Tomáš Borovička: Umělá inteligence přispívá k větší udržitelnosti zemědělství 

Stroj dnes umí například rozpoznat zralé ovoce od nezralého a podle toho ho sklidí, nebo nechá dozrát. Dokáže rozpoznat také plevel od obilí a postříkat pesticidy jen plevelné rostliny, nebo naopak dodat plodině další živiny.

Jak rozšířené je dnes použití umělé inteligence v zemědělství? V jakých odvětvích nebo procesech je možné ji aplikovat?

Zemědělství je velmi široké odvětví a AI se v něm může uplatnit v mnoha směrech. I v tomto oboru existuje spousta repetitivní práce, která se dá automatizovat – a umělá inteligence posouvá možnosti automatizace a robotizace na novou úroveň. Propůjčuje strojům schopnost vnímání, což je klíčové při strojovém rozhodování, jež umožňuje nahradit lidskou práci. Stroj dnes umí například rozpoznat zralé ovoce od nezralého a podle toho ho sklidí, nebo nechá dozrát. Dokáže rozpoznat také plevel od obilí a postříkat pesticidy jen plevelné rostliny, nebo naopak dodat plodině další živiny. Kamerové a měřící systémy jsou schopné identifikovat i nemocná zvířata, a to bez lidské kontroly. Vždy říkáme, že v případě implementace umělé inteligence do zemědělství neexistují hranice. Jediné relevantní omezení je návratnost investice vzhledem k nákladům, které zavedení AI do výroby vyžaduje.

Existují podle vás procesy, do nichž by umělá inteligence neměla zasahovat?

AI nedokáže nahradit lidi. Umí jim pomoci v pro člověka jednoduchých úkolech: třeba to rozpoznání zralosti ovoce není až tak velká věda, k němu není potřeba lidský odborník. Pokud ovšem nějaká činnost potřebuje vyšší znalost, zkušenost či obratnost, umělá inteligence při ní ještě dlouho pomáhat nebude. Rozhodnutí, k nimž je třeba zhodnotit mnoho komplexních faktorů najednou, často těží z dlouholeté zkušenosti lidských expertů. Takové rozhodování je na poli vývoje AI tvrdým oříškem: i ty nejpokročilejší algoritmy, které dneska máme, nedokážou brát v potaz například proměnlivost počasí a na základě podobných kritérií rozhodnout, jak skladovat a kdy převážet sklizené ovoce. Myslím si, že to bude ještě nějakou dobu trvat. V současnosti na takovou komplexitu ani necílíme, protože existuje spousta procesů, které jsou výrazně jednodušší a automatizované ještě nejsou.

Jaká konkrétní řešení po vás tedy zemědělské firmy vyžadují?

Hned z počátku založení jsme v Datamole začali spolupracovat s Lely, což je nizozemská firma, která se zabývá inovacemi na mléčných farmách. V tomto směru to jsou průkopníci, už před dvaceti lety vynalezli svého slavného dojícího robota. Jejich řešení krávě umožňuje, aby se po farmě pohybovala volně, a když cítí, že už by měla být podojena, tak přijde do toho robota, robotická ruka zajede pod vemeno, detekuje, kde jsou jednotlivé struky, napojí na ně dojící systém a zvíře podojí. V dnešní době už mají roboty, který na farmě uklízejí, rozvážejí potravu, myjí kravám kopyta nebo je i drbou. Je to komplexní systém, kdy se automatizuje, co všechno v minulosti obstarával samotný hospodář. Lely usiluje o to, aby se moderní farmáři mohli zabývat pouze prací, kterou není schopen vyřešit sám robot.

Na čem tedy s Lely spolupracujete?

Dnes už jim pomáháme s celou řadou procesů, ale začali jsme úplně prvním krokem každého inovačního procesu, a to je sběr dat. V zemědělství se jich generuje obrovské množství – například na každé automatizované farmě probíhá dojení zhruba každých pět až osm minut. Z každého dojení je několik tisíc záznamů, které monitorují a popisují celý proces, jako je třeba teplota mléka, jeho chemické složení, obsah tuků, proteinů a laktózy či konduktivita, která indikuje určitou pravděpodobnost zánětu vemene. Aby se mohlo začít efektivně inovovat, všechna tahle data je potřeba shromáždit, analyzovat a zjistit, jakým způsobem bychom ten proces mohli vylepšit. To je první krok, který firmám nabízíme. Vybudovali jsme systém, který dokáže posbírat data z velkého množství zařízení a pak je v reálném čase zpracovávat. V případě Lely je to z více než třiceti tisíc robotů po celém světě. Díky tomu mohou dělat lepší rozhodnutí, jakým způsobem zvíře podojit, nebo jestli ho vůbec do dojícího robota pustit. Zrovna proces dojení je velmi komplexní biologický proces, jehož optimalizace umožňuje zvýšit efektivitu využití strojů. Díky optimalizaci jsme schopni podojit více zvířat za kratší čas a celý proces zvířeti zpříjemnit – zde se například ukazuje, že se díky redukci stresových hormonů zlepšuje kvalita mléka. Jsme tudíž schopni zařídit, že na farmách žijí zdravější a spokojenější zvířata.

Takže si krávy na roboty už zvykly?

