För att förbättra världens livsmedelsförhållanden, ett team kring datavetenskapsprofessorn Kristian Kersting inspirerades av tekniken bakom Google News.
Nästan 800 miljoner människor världen över lider av undernäring. I framtiden kan det finnas cirka 9,7 miljarder människor – cirka 2,2 miljarder fler än idag. Den globala efterfrågan på mat kommer att öka i takt med att klimatförändringarna gör marken infertil. Hur ska kommande generationer försörja sig själva?
Kristian Kersting, Professor i maskininlärning vid Technische Universität Darmstadt, och hans team ser en potentiell lösning i tillämpningen av artificiell intelligens (AI). Maskininlärning, en speciell metod för AI, kan ligga till grund för så kallat precisionsjordbruk, som skulle kunna användas för att uppnå högre avkastning på ytor av lika eller mindre storlek. Projektet finansieras av det federala ministeriet för livsmedel och jordbruk. Partners är Institute of Crop Science and Resource Conservation (INRES) vid universitetet i Bonn och det Aachen-baserade företaget Lemnatec.
"För det första, vi vill förstå hur fysiologiska processer i växter ser ut när de lider av stress, sa Kersting. Stress uppstår, till exempel, när växter inte absorberar tillräckligt med vatten eller är infekterade med patogener. Maskininlärning kan hjälpa oss att analysera dessa processer mer exakt." Denna kunskap kan användas för att odla mer resistenta växter och för att bekämpa sjukdomar mer effektivt.
Forskarna installerade en hyperspektral kamera som registrerar ett bredvågsspektrum och ger djupa insikter om växterna. Ju mer information som finns tillgänglig om en växts fysiologiska processer under dess tillväxtcykel, desto bättre kan en programvara identifiera återkommande mönster som är ansvariga för stress. Dock, för mycket data kan vara ett problem, eftersom beräkningarna blir för komplexa. Forskarna behöver därför algoritmer som bara använder en del av datan för inlärning utan att ge avkall på noggrannheten.
Kerstings team hittade en smart lösning:att utvärdera data, teamet använde en mycket avancerad inlärningsprocess från språkbehandling, som används, till exempel, på Google Nyheter. Där, en AI väljer ut relevanta artiklar för läsaren bland tiotusentals nya artiklar varje dag och sorterar dem efter ämne. Detta görs med hjälp av sannolikhetsmodeller där alla ord i en text tilldelas ett specifikt ämne. Kerstings knep var att behandla de hyperspektrala bilderna av kameran som ord:Programvaran tilldelar vissa bildmönster till ett ämne som växtens stresstillstånd.
Forskarna arbetar för närvarande med att lära programvaran att optimera sig själv med hjälp av djupinlärning och att snabbare hitta de mönster som representerar stress. "En frisk plats kan till exempel identifieras från klorofyllhalten i växtens tillväxtprocess, ", sa Kersting. "När en torkningsprocess inträffar, det uppmätta spektrumet förändras avsevärt." Fördelen med maskininlärning är att den kan känna igen sådana tecken tidigare än en mänsklig expert, allt eftersom programvaran lär sig att uppmärksamma fler finesser.
Man hoppas att en dag, kameror kan installeras längs rader av växter på ett löpande band i växthuset, så att programvaran när som helst kan påpeka avvikelser. Genom ett ständigt utbyte med växtexperter, systemet bör också lära sig att identifiera även okända patogener. "I sista hand, vårt mål är ett meningsfullt partnerskap mellan mänsklig och artificiell intelligens, för att ta itu med det växande problemet med världens näring, säger Kersting.
