioni, i coltivatori usano svariati strumenti in grado di analizzare le caratteristiche dell’uva; uno tra questi è uno spettrometro da usare a mano.

L’European Space Imaging (EUSI) è una compagnia tedesca fondata nel 2002 che fornisce immagini satellitari di alta qualità.

Insieme a TotalView, le due aziende hanno acquisito e analizzato immagini satellitari dei vitigni con l’obiettivo di trovare modi per ottimizzare i raccolti.

Le immagini erano state catturate nello stesso giorno in cui gli agricoltori utilizzavano gli spettrometri per ricavare dati utili.

Tramite varie analisi, si è scoperto che gli indici di vegetazione ricavati dalle immagini satellitari erano molto simili a quelli rilevati dagli spettrometri a mano.

In altre parole: i dati dei satelliti potevano essere usati per monitorare la salute delle piante in modo efficace.

Ovviamente, usare immagini satellitari era molto più efficiente piuttosto che andare sul campo e usare gli strumenti a mano.

Attualmente, le compagnie hanno intenzione di continuare a effettuare ricerche in tal proposito, e per farlo continueranno a collezionare e analizzare i dati dei satelliti.

Ancora una volta, la raccolta e l’analisi dei dati hanno mostrato un modo più efficace di effettuare operazioni lente, stancanti e ripetitive.

Case Study 3: come Sentera fornisce utili consigli agli agricoltori

I clienti di questo case study sono agricoltori che operano su circa 50.000 acri, e che coltivano ortaggi come lattuga, carote, cereali e broccoli.

Alcuni di questi ortaggi, come la lattuga, possiedono cicli di crescita molto brevi (poco più di 2 mesi).

Per questo motivo gli agricoltori hanno bisogno di informazioni, consigli e insights rapidi, così da poter essere implementati nel minor tempo possibile.

In altre parole: con cicli di crescita così brevi, ogni giorno conta, e i contadini hanno bisogno di dati accurati e immediati.

Sentera è una compagnia che si occupa proprio di questo: ricevere dati dai campi coltivati e fornire informazioni per ottimizzarne l’uso.

Ad esempio, nella seguente citazione vediamo come Sentera ha potuto aiutare un cliente: “Quando abbiamo sorvolato il campo, abbiamo visto vari problemi nella piantagione. Alcune aree avevano il doppio dei semi che avrebbero dovuto avere, e altre aree non ne avevano affatto“.

In breve, Sentera è in grado di rilevare le problematiche della coltivazione e fornire suggerimenti estremamente utili ai propri clienti.

Per farlo, la compagnia utilizza sensori e droni in grado di mappare dettagliatamente i campi coltivati.

Più dati Sentera è in grado di ricavare dal campo, maggiori utili informazioni può fornire ai propri clienti.

Come espresso dalla compagnia: “Quando abbiamo i dati, possiamo stimare la quantità potenziale del raccolto e prendere decisioni manageriali; ad esempio: ‘dovremmo aggiungere altro fertilizzante?’ oppure ‘il problema è così grave al punto in cui bisogna riseminare certe aree?’“.

Nel fornire queste soluzioni, Sentera dà molta importanza al ROI, e a garantire quindi un ritorno economico che giustifichi l’investimento.

“Potremmo avere i migliori equipaggiamenti al mondo, ma se implementarli costa 3 volte quanto l’agricoltore ricaverà da ogni acro, allora non è un buon investimento. Il nostro focus è assicurarci che i produttori possano realizzare un ritorno economico“

In questo modo, i clienti possono beneficiare dell’incredibile vantaggio che l’analisi dei dati è in grado di portare.

Case Study 4: John Deere, i big data e l’intelligenza artificiale nell’agricoltura

John Deere è una delle principali aziende al mondo produttrice di macchine agricole, fondata nel 1837 nell’Illinois.

La compagnia in questione è sempre stata pioneristica per quanto riguarda le nuove tecnologie, sin dall’anno della sua fondazione.

Per questo motivo, non c’è da sorprendersi di come abbiano implementato i big data nella propria strategia aziendale.

La popolazione mondiale sta crescendo rapidamente, così come la domanda per una maggiore quantità di cibo.

Per far fronte a questa crescita, c’è bisogno di incrementare l’efficienza della produzione delle coltivazioni.

A tal proposito, la John Deere ha lanciato vari servizi basati sui big data.

Questi servizi erano in grado di fornire informazioni in tempo reale sullo stato dei campi, e consigli utili come “dove e quanto fertilizzante usare”, per fare un esempio.

In pratica, come vengono usati i big data? Gli agricoltori potevano accedere ai dati ottenuti dai propri sensori tramite il portale online Myjohndeere.com.

Nel portale erano presenti anche i dati di altri clienti in giro per il mondo, e dati provenienti dal meteo o dalla finanza.

Questi servizi permettevano agli agricoltori di prendere decisioni informate riguardo a come usare i propri equipaggiamenti in modo efficiente.

Usando al meglio questi strumenti, si potevano ricavare risultati migliori, maggiore produzioni e un sostanziale incremento del ROI.

Analizzando i big data provenienti da migliaia di fattorie, sparse in diverse aree con diverse condizioni atmosferiche, è possibile ricavare informazioni sempre più accurate e utili, adatte per qualsiasi evenienza.

Un altro servizio di John Deere è Farmsight, lanciato nel 2011.