Lely má na svých robotických farmách takzvaný free cow traffic, což znamená, že zvířata se mohou po farmě volně pohybovat. Opravdu se sama rozhodují, v jakou chvíli chtějí jít dovnitř robota a nechají se podojit. Kravám většinou trvá několik týdnů, aby se tento proces naučily. Farmář jim zpočátku pomáhá: zvíře do robota odvede, proces mu ukáže, motivuje ho potravou, která mu chutná a která láká k další návštěvě. A po nějaké době se navštěvování robota pro zvíře stane naprosto přirozenou součástí dne. Ve chvíli, kdy zvíře cítí, že má plné vemeno, tak do robota vleze a robot jej podojí.

Pomáhá umělá inteligence i mimo živočišnou výrobu, tedy v rostlinném sektoru?

Tady můžu uvést příklad další nizozemské firmy – vyrábí traktory, jež postřikují rostliny hnojivy a ochrannými látkami. Jejich inovativní přístup spočívá v tom, že je každý traktor vybaven několika kamerami, které dokážou rozpoznat rostliny a aplikovat na ně jen takové množství prostředku potřebné k jejich optimálnímu růstu. Traktor je ale navíc vybaven dalšími čtyřmi sty senzory, které měří spoustu parametrů na sprejovacích ramenech s rozpětím až padesát metrů. A když máte takovýto traktor a projíždíte s ním pole, dokážete optimalizovat dávkování pesticidů, herbicidů i hnojiv úměrně tomu, v jakém jsou rostliny stavu, jak jsou velké nebo kolik plevelu tam roste. My umíme data z těch senzorů zpracovat – některá z nich dokonce v reálném čase – a tyto procesy dále vylepšovat. Obecně bych řekl, že umělá inteligence v zemědělství přispívá k větší udržitelnosti tohoto odvětví.

Jak naznačujete, zemědělství je společensky citlivé téma. Jak přistupujete k výběru zakázek?

Nechci znít arogantně, ale klienty si opravdu vybíráme. Je pro nás důležité pracovat na projektech, jimž věříme a o nichž víme, že pomáhají a mají pozitivní dopad na životní podmínky a společnost. Je samozřejmě těžké rozhodnout, co je a není onen pozitivní dopad, to vnímání se ve společnosti různí. Pro nás je důležité, když vidíme, že vylepšeným procesem nebo novým produktem někomu ušetříme práci nebo mu pomůžeme, aby ji dělal lépe. Takové projekty nám dávají smysl.

Datamole dodává služby převážně zahraničním firmám. Byl to vždy váš záměr?

Naším prvním zákazníkem byla společnost Lely. V Nizozemí je mnoho zemědělských firem, je tam hluboká zemědělská tradice, a Holanďané jsou zároveň velcí inovátoři a dobří klienti. Nicméně zákazníky máme také v Německu, v Americe, i na Novém Zélandu. Je to způsobeno tím, jakým způsobem děláme prodej: nemáme žádný velký tým prodejců a marketérů, naši zákazníci si nás doporučují navzájem, a tak záleží, kde naši klienti působí a v jakých zemích mají kontakty. Přijde mi, že v Česku je malý důraz na inovace, a tím pádem i malá motivace k investicím do umělé inteligence. A co si budeme povídat, investice do této technologie může být v určitých případech riskantní, zvlášť když jste ve svém oboru první, kdo se rozhodne určitý proces vylepšit pomocí strojového učení. Ale pevně věřím, že je to jen otázka času a budeme více inovovat i u nás doma, v Česku.

Co tomu stojí v cestě?

Možná je tu určitá nejistota, nedůvěra, chybí finanční prostředky. České firmy se pak bojí do inovací pořádně kopnout a více riskovat. Vytvořit funkční a konzistentní produkt založený na umělé inteligenci je velmi drahé. Jeho vývoj není triviální: potřebujete lidi vzdělané v AI, kterých je po celém světě nedostatek, a investice se většinou vrací až ve chvíli, kdy jste schopni nějakým způsobem škálovat provoz na velké množství zákazníků.

Přijde mi, že v Česku je malý důraz na inovace, a tím pádem i malá motivace k investicím do umělé inteligence. A co si budeme povídat, investice do této technologie může být v určitých případech riskantní.

V Česku chybí AI odborníci. Ty se snažíte vzdělat ve výzkumné laboratoři ve spolupráci s ČVUT. Na co se v ní zaměřujete a jaké máte výsledky?

Není to tak, že by byl nedostatek nadaných lidí obecně, ale ta poptávka je výrazně větší. Značná část podnikatelů dnes už rozumí tomu, co jim dokáže umělá inteligence nabídnout, a tak chtějí ve firmě člověka, který se bude zabývat inovacemi, datovou vědou nebo umělou inteligencí. To si uvědomujeme i my, a tak je pro nás výzkumná laboratoř, kterou máme na FITu, cestou, jak dostat přístup k talentovaným studentům a přiblížit jim, jak vypadá datový projekt v průmyslovém prostředí, ať už v zemědělství nebo jinde. S fakultou spolupracujeme velmi úzce už od vzniku Datamole, pojí nás tam profesní i přátelské vazby. Nejčastěji vyvíjíme algoritmy v oblasti strojového učení a umělé inteligence a zkoušíme je aplikovat do reálných případů užití. Máme za sebou už desítky bakalářských a diplomových prací. A spousta absolventů z ČVUT i z Matfyzu Univerzity Karlovy k nám po studiu nastupuje a pokