СУЩНОСТЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МАШИННОГО ОБУЧЕНИЯ ПРИ РЕШЕНИИ УПРАВЛЕНЧЕСКИХ ПРОБЛЕМ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРОИЗВОДСТВА
Аннотация и ключевые слова
Аннотация (русский):
Понимание сущности, сходств и различий между искусственным интеллектом и машинным обучением позволяет лучше понять и применять эти технологии для решения реальных проблем и задач сельскохозяйственного производства. Цель исследования – выполнить анализ понятий искусственного интеллекта и машинного обучения с учетом их применения в сельском хозяйстве. Сделан вывод о том, что искусственный интеллект и машинное обучение – взаимосвязанные понятия, которые относятся к области компьютерных наук и связаны с созданием систем и программ, способных выполнять задачи, которые традиционно требуют человеческого интеллекта. Выделены ключевые признаки для сравнения систем искусственного интеллекта и машинного обучения. К ним относятся объекты изучения, подход к решению задач, область решаемых задач и зависимость от данных. Результаты исследования могут способствовать развитию цифровой грамотности субъектов хозяйствования. Даны конкретные рекомендации по необходимости формирования баз данных об объектах сельскохозяйственного производства для активизации использования искусственного интеллекта и машинного обучения в отрасли.

Ключевые слова:
сельское хозяйство, системы искусственного интеллекта, искусственный интеллект, машинное обучение
Текст

Введение. В настоящее время системы искусственного интеллекта широко применяется в медицине, образовании, финансах, промышленности и многих других отраслях. Даже в такой консервативной отрасли как сельское хозяйство применение систем искусственного интеллекта набирает обороты. Внедрение искусственного интеллекта включает в себя процесс обучения машин. Это привело к возникновению отдельной подотрасли в искусственном интеллекте – «машинное обучение». Единственная цель машинного обучения - предоставить машине данные о результат деятельности и статистические данные, чтобы она могла выполнять поставленную перед ней задачу для решения конкретной проблемы. В настоящее время в сельском хозяйстве используется множество приложений, которые включают в себя анализ данных об урожайности, распознавание сорняков и вредителей сельскохозяйственных культур, прогноз состояния почвы, диагностику болезней животных и прочее. Благодаря машинному обучению область больших данных и науки о данных развиваются значительными темпами. Машинное обучение - это математический подход к созданию интеллектуальных машин. Вместе с тем не до конца понятны сходства и различия между искусственным интеллектом и машинным обучением в условиях их применения в сельском хозяйстве.

 

Материалы и методы. Исследование выполнено в два основных этапа. На первом этапе произведен анализ научных публикаций по проблемам применения искусственного интеллекта и машинного обучения в сельском хозяйстве. Для этого отобраны научные публикации из сетей научного цитирования Web of Science и Елайбрари. Период отбора публикаций составил последние 10 лет.

Цель исследования – выполнить анализ понятий искусственного интеллекта и машинного обучения с учетом их применения в сельском хозяйстве.

В соответствии с целью исследования поставлены основные задачи:

– произвести отбор научных публикаций по искусственному интеллекту и машинному обучению в сетях научного цитирования Web of Science и Елайбрари;

– выделить признаки, по которым можно производить сравнение искусственного интеллекта и машинного обучения;

– выполнить сравнение искусственного интеллекта и машинного обучения в соответствии с выделенными признаками.

 

Результаты исследования.

Искусственный интеллект (ИИ) и машинное обучение (МО) – это тесно взаимосвязанные понятия, которые играют ключевую роль в развитии современных цифровых технологии. Эти понятия относятся к области компьютерных наук и связаны с созданием систем и программ, способных выполнять задачи, которые традиционно требуют человеческого интеллекта. При этом данные понятия имеют свои особенности и различия.

Искусственный интеллект – это область науки, которая направлена на создание компьютерных систем, способных воспринимать окружающий мир, анализировать информацию, принимать решения и выполнять задачи схожие с теми, которые решает человеческий интеллект. Искусственный интеллект как сфера деятельности и научное направление сфокусирован на создание машин, которые обладают «интеллектом» – способностью к самообучению, адаптации и принятию решений на основе собранных данных. Искусственный интеллект включает широкий спектр технологий, методов и подходов, таких как машинное обучение, компьютерное зрение, обработка естественного языка и многие другое.