Il servizio permetteva agli agricoltori di pianificare quali piante coltivare in base ai dati ricavati dai propri campi.

Con Farmsight, i macchinari potevano essere programmati per alterare il proprio comportamento in base alle “best practices” suggerite dall’analisi dei dati.

Quali sono stati i risultati di queste iniziative da parte di John Deere? Prima di tutto, incremento nei profitti degli agricoltori e benefici ambientali.

Riguardo a quest’ultimo punto, grazie all’analisi dei dati è possibile capire esattamente quanti pesticidi e fertilizzanti usare, così da evitare prodotti non necessari e conseguente inquinamento.

La piattaforma MyJohnDeere consente a ogni cliente di condividere i propri dati con le altre persone, ma non solo.

I dati possono essere forniti anche a sviluppatori terzi, che possono realizzare API per fornire ulteriori analisi.

Per approfondire, ho parlato di API e di come le startup possono beneficiare dell’intelligenza artificiale in questo articolo.

Nella visione di John Deere, il futuro dell’agricoltura sarà dominato dalle macchine: un piccolo team si troverà di fronte a un computer, mentre vari robot e macchinari si occuperanno della coltivazione e della raccolta.

(Fonte: Big Data in Practice – Bernard Marr)

Problemi e sfide nell’utilizzo dell’intelligenza artificiale nell’agricoltura

Come abbiamo visto l’intelligenza artificiale applicata all’agricoltura è uno strumento molto potente che permette di generare ROI misurabile in tante situazioni diverse.

Tuttavia, non è semplice guidare l’adozione di big data e AI in un contesto agricolo (seppur digitalizzato e all’avanguardia).

I motivi sono i seguenti:

1. Leadership

Quando si parla di intelligenza artificiale, la leadership non è un problema legato unicamente al settore agricolo, ma a tutto il mondo del business in generale.

Avere una leadership che creda davvero in questa tecnologia e capisca le sue potenzialità è piuttosto raro.

Gli investimenti in AI (e in innovazione generalmente) vengono spesso percepiti come problemi da affrontare piuttosto che come opportunità di creare valore di business.

Aspettative sbagliate, scelta errata degli use cases, focus su un ROI a breve termine che difficilmente si palesa e scarsa educazione tecnologica portano ad approcciare la trasformazione in maniera per nulla strategica e fallimentare.

2. Agricoltori ed AI

Se da una parte la leadership non comprende la tecnologia, è molto probabile che neanche manager operativi e professionisti non abbiamo la più pallida idea delle potenzialità di AI e analytics.

Non siamo di fronte a una tecnologia plug-and-play, ma di una vera e propria trasformazione tecnologica che va affrontata a tutti i livelli aziendali coinvolgendo le risorse umane.

Il gap tra tecnologhi e professionisti agricoli è molto forte mentre la buona riuscita di un progetto di intelligenza artificiale è l’unione tra l’esperienza di dominio, la visione strategica di come utilizzare dati e intelligenza artificiale, e i talenti tecnici che costruiscono la tecnologia.

Trasformare un’azienda con l’intelligenza artificiale richiede un forte lavoro trasformativo, ne ho parlo in: come l’intelligenza artificiale cambia la startegia aziendale.

Un buon punto di partenza potrebbe essere proprio parlare con un consulente di AI: in questo articolo, parlo di come scegliere il consulente adatto.

3. Dati, accuratezza e connettività

Passiamo poi dai problemi che caratterizzano proprio il settore agricolo: difficoltà a reperire dati (utili), i livelli di accuratezza variabili e la connettività delle zone agricole.

Per prima cosa, un dataset valido all’applicazione tecnologica non è affatto semplice da reperire e mantenere aggiornato: il livello di accuratezza necessario è abbastanza elevato e le variabili sono in costante cambiamento.

Spesso è necessario raccogliere dati a livello locale con sensori specifici.

Se la varianza dei dati raccolti è molto alta, si possono verificare seri problemi statistici (specie con le condizioni climatiche).

Una soluzione potrebbe essere, da una parte, la creazione di dataset divisi localmente, e dall’altra l’utilizzo di dati in tempo reale.

Il vero problema è che non è sempre possibile in quanto i campi sono spesso in zone rurali non ben collegate alla rete causando problemi di connettività.

Pensieri finali su intelligenza artificiale e agricoltura

Nelle scorse settimane, abbiamo avuto modo di comprendere le potenzialità dell’analytics nel retail, e di come l’intelligenza artificiale sia destinata a cambiare il mondo della finanza.

Oggi, ci siamo focalizzati su uno dei mestieri più antichi della storia dell’umanità: l’agricoltura.

Le fattorie che implementeranno l’intelligenza artificiale per l’agricoltura avranno immensi vantaggi rispetto a chi non ne usufruirà.

E questi vantaggi non andranno solo a beneficio dell’agricoltore, ma anche del consumatore finale, che avrà accesso a prodotti di qualità maggiore e, possibilmente, a un prezzo minore.

Ultimo, ma non per importanza, anche il pianeta potrà beneficiare di questa nuova tecnologia, ad esempio minimizzando l’uso di pesticidi quando non necessari.

Per quanto riguarda le problematiche che ho elencato alla fine dell’articolo, sono fiducioso del fatto che negli anni a venire verranno colmate.

Quante più aziende trarranno beneficio dal machine learning nel business, tanto più questa tecnologia diverrà semplice da implementare in ogni campo.