I åratal, bönder har valt produkter för sin verksamhet genom de bästa råden som finns tillgängliga – utsädesguider, lokala agronomer, fröhandlare, etc. Framstegen inom artificiell intelligens har gett möjligheter att utforska ett annat tillvägagångssätt.

Washington University i St. Louis i samarbete med The Climate Corporation, ett dotterbolag till Bayer, arbetar med att utforska unik ny teknik för att främja vetenskapen bakom hybridval och placering.

Roman Garnett, biträdande professor i datavetenskap och teknik vid School of Engineering &Applied Science, har fått en $97, 771 bidrag från The Climate Corporation för att tillämpa aktiv maskininlärning för att hjälpa till att avgöra vilka hybrider som har sannolikheten att uppnå maximal avkastningspotential i varje miljö.

Att utveckla kommersiella hybridprodukter är en lång och dyr process; det kan ta 7-8 år att avgöra hur bra fröna växte, deras motståndskraft mot skadedjur och sjukdomar, och tillhörande skördar. "Genom att införliva aktiv maskininlärning, vi kan skapa en modell som skulle erbjuda en potentiell minskning av det fotavtryck som krävs för produktkarakterisering och kommersialisering och även ge värdefulla insikter om förutspådda produktdistributionsmål, sa Xiao Yang, ledare för placeringsrådgivning på The Climate Corporation.

"Folk pratar om personlig medicin, och detta är personligt jordbruk, ", sa Garnett. "Vi kan samla in mycket data, använd sedan data för att försöka lära sig mönster för att kunna göra personliga rekommendationer för varje bonde."

Målet med projektet är att avgöra om klimatforskare kan effektivisera utvecklingen och plantering av nya produkter varje år.

Aktiv maskininlärning identifierar de data som är mest användbara mot slutmålet. Istället för att använda befintliga data, aktiv maskininlärning "lär sig längs vägen, " sa Garnett.

"Istället för att samla in all denna data, tänk om vi bara hade samlat in 10 procent av det, men vi får välja vilka 10 procent, ", sa Garnett. "Då kommer vi att ha en algoritm som kunde ha använt en liten bråkdel av datan för att kunna få en lika bra personaliseringsprestanda för denna fröportfölj. Vi gör det i simulering, men om det fungerar, vi kanske kan påverka hur de fattar framtida beslut."

Garnett är med i ett forskarlag som använder big data för att påskynda förädling och kommersiell frisättning av sorghumgrödor som kan användas som en förnybar energikälla. Det fyraåriga, $8 miljoner projekt, leds av Donald Danforth Plant Science Center, finansieras av U.S. Department of Energys ARPA-E TERRA-program och inkluderar ett team på 10 universitet, regering och industri samarbetspartners. Garnett utvecklar algoritmer som gör den mest effektiva användningen av statistiska uppskattningar av grödornas slutliga biomassa från sensordata så tidigt under växtsäsongen som möjligt för att påskynda förädlingsprocessen.