Искусственный интеллект «научился» помогать аграриям в решении самых насущных задач. В их числе — отслеживание вегетации посевов, обработка полей, минимизация потерь при уборке урожая. Разбираем с экспертами Альянса в сфере искусственного интеллекта, какие умные технологии сегодня наиболее востребованы в растениеводстве. 

На старте трансформации

К настоящему времени только 30% предприятий крупного бизнеса завершили процесс построения цифрового фундамента, отмечает директор по развитию бизнеса в АПК компании «К2Тех» Александр Эдер. Речь идёт о внедрении систем управления предприятием, промышленной безопасностью, производством, логистикой и складом, а также планирования и т. д. «Это говорит о том, что цифровая трансформация отрасли находится на стартовом уровне», — замечает эксперт. По его данным, 70% предприятий крупного бизнеса ещё не закончили минимально необходимое обновление вычислительной и сетевой инфраструктуры предприятия, их цифровой переход может начаться только к 2030 году. 

Процесс внедрения технологий искусственного интеллекта в АПК тоже только начался, говорится в

материалах

АНО «Цифровая экономика». Это делают в основном предприятия из числа всё тех же 30%, озаботившихся возведением цифрового фундамента.

В ближайшие 1—2 года наиболее активно будут внедряться технологии прогнозной аналитики, точного земледелия, в перспективе 3—5 лет — роботизированная, автопилотируемая техника, на горизонте пяти лет и более — биотехнологии на основе ИИ, отмечает директор направления «Цифровая трансформация отраслей» АНО «Цифровая экономика» Алексей Сидорюк.

По его мнению, в ближайшие 5—10 лет на темпы внедрения ИИ будут влиять: 

поддержка государством внедрения ИИ в отрасли, распространение на него грантов и субсидий;

изменение законодательства для внедрения ИИ;

формирование отраслевых датасетов и размещение их для разработчиков ИИ; 

упрощение порядка и стоимости доступов космических снимков (дистанционного зондирования земли).

В июле Альянс в сфере искусственного интеллекта объявил о создании первого в России «Отраслевого

клуба

в сфере ИИ (АПК)». Цели его создания — рост бизнеса и развитие отечественного рынка интеллектуальных отраслевых решений. Клуб объединяет крупные компании АПК и смежных отраслей, поставщиков ИИ-решений, в том числе стартапы. 

На первой встрече участники клуба выступили с инициативой создания большой отраслевой языковой модели на примере АПК. Спектр запросов может включать получение актуальных данных о погоде, статусе работ на поле, индексе вегетации. Клуб также планирует участвовать в создании Национальной системы метрик для оценки отраслевых ML-моделей. Будет разработана пилотная методология на примере сельского хозяйства — для последующего тиражирования на другие отрасли. 

Предпосылки для цифровой трансформации есть. Российское сельское хозяйство с 2014 года показывает непрерывный рост притока инвестиций, на основных рынках наблюдается регулярное обновление рекордов по объëмам производства продукции, например, в сегментах зерновых и масличных культур, свинины и мяса птицы. На этом фоне участники отрасли фокусируются на повышении эффективности на каждую единицу продукции, обращаясь к высоким технологиям. 

Инвестиции в основной капитал в сферах растениеводства и животноводства, млрд рублей

Источник: Росстат

Топ-6 решений в растениеводстве 

1. Автономная агротехника

Эта технология позволяет минимизировать ошибки, которые часто допускает человек при полевых работах. Например, техника с машинным зрением не пропускает участки при посеве или уборке урожая. Беспилотные тракторы и прочие агрегаты также применяются при внесении удобрений и средств защиты растений, а также и в других видах работ. В результате это даёт прибавку к урожаю до 10%.

Российский разработчик систем автономного управления сельхозтранспортом Cognitive Pilot уже четыре года оснащает комбайны, а с 2023 года и

тракторы

в различных регионах России. В том числе с июля система

устанавливается

на тракторах «Кировец». Агропилот использует не только координаты со спутников (GNSS), но и обрабатывает видеопоток с камер — при угрозе столкновения трактор тормозит. В связи с ростом спроса Cognitive Pilot

создаст

в Томске предприятие по выпуску умных систем для автопилотирования сельхозтехники и рельсового транспорта мощностью до 50 000 изделий к 2026 году.