Машинное обучение – «это подобласть искусственного интеллекта, которая фокусируется на разработке алгоритмов и моделей, позволяющих компьютерным системам «обучаться» на основе данных и опыта» [1]. В отличие от явного программирования, где разработчик задает точные правила и инструкции для решения задачи, в машинном обучении система самостоятельно обучается на основе предоставленных данных и опыта, и делает выводы, которые могут быть использованы для принятия решений и решения задач. Машинное обучение включает в себя различные методы и подходы, такие как нейронные сети, решающие деревья, алгоритмы кластеризации, алгоритмы оптимизации и многие другое.

Существует несколько ключевых признаков, по которым можно произвести сравнение искусственного интеллекта и машинного обучения. В качестве этих признаков можно выделить: объекты изучения, подход к решению задач, область решаемых задач и зависимость от данных.

«Объектами изучения» искусственного интеллекта и машинного обучения выступают основным полем предложения сил ученых и практиков, работающих в этих областях. Искусственный интеллект охватывает широкий спектр объектов изучения, включая разработку компьютерных систем, способных анализировать данные, принимать решения, распознавать образы, обрабатывать язык и многое другое, на уровне, сравнимом с человеческим интеллектом. По объектам изучения искусственный интеллект является более широким понятием, включающим в себя все аспекты создания интеллектуальных машин. В сельском хозяйстве это могут быть сельскохозяйственные животные, культурные растения и сорняки, вредители растений, экономические показатели развитии отрасли и др. Машинное обучение является конкретной подобластью искусственного интеллекта, сосредоточенного на разработке алгоритмов и моделей для обучения компьютерных систем. Эти алгоритмы могут быть применены для решения разнообразных задач, таких как классификация, регрессия, кластеризация и многое другое, с учетом различных типов данных, включая числовые, текстовые, аудио и визуальные данные. В сельском хозяйстве это могут быть конкретные системы по распознаванию образов (распознавание сорняков [2]), выявлению закономерностей в данных [3], распознавания заболеваний растений [4] и пр.

Весьма важным является сравнение систем искусственного интеллекта и машинного обучения по «выполняемым задачам». Системы искусственного интеллекта направлены на решение широкого спектра задач, от компьютерного зрения и обработки естественного языка до автоматического планирования и принятия решений. Машинное обучение, в свою очередь, специализируется на задачах, где наиболее важную роль играют данные, такие как классификация, регрессия, кластеризация и прогнозирование. Искусственный интеллект зачастую ориентирован на создание систем, способных автоматизировать сложные задачи и анализировать данные для выявления зависимостей. Машинное обучение также позволяет автоматизировать задачи, но с более узкой фокусировкой на обучении моделей. Искусственный интеллект может быть направлен на создание систем с более высокой степенью когнитивных способностей, понимания контекста и принятия сложных решений. Машинное обучение может быть ограничено более узкими задачами, такими как классификация или регрессия. В сельском хозяйстве в основном нет потребности в обработке естественного языка и применения систем искусственного интеллекта для решения творческих задач. Большинство операций по определению параметров почвы [5], распознаванию образов, определения качества продукции [6] могут быть решены с использованием машинного обучения.

Другим признаком для сравнения является «подход к решению задач». Искусственный интеллект охватывает разнообразные подходы к решению задач, включая символьные системы, базирующиеся на знаниях, статистические методы и многое другое. Эта область науки направлена на создание компьютерных систем, способных анализировать данные, адаптироваться к новой информации и принимать решения. Машинное обучение – это конкретный подход в области искусственного интеллекта. Эта область деятельности фокусируется на разработке алгоритмов и моделей, которые могут «обучаться» на данных. Эти модели способны находить закономерности и обобщения в данных, что позволяет им делать прогнозы и принимать решения на основе новых входных данных. По этому признаку искусственный интеллект и машинное обучение часто взаимосвязаны между собой. Многие системы искусственного интеллекта используют методы машинного обучения для достижения своих целей. В сельском хозяйстве используются системы искусственного интеллекта на основе машинного обучения для распознавания сорняков [7], прогнозирования урожайности сельскохозяйственных культур [8], распознавании плодов при уборке [9; 10] и др.

Весьма важным признаком является «зависимость от данных». Машинное обучение полагается на обучающие данные, чтобы создать модель и сделать предсказания или принять решения на основе этих данных. Это подразумевает, что модели машинного обучения улучшаются с опытом, адаптируясь к данным. Машинное обучение акцентирует способность моделей обучаться на данных, чтобы улучшить свою производительность. Искусственный интеллект также может использовать данные, но может включать в себя знания и правила, полученные из экспертных систем или других источников. Таким образом, системы искусственного интеллекта не обязательно ориентированы на обучение на данных. Искусственный интеллект может включать аспекты адаптации к новой информации, но может также стремиться к более обширной адаптации к изменяющейся среде. Некоторые системы искусственного интеллекта могут требовать более сложных вычислительных ресурсов и алгоритмов по сравнению с машинным обучением.

Вместе искусственный интеллект и машинное обучение играют важную роль в развитии различных технологий, таких как автономные трактора и комбайны, системы распознавания плодов сельскохозяйственных растений [11], рекомендательные системы, диагностика заболеваний животных [12] и многое другое. Понимание сущности, сходств и различий между искусственным интеллектом и машинным обучением позволяет лучше понять и применять эти технологии для решения реальных проблем и задач сельскохозяйственного производства (таблица 1).

 

Таблица 1 – Сущность и различия искусственного интеллекта и машинного обучения

 

Признак

Системы искусственного интеллекта

Машинное обучение

Объекты изучения

Широкое междисциплинарное  понятие, включающее все аспекты создания интеллектуальных машин

Подобласть (раздел) искусственного интеллекта, сосредоточенный на разработке алгоритмов и моделей для обучения компьютерных систем

Выполняемые задачи

Решение широкого спектра задач, от компьютерного зрения и обработки естественного языка до автоматического планирования и принятия решений (поддержка принятия решений)

Использование данных и обучении моделей на их основе

 

Подход к решению задач

Включают машинное обучение и другие методы и подходы, такие как правила и экспертные системы

Использование данных и обучении моделей на их основе

Зависимость от данных

Могут использовать данные, но могут также включать знания и правила, полученные из экспертных систем или других источников

Полагается на обучающие данные, чтобы создать модель и сделать предсказания или принять решения на основе этих данных

 

Важное значение для дальнейшего развитие искусственного интеллекта и машинного обучения имеет формирование баз данных об объектах сельскохозяйственного производства. Искусственный интеллект в агропродовольственном секторе использует данные, собранные у сельхозтоваропроизводителей вручную или с помощью машин (средств автоматизации). Базы данных, созданные с использованием государственного финансирования и ресурсов, должны быть общедоступными при соблюдении конфиденциальности. Организации сельского хозяйства должны иметь доступ к своим собственным данным, а также к анонимным или агрегированным данным по тому же региону или хозяйству того же типа. Научно-исследовательские институты могут обратиться в соответствующий орган управления базой данных за временным доступом в исследовательских целях при условии, что предоставляются только агрегированные результаты и в отчетах не может быть прослежено ни одно отдельное хозяйство. Им следует с осторожностью относиться к информации, позволяющей установить личность, которую можно найти с помощью GPS-меток или данных с географической привязкой.

Искусственный интеллект считается одним из инструментов, который позволит получить новые идеи для улучшения или оптимизации существующих технологий или процессов в агропродовольственной цепочке; например, для принятия решений на ферме или оптимального контроля роста растений. Кроме того, набор методов, доступных в искусственном интеллекте, приведет к новым возможностям и технологиям, таким как автономные сельскохозяйственные роботы и автоматизированная защита урожая или сбор фруктов. Результатом может стать комбинация научных открытий, а также идей, полученных в результате анализа больших (массивных) данных.

Во всем мире интеллектуальные информационные системы (основанные на машинном обучении и искусственном интеллекте) приветствуются как возможное решение, которое поможет лучше и эффективнее управлять растениями, семенами, сбором урожая и продуктивным скотом в агропромышленном секторе. Экспоненциальный рост данных сопровождает цифровизацию сельского хозяйства за счет распространения мобильных технологий, технологий дистанционного зондирования и возможностей распределенных вычислений. Эффективное управление данными откроет новые возможности для улучшения качества жизни и повышения экономической эффективности субъектов хозяйствования за счет снижения затрат и увеличения информированности о производственных ситуациях. Однако отсутствие опыта в применении машинного обучения и искусственного интеллекта может ограничить возможности цифровой трансформации.

 

Выводы и предложения. Искусственный интеллект - это широкий термин, который описывает область науки, занимающуюся созданием интеллектуальных систем и алгоритмов, способных имитировать человеческий интеллект. Системы искусственного интеллекта включают не только машинное обучение, но и другие подходы, такие как символьное программирование, экспертные системы, нейронные сети и многие другие. Машинное обучение - это раздел (подобласть) искусственного интеллекта, который состоит в разработке алгоритмов и моделей, позволяющих компьютерным системам «обучаться» на основе данных. Машинное обучение использует статистические и математические методы для автоматического извлечения информации и принятия решений на основе этих данных.

Рассмотренные выше цифровые технологии во многом определяют уровень цифровизации агропромышленного комплекса.

Искусственный интеллект и машинное обучение, как основные технологии развития цифровых систем, являются базой развития систем управления в аграрном производстве, а также основой обеспечения технологического суверенитета.

Именно рассмотренные технологии позволяют нарастить объём цифровых инструментов в сфере управления аграрной сферой экономики.

Список литературы

1. Russell S. J. Norvig P. Artificial Intelligence: A Modern Approach (2021). (4th ed.). Hoboken: Pearson.

2. Espejo-Garcia B., Mylonas N., Athanasakos L., Spyros Fountas S., Vasilakoglou I. Towards weeds identification assistance through transfer learning // Computers and electronics in agriculture. – 2020. – 171. – 105306.

3. Nosratabadi S., Ardabili S., Lakner Z., Mako C., Mosavi A. Prediction of Food Production Using Machine Learning Algorithms of Multilayer Perceptron and ANFIS // Agriculture-Basel. – 2021. – Vol. 11. – № 5. – № 408. DOIhttps://doi.org/10.3390/agriculture11050408

4. Kouadio L., Deo R.C., Byrareddy V., Adamowski J. F., Mushtaq S., Nguyen V.P. Artificial intelligence approach for the prediction of Robusta coffee yield using soil fertility properties // Computers and electronics in agriculture. – 2018. – Vol. 155. – pp. 324-338 DOI:https://doi.org/10.1016/j.compag.2018.10.014

5. Moazenzadeh R., Mohammadi B. Assessment of bio-inspired metaheuristic optimisation algorithms for estimating soil temperature // Geoderma. – 2019. – Vol. 353. – pp. 152-171. DOIhttps://doi.org/10.1016/j.geoderma.2019.06.028

6. Fuentes S., Viejo C.G., Cullen B., Tongson E., Chauhan S.S. Dunshea F.R. Artificial Intelligence Applied to a Robotic Dairy Farm to Model Milk Productivity and Quality based on Cow Data and Daily Environmental Parameters // Sensors. – 2020. – Vol. 20. – № 10. – 2975. DOIhttps://doi.org/10.3390/s20102975

7. Chen D., Lu Y., Yong S. Performance Evaluation of Deep Transfer Learning on Multiclass Identification of Common Weed Species in Cotton Production Systems // [Электронный ресурс]. – URL: https://arxiv.org/pdf/2110.04960.pdf

8. Chlingaryan A., Sukkarieh S., Whelan B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review. // Computers and electronics in agriculture. – 2018. – Vol. 151. – pp. 61-69

9. Amatya S., Karkee M., Gongal A., Zhang Q., Whiting M.D. Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting // Biosystems Engineering. – 2015. – Vol.146. – pp. 3–15.

10. Лобачевский Я.П. Эффекты от применения цифровых двойников в сельском хозяйстве / Я.П. Лобачевский, Д.А. Миронов, М.М. Кислицкий, А.В. Миронова // Труды Кубанского государственного аграрного университета. – 2023. – № 1 (103). – С. 71-78. DOI:https://doi.org/10.21515/1999-1703-103-71-78

11. Дорохов А.С., Сибирёв А.В., Аксенов А.Г., Мосяков М.А., Сазонов Н.В. Модель искусственной нейронной сети при повышении эффективности уборки картофеля качественной заделкой посадочного материала // Аграрный научный журнал. 2023. № 1. С. 128-135.

12. Bakoev S., Getmantseva L., Kolosova M., Kostyunina O., Chartier D.R., Tatarinova T.V. PigLeg: prediction of swine phenotype using machine learning // PeerJornal. – 2020. – Vol. 8. – № e8764. DOIhttps://doi.org/10.7717/peerj.8764


Войти или Создать
* Забыли пароль?