from 01.01.1991 until now
Ekaterinburg, Ekaterinburg, Russian Federation
Russian Federation
Russian Federation
VAC 5.2.3 Региональная и отраслевая экономика
VAC 5.2.4 Финансы
VAC 5.2.5 Мировая экономика
VAC 5.2.6 Менеджмент
VAC 5.2.7 Государственное и муниципальное управление
UDK 338.3 Общие вопросы производства
UDK 631.1 Организация и управление сельскохозяйственным производством
Understanding the essence, similarities and differences between artificial intelligence and machine learning allows you to better understand and apply these technologies to solve real problems and problems in agricultural production. The purpose of the study is to analyze the concepts of artificial intelligence and machine learning, taking into account their application in agriculture. It is concluded that artificial intelligence and machine learning are interrelated concepts that belong to the field of computer science and are associated with the creation of systems and programs capable of performing tasks that traditionally require human intelligence. The key features for comparing artificial intelligence and machine learning systems are highlighted. These include the objects of study, the approach to problem solving, the scope of the problem to be solved, and dependence on data. The results of the study can contribute to the development of digital literacy of business entities. Specific recommendations are given on the need to create databases of agricultural production facilities to enhance the use of artificial intelligence and machine learning in the industry.
agriculture, artificial intelligence systems, artificial intelligence, machine learning
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.
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 // [Elektronnyy resurs]. - 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. Lobachevskiy Ya.P. Effekty ot primeneniya cifrovyh dvoynikov v sel'skom hozyaystve / Ya.P. Lobachevskiy, D.A. Mironov, M.M. Kislickiy, A.V. Mironova // Trudy Kubanskogo gosudarstvennogo agrarnogo universiteta. - 2023. - № 1 (103). - S. 71-78. DOI:https://doi.org/10.21515/1999-1703-103-71-78
11. Dorohov A.S., Sibirev A.V., Aksenov A.G., Mosyakov M.A., Sazonov N.V. Model' iskusstvennoy neyronnoy seti pri povyshenii effektivnosti uborki kartofelya kachestvennoy zadelkoy posadochnogo materiala // Agrarnyy nauchnyy zhurnal. 2023. № 1. S. 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
