ਖੇਤੀਬਾੜੀ AI ਲਈ ਤਿਆਰ ਹੈ, ਪਰ ਇਸਦਾ ਡਾਟਾ ਅਧਾਰ ਨਹੀਂ
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਆਧੁਨਿਕ ਖੇਤੀਬਾੜੀ ਲਈ ਇੱਕ ਕ੍ਰਾਂਤੀਕਾਰੀ ਟੂਲਕਿੱਟ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜੋ ਸਿੰਚਾਈ ਤੋਂ ਲੈ ਕੇ ਰਸਾਇਣਕ ਵਰਤੋਂ ਤੱਕ ਸਭ ਕੁਝ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦਾ ਵਾਅਦਾ ਕਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਇੱਕ ਸਾਫ਼ ਅਤੇ ਇਕਜੁੱਟ ਡਾਟਾ ਅਧਾਰ ਤੋਂ ਬਿਨਾਂ, ਇਹ ਉੱਚ-ਤਕਨੀਕੀ ਵਾਅਦੇ ਕਾਰਜਸ਼ੀਲ ਸੰਪਤੀਆਂ (operational assets) ਬਣਨ ਦੀ ਬਜਾਏ ਮਹਿੰਗੇ ਦੇਣਦਾਰ ਹੋਣ ਦਾ ਖ਼ਤਰਾ ਬਣ ਸਕਦੇ ਹਨ।
AI-ਅਧਾਰਿਤ ਖੇਤੀਬਾੜੀ ਦੇ ਉੱਚ ਜੋਖਮ ਅਤੇ ਲਾਭ
ਖੇਤੀਬਾੜੀ ਖੇਤਰ ਵਿੱਚ AI ਲਈ ਸੰਭਾਵੀ ROI (ਰਿਟਰਨ ਆਨ ਇਨਵੈਸਟਮੈਂਟ) ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ। ਖੋਜ ਦੱਸਦੀ ਹੈ ਕਿ AI-ਸੰਪੰਨ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਫ਼ਸਲਾਂ ਦੀ ਪੈਦਾਵਾਰ ਵਿੱਚ 26% ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ, ਪਾਣੀ ਦੀ ਖਪਤ ਵਿੱਚ 41% ਦੀ ਕਮੀ ਲਿਆ ਸਕਦੇ ਹਨ, ਅਤੇ ਰਸਾਇਣਕ ਵਰਤੋਂ ਨੂੰ 33% ਤੱਕ ਘਟਾ ਸਕਦੇ ਹਨ। ਘੱਟ ਮੁਨਾਫ਼ੇ, ਖਾਦਾਂ ਦੀਆਂ ਅਸਥਿਰ ਕੀਮਤਾਂ ਅਤੇ ਅਨਿਸ਼ਚਿਤ ਮੌਸਮ ਦੇ ਪੈਟਰਨਾਂ ਵਾਲੇ ਉਦਯੋਗ ਲਈ, ਇਹ ਕੁਸ਼ਲਤਾਵਾਂ ਸਿਰਫ਼ ਵਿਲਾਸਤਾ ਨਹੀਂ ਹਨ—ਇਹ ਬਚਾਅ ਲਈ ਜ਼ਰੂਰੀਆਂ ਹਨ।
ਹਾਲਾਂਕਿ, AI ਵੈਂਡਰਾਂ ਦੇ ਮਾਰਕੀਟਿੰਗ ਦਾਅਵਿਆਂ ਅਤੇ ਖੇਤਾਂ ਵਿੱਚ ਕੰਮ ਕਰਨ ਦੀ ਅਸਲੀਅਤ ਵਿਚਕਾਰ ਇੱਕ ਵੱਡਾ ਪਾੜਾ ਹੈ। ਜਦੋਂ ਕਿ ਵੈਂਡਰ ਰੀਅਲ-ਟਾਈਮ ਫ਼ਸਲ ਸਿਹਤ ਦੀ ਨਿਗਰਾਨੀ ਅਤੇ ਸਟੀਕ ਸਿੰਚਾਈ ਦਾ ਵਾਅਦਾ ਕਰਦੇ ਹਨ, ਉਹ ਅਕਸਰ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪੂਰਵ-ਸ਼ਰਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਦਿੰਦੇ ਹਨ: ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ, የተቀੂਲਿਤ (integrated) ਡਾਟਾ। ਖੇਤੀਬਾੜੀ ਵਿੱਚ, ਇੱਕ "AI hallucination" ਸਿਰਫ਼ ਇੱਕ ਸਾਫਟਵੇਅਰ ਦੀ ਖ਼ਰਾਬੀ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਸਰੀਰਕ ਗਲਤੀ ਹੈ ਜੋ ਸਰੋਤਾਂ ਦੀ ਬਰਬਾਦੀ, ਫ਼ਸਲਾਂ ਦੇ ਨੁਕਸਾਨ, ਜਾਂ ਨਿਯਮਾਂ ਦੀ ਉਲੰਘਣਾ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀ ਹੈ।
