MACHINE LEARNING NA AGRICULTURA

Em 1961 um certo engenheiro de computação da Universidade de Stanford, na California, tomou parte


15.03.19

Marco Lorenzzo Cunali Ripoli, Ph.D. é Engenheiro Agrônomo e Mestre em Máquinas Agrícolas pela ESALQ-USP e Doutor em Energia na Agricultura pela UNESP, executivo, disruptor, empreendedor, inovador e mentor. Proprietário da BIOENERGY Consultoria, da ENERGIA DA TERRA empresa de alimentos saudáveis e investidor em empresas. Acesse www.marcoripoli.com

Em 1961 um certo engenheiro de computação da Universidade de Stanford, na California, tomou parte do chamaríamos do jogo mais importante de Damas do mundo.  Arthur Samuel convidou o campeão do estado de Connecticut da época para combinar sua inteligência em uma partida de Damas contra um computador que ele havia programado. E adivinhem…  A máquina venceu.

Samuel construiu um protótipo do que chamamos de Machine Learning muito antes do lançamento dos computadores pessoais.  Ao invés de programar trilhões de potenciais cenários de jogo de Damas, o pesquisador “ensinou” o computador a reagir com base em jogos anteriores.  Com o tempo, o computador “aprendeu” jogar.

Estes mesmos princípios desenvolvidos por Arthur Samuel de Machine Learning são agora usados na agricultura moderna, tendo como uma das áreas de crescimento mais rápido a inteligência artificial, criando soluções com maior precisão e em escalas sem precedentes.

O aprendizado de máquinas para a agricultura usa algoritmos para analisar dados. Assim, elas aprendem a fazer determinações sem a intervenção humana.  Estes algoritmos são alimentados com décadas de dados de campo, informações climatológicas, produtividade, etc. – muito mais do que qualquer ser humano pode analisar – e a partir disso criam modelos de probabilidade.

Leia também: A Realidade Aumentanda Transformando o Agro

O rápido diagnóstico de pragas e doenças pode ser o fator de sucesso no seu controle. Tradicionalmente a identificação das doenças era realizada de forma visual, processo ineficiente com chances de erro. Com a utilização de novos softwares, computadores e smartphones já se pode diagnosticar patologias e classificar por meio de banco de dados, aferindo o nível da infestação e, inclusive, recomendar práticas de gestão adequadas.

Os agricultores podem interagir com o sistema carregando imagens de campo tiradas por drones, satélites, smartphones etc. e usar o software para diagnosticar e desenvolver um plano de gestão.

Como um dos objetivos fundamentais da agricultura moderna é o desenvolvimento de insumos que proporcionem redução das doenças e pragas, o aprendizado da máquina é a tecnologia que pode fazer melhorias mais precisas neste processo, ajudando a criar por exemplo sementes mais eficientes, mais adaptáveis e produtivas.

As possibilidades de melhorias no aprendizado das máquinas são infinitas. Cada vez o Machine Learning vem provando suas teorias em maior escala, fazendo previsões em tempo real e com um grau de acertividade maior.

Já é possível desenvolver outras formas de uso de nutrientes, de conservação da água e uso de energia mais eficientes. Quem diria que um simples jogo Damas iria ajudar a definir o caminho para muitos avanços na agricultura?

O Agro não para!

 Clique aqui para conferir todas as #ColunasPlant.

TAGS: Machine Learning, Máquinas Agrícolas