Как общаются механизаторы и ИИ

В этом году Cognitive Pilot

внедрила

технологию нового класса R2D (Robot to Driver), которая позволяет общаться роботу с водителем. Для этого создана новая архитектура нейронной сети, аналогов продукта на рынке нет. Объём российского рынка R2D-решений, по оценкам ассоциации «Интерагротех», к 2026 году превысит 6 млрд рублей. 

Эта технология Cognitive Feedback мониторит работу автопилота и сообщает механизатору об отсутствии проблем либо предупреждает о потенциальных случаях снижения надёжности работы ИИ и о проблемных факторах. Последние могут возникать при густом тумане, сильной запылëнности или при загрязнении датчика камеры. Система подсказывает, на каком участке комбайнёру лучше перейти на ручной режим управления. Необходимость разработки этой технологии вызвана тем, что водители ещё только привыкают к автопилоту, зачастую перестраховываются и отключают его. Поэтому компания решила наладить их общение. 

Благодаря повышению доверия механизатора к ИИ и, как следствие, минимизации человеческого фактора и своевременному устранению проблем эффективность уборки вырастет на 20—25% (по сравнению с показателями, когда управляет человек), подсчитали разработчики. 

Объём глобального рынка технологий и оборудования для беспилотной сельхозтехники, по оценкам ReportLinker, к 2030 году вырастет до 231,8 млрд долларов с 79,5 млрд долларов в 2022 году. 

2. Дроны для выявления зон риска 

Агрономы не всегда успевают своевременно выявить угрозы урожаю из-за развития сорняков, болезней или активизации вредителей, чтобы принять меры по их устранению. Дроны же в режиме реального времени определяют проблемные очаги, причём на ранней стадии. В результате участок вовремя обработан, а значит, собранный урожай будет до 15% больше, подсчитали аналитики. 

Илья Воронков,

генеральный директор компании «ГеомирАгро»

Дроны и для мониторинга, и для обработки окупаются в среднем за сезон уже в случае обработки 1000—2000 га, в зависимости от культуры и технологии выращивания. Но сначала хозяйствам нужно сделать первый шаг: заказать услугу по обработке полей или закупить дроны и обучить оператора для них. Практика последних лет такая: сначала хозяйство заказывает услуги по обработке полей дронами, а потом, если площадь позволяет полноценно загрузить дрон, покупают его в постоянное пользование.

Дрон для мониторинга за 15 минут осматривает 100 га. Далее система автоматически обрабатывает полученные снимки и распознаёт на них культурные растения и сорняки и на основании этого предлагает оптимальные схемы защиты, помогая агроному принимать правильные решения. Современные системы на базе ИИ обучены на сотнях тысяч снимках и способны распознавать более 150 различных видов растений.

3. Повышение точности прогноза урожайности по историческим данными

Прогнозы урожайности, составленные вручную, не учитывают всех факторов влияния на каждом конкретном поле. Поэтому, когда идёт отклонение от прогнозов, агроменеджмент зачастую не готов опираться на них и эффективно корректировать план работ.

С помощью ИИ-моделей, которые учитывают исторические данные по культурам, погоде, координатам, можно рассчитать оптимальный севооборот для конкретного поля и выявлять отклонения на участках. Результат — рост урожайности до 10%.

ГК «Агротерра» использует умное

решение

по прогнозированию урожая собственной разработки. Прогноз урожайности, подчёркивают в агрохолдинге, — это ядро любой прогнозной модели. Компания использует этот инструмент для повышения маржинальности производства. Он помогает рассчитывать нормы внесения минеральных удобрений для каждого поля, структуру посевных площадей и делать мультисценарный анализ следующих лет, поясняет руководитель направления углубленной аналитики ГК «Агротерра» Николай Кащук. Кроме того, точная модель урожайности по сезону помогает в принятии операционных решений. «Например, мы нашли аналог используемых удобрений, сделали расчёт и увидели, что нам выгоднее использовать альтернативный продукт», — говорит он.    