ਖੇਤੀਬਾੜੀ ਡਾਟਾ ਲੈਂਡਸਕੇਪ ਦੀ ਗੁੰਝਲਤਾ
ਖੇਤੀਬਾੜੀ ਡਾਟਾ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਇੱਕ ਵਿਲੱਖਣ ਚੁਣੌਤੀਪੂਰਨ ਮਾਹੌਲ ਪੇਸ਼ ਕਰਦੀ ਹੈ। ਰਵਾਇਤੀ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਡਾਟਾ ਦੇ ਉਲਟ, ਖੇਤੀਬਾੜੀ ਜਾਣਕਾਰੀ ਬਹੁਤ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ, ਜੋ ਸਰੋਤਾਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਸਮੂਹ ਤੋਂ ਆਉਂਦੀ ਹੈ:
- IoT ਅਤੇ ਮਸ਼ੀਨਰੀ: ਸਵੈ-ਚਾਲਿਤ (Autonomous) ਟਰੈਕਟਰ, ਸਵੈਚਾਲਿਤ ਸਿੰਚਾਈ ਪ੍ਰਣਾਲੀਆਂ, ਅਤੇ ਰੀਅਲ-ਟਾਈਮ ਸੈਂਸਰ ਰੀਡਿੰਗ।
- ਏਰੀਅਲ ਇੰਟੈਲੀਜੈਂਸ: ਡਰੋਨਾਂ ਦੁਆਰਾ ਕੈਪਚਰ ਕੀਤੀ ਗਈ ਵੱਡੇ ਪੱਧਰ ਦੀ ਖੇਤ ਦੀਆਂ ਤਸਵੀਰਾਂ।
- ਬਾਹਰੀ ਫੀਡਸ: ਰੀਅਲ-ਟਾਈਮ ਮੌਸਮ ਦਾ ਡਾਟਾ, U.S. Department of Agriculture (USDA) ਰਿਕਾਰਡ, ਅਤੇ ਤੀਜੀ-ਪਾਰਟੀ ਮਾਰਕੀਟ ਕੀਮਤਾਂ।
- ਜਿਓਸਪੇਸ਼ੀਅਲ (Geospatial) ਬਾਰੀਕੀਆਂ: ਸਹੀ GPS ਕੋਆਰਡੀਨੇਟਸ, ਫਾਰਮ ਦੀਆਂ ਹੱਦਾਂ, ਅਤੇ ਇੱਕੋ ਖੇਤ ਦੇ ਅੰਦਰ ਹਾਈਪਰ-ਲੋਕਲ ਮਿੱਟੀ ਦੇ ਵੱਖ-ਵੱਖ ਰੂਪ।
ਇੱਕ AI ਪ੍ਰਣਾਲੀ ਜੋ ਖਾਸ ਮਿੱਟੀ ਦੇ ਵੱਖਰੇਵਾਂ ਅਤੇ ਖੇਤ ਦੇ ਹਿੱਸਿਆਂ ਦਾ ਧਿਆਨ ਰੱਖਣ ਦੀ ਬਜਾਏ ਪੂਰੇ ਖੇਤ ਨੂੰ ਇੱਕ ਸਮਾਨ ਬਲਾਕ ਵਜੋਂ ਮੰਨਦੀ ਹੈ, ਉਹ ਗਲਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੇਵੇਗੀ। ਜੇਕਰ ਡਾਟਾ ਟੁੱਟਿਆ ਹੋਇਆ ਹੈ, ਤਾਂ ਇੱਕ ਸਟੀਕ ਸਿੰਚਾਈ ਪ੍ਰਣਾਲੀ ਪਾਣੀ ਦੀ ਬਚਤ ਕਰਨ ਦੀ ਬਜਾਏ ਅਸਲ ਵਿੱਚ ਪਾਣੀ ਬਰਬਾਦ ਕਰ ਸਕਦੀ ਹੈ।
"Garbage In" ਤੋਂ ਡਾਟਾ ਤਿਆਰੀ ਵੱਲ ਵਧਣਾ
"Garbage in, garbage out" (ਗਲਤ ਜਾਣਕਾਰੀ ਅੰਦਰ, ਗਲਤ ਨਤੀਜਾ ਬਾਹਰ) ਦੇ ਜਾਲ ਤੋਂ ਬਚਣ ਲਈ, ਸੰਸਥਾਵਾਂ ਨੂੰ ਅਸਲ ਡਾਟਾ ਤਿਆਰੀ ਵੱਲ ਵਧਣਾ ਚਾਹੀਦਾ ਹੈ। Wilbur-Ellis ਵਰਗੇ ਵੱਡੇ ਪੱਧਰ ਦੇ ਡਿਸਟਰੀਬਿਊਟਰਾਂ ਲਈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਡਾਟਾ ਸਿਲੋਜ਼ (data silos) ਨੂੰ ਤੋੜਨਾ ਤਾਂ ਜੋ ਗਾਹਕਾਂ, ਖੇਤ ਦੇ ਇਨਪੁੱਟਸ, ਸਪਲਾਇਰ ਰਿਸ਼ਤਿਆਂ ਅਤੇ ਮੌਸਮੀ ਮੁਨਾਫ਼ਿਆਂ ਦਾ ਇੱਕ ਇਕਜੁੱਟ ਦ੍ਰਿਸ਼ ਸਿਰਜਿਆ ਜਾ ਸਕੇ। ਵਿਅਕਤੀਗਤ ਖੇਤੀ ਕਾਰਜਾਂ ਲਈ, ਇਸ ਲਈ ਮਿੱਟੀ ਦੀ ਸਿਹਤ, ਵਰਤੋਂ ਦੇ ਇਤਿਹਾਸ, ਅਤੇ ਉਪਕਰਣਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਇੱਕ ਜੁੜੀ ਹੋਈ ਡਿਜੀਟਲ ਤਸਵੀਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਡਾਟਾ ਤਿਆਰੀ ਲਈ ਤਿੰਨ ਮੁੱਖ ਹਿੱਸਿਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ:
- ਇੱਕ ਇਕਜੁੱਟ ਡਾਟਾ ਮਾਡਲ: ਸੱਚਾਈ ਦਾ ਇੱਕ ਸਿੰਗਲ, ਨਿਯੰਤਰਿਤ ਸਰੋਤ ਜੋ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਾਰੋਬਾਰ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ।
- ਮਜ਼ਬੂਤ ਡਾਟਾ ਪਾਈਪਲਾਈਨਾਂ: ਅਜਿਹੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਜੋ ਖੇਤ ਵਿੱਚ ਸਮੇਂ ਦੇ ਅਹਿਮ ਫੈਸਲਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਜਾਣਕਾਰੀ (insights) ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ।
- ਲਗਾਤਾਰ ਗਵਰਨੈਂਸ: ਅਜਿਹੇ ਫਰੇਮਵਰਕ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਹੋਣ ਕਿ ਕੀਮਤਾਂ, ਸਪਲਾਇਰਾਂ ਅਤੇ ਵਾਤਾਵਰਣ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੇ ਬਦਲਣ ਦੇ ਨਾਲ ਡਾਟਾ ਸਹੀ ਰਹੇ।
ਇੱਕ "context intelligence layer" ਬਣਾ ਕੇ—ਜਿਵੇਂ ਕਿ Reltio ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਕਰ ਰਹੀਆਂ ਹਨ—ਕਾਰੋਬਾਰੀ ਸੰਸਥਾਵਾਂ ਟੁੱਟੇ ਹੋਏ ਡਾਟਾ ਨੂੰ ਇਕਜੁੱਟ ਕਰ ਸਕਦੀਆਂ ਹਨ ਤਾਂ ਜੋ AI ਏਜੰਟ ਕਾਰੋਬਾਰ ਦੀ ਇੱਕ ਮੁਕੰਮਲ ਅਤੇ ਭਰੋਸੇਯੋਗ ਤਸਵੀਰ ਦੇ ਅਧਾਰ 'ਤੇ ਕੰਮ ਕਰ ਸਕਣ।
ਮੁੱਖ ਨੁਕਤੇ
- ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਸੰਭਾਵਨਾ: AI ਵੱਡੀ ਕੁਸ਼ਲਤਾ ਲਿਆ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਫ਼ਸਲਾਂ ਦੀ ਪੈਦਾਵਾਰ ਵਿੱਚ 26% ਵਾਧਾ ਅਤੇ ਪਾਣੀ ਦੀ ਵਰਤੋਂ ਵਿੱਚ 41% ਦੀ ਕਮੀ ਸ਼ਾਮਲ ਹੈ।
- ਡਾਟਾ ਦਾ ਪਾੜਾ: ਖੇਤੀਬਾੜੀ ਵਿੱਚ AI ਦੀ ਸਫਲਤਾ ਵਿੱਚ ਮੁੱਖ ਰੁਕਾਵਟ IoT ਡਿਵਾਈਸਾਂ, ਜਿਓਸਪੇਸ਼ੀਅਲ ਲੇਅਰਾਂ ਅਤੇ ਬਾਹਰੀ ਮੌਸਮ ਫੀਡਸ ਵਿੱਚ ਡਾਟਾ ਦਾ ਟੁੱਟਿਆ ਹੋਣਾ ਹੈ।
- ਗਲਤੀ ਦਾ ਜੋਖਮ: ਇੱਕ ਨਿਯੰਤਰਿਤ, ਇਕਜੁੱਟ ਡਾਟਾ ਅਧਾਰ ਤੋਂ ਬਿਨਾਂ, AI ਅਜਿਹੀਆਂ ਉਲਟ ਸਿਫ਼ਾਰਸ਼ਾਂ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਸਰੋਤਾਂ ਦੀ ਬਰਬਾਦੀ ਜਾਂ ਫ਼ਸਲਾਂ ਦੇ ਨੁਕਸਾਨ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀਆਂ ਹਨ।