Николай Кащук,

руководитель направления углублённой аналитики ГК «Агротерра»

Мы используем линейную rule-based-модель, основанную на базовой агрономической логике. Она учитывает накопленные данные о полях, погодных условиях и выполненных операциях. Дополняемая глубокой экономической проработкой и информацией про особенности развития растений, она позволяет эффективно рассчитывать урожайность. Чтобы повысить точность нашей модели, мы планируем использовать инструмент machine learning (машинное обучение). Он поможет нам учесть фактическую урожайность и все факторы, которые могли оказать на неё влияние.

Прогнозирование урожайности с использованием только машинного обучения имеет ряд недостатков. Во-первых, недостаточно данных. Ведь даже если в распоряжении компании есть накопленная информация по десяткам тысяч гектаров, при кластеризации их не хватает, потому что они разбиваются на культуры, года и т. д. Во-вторых, такая модель ограничена теми годами, за которые накоплены данные. Поэтому мы используем нашу линейную модель, а алгоритм машинного обучения нужен нам для уточнения урожайности, которую мы уже посчитали с её помощью. 

Активно использует и развивает цифровые продукты на основе алгоритмов и нейросетей с использованием текущих и исторических данных группа компаний «Русагро».

Артём Петров,

директор по ИТ ГК «Русагро»

Одно из таких решений — стратегический алгоритм, который помогает определить, какие культуры и где выращивать. Его суть в решении математической задачи большой размерности (перебор нескольких миллиардов цепочек действий и оценка результата). Имея на входе актуальные данные об агрохимическом анализе почвы, потенциальной урожайности полей, матрице расстояний от полей до инфраструктурных объектов, доступной техники, сотрудниках, удобрениях, СЗР и других составляющих производства, алгоритм формирует оптимальный севооборот для каждого поля с горизонтом в 4—8—10 лет. Кроме того, алгоритм составляет производственную и инвестиционную программы.

Другой продукт — метаалгоритм с использованием нейросети, он помогает оптимально выполнять ежедневные технологические и уборочные операции. Получая ежедневно данные о месторасположении техники, метеоданные и учитывая технологии возделывания по каждому полю, алгоритм составляет рабочий план. Он учитывает приоритизацию по ценности той или иной операции для урожая и минимизации просрочек в отношении сроков агроопераций.

4. Расчёт количества и состава удобрений под каждый квадратный метр поля

Агропроизводителям довольно сложно оценить эффект от внесения удобрений, применяя стандартные технологические карты, не учитывающие особенности рельефа и пестроты почвенного плодородия конкретного поля. 

Анализ почвенного плодородия, в том числе с использованием снимков со спутников и БПЛА, позволяет определить тип почвы, соотношение элементов в ней на каждом конкретном участке поля и разработать систему точного внесения удобрений. Результат — рост урожайности на 5—10%, сокращение затрат на удобрения на 10—12%.

В целом технология дифференцированного внесения удобрений базируется на нескольких составляющих:

использовании цифровых технологий оценки состояния массивов полей, неоднородности плодородия и потенциала почв; 

построении маршрутов отбора почвенных образцов с учётом факторов природного характера;

автоматизированном отборе проб, исключающем фактор риска получения недостоверного результата при ручном отборе;

отборе проб с более мелкого растра (с каждых 1—5 га) и на использовании для этих целей автомобилей с высокопроизводительными автоматическими почвоотборниками, поясняют в службе агросопровождения «Фосагро-Регион».  

Преимущество этого подхода — независимая от человеческого фактора точность. Он позволяет устранить дисбаланс в подборе и внесении удобрений.

5. Мониторинг состояния полей по спутниковым снимкам

Оценка сельскохозяйственных наделов для определения степени засорённости, границ поля или участков, где нужна рекультивация земель, требует много времени. Особенно, если речь идёт о средних и больших хозяйствах.

Анализ спутниковых снимков позволяет повысить скорость и точность исследования. Полученная информация даёт возможность уточнить границы и состояние земель, оценить объём инвестиций для того, чтобы поле начало приносить прибыль. Работа с этим инструментарием позволяет получить дополнительные 5% к урожайности.

По словам Ильи Воронкова из «ГеомирАгро», спутниковый мониторинг удобен тем, что охватывает сразу все поля и поставляет регулярные снимки в автоматическом режиме. Однако он уступает дронам в технических характеристиках снимков (пространственном разрешении), то есть даëт менее детальную информацию. «С помощью него можно выявить очаги проблем, чтобы далее детально разбираться с причинами проблем с помощью дронов или лично осмотреть "подсвеченные" проблемные участки полей», — замечает эксперт.

Александр Эдер,

директор по развитию бизнеса в АПК компании «К2Тех»

Если посмотреть на инвестиции в цифровизацию и ИТ-бюджеты, то уже долгие годы совокупные траты на ИТ редко превышают 1% от годовой выручки компаний. На новые ИТ-проекты средств практически не остаётся. Для сравнения в западных странах ИТ-бюджеты, как правило, превышают 4% от годовой выручки. 

По нашим данным, в конце 2022 года более 90% западных компаний крупного бизнеса, работающих в сфере АПК, уже завершили построение цифрового фундамента и перешли на следующую стадию — построение цифровой платформы, цифровых двойников предприятий, цифровых профилей оборудования, техники, животных. Они вышли на новый качественный уровень управления и занимаются оптимизацией, сокращением затрат, потерь, простоев, прогнозированием поломок, активно применяют технологии машинного обучения и искусственного интеллекта (AI & ML). 

Именно с этими компаниями, которые уже перешли в ранг технологичных лидеров, конкурируют наши отечественные предприятия на международном рынке. Сегодня наш АПК спасает относительно низкая стоимость ресурсов, относительно низкий ФОТ. Если эти преимущества будут нивелироваться, то российские предприятия не смогут выдержать ценовой конкуренции на международном рынке при прочих равных условиях.

6. Рекомендательные системы по оптимальной агротехнологии производства

Накопление данных по результативности технологий производства культур в различных агроклиматических условиях становится основой для разработки рекомендательных ИТ-систем. Сейчас такие данные недоступны из-за слабой оцифрованности сельхозпроизводства, и пока они остаются в руках отдельных агропроизводителей или крупных поставщиков средств производства.

Для создания такой рекомендательной модели компания «Диджитал Агро» третий год развивает направление независимого агроконсалтинга, скаутинга и сопровождения. Она обрабатывает и сохраняет на собственной ИТ-платформе данные, которые собирает при реализации клиентских или региональных проектов. Через эту платформу проходят отчёты и рекомендации консультантов «Диджитал Агро» со всей страны.

Уже сейчас автоматизация в области контроллинга техопераций и фитосанитарного состояния посевов экономит хозяйствам десятки миллионов рублей на площадях от 10 000 га, подсчитали в компании. А разрабатываемые техкарты производства зерновых культур в рамках цифровых моделей севооборота показывают увеличение урожайности до 15% (с сохранением заданной экономической эффективности).

Татьяна Сурдина,

директор по маркетингу АО «ОХК “Уралхим”»

Мы видим дефицит отраслевой экспертизы в АПК одним из ключевых барьеров, ограничивающих внедрение и применение передовых технологий. С помощью оцифровки существующих бизнес-процессов аграриев становится возможным создавать экспертные рекомендательные системы, способные значительно усилить агрономическую экспертизу хозяйства и добиться больших результатов в сезоне. 

Это влечёт за собой выстраивание механизма сбора и валидации отраслевых данных и обучения моделей ИИ, которые впоследствии применяются уже в системах управления агропредприятием. Такой подход позволяет масштабировать экспертизу в разрезе как культур, так и регионов, и создавать положительный экономический эффект в отрасли.

СберПро Медиа теперь можно читать в Телеграме и Дзене. Чтобы быть в курсе важных трендов, свежих кейсов лидеров бизнеса и мнений ведущих экспертов, следите за нами в

Телеграм-канале

. Развитие навыков управления, личностный рост, актуальные подходы в маркетинге, новинки бизнес-литературы — эти темы мы подробно рассматриваем в

Дзен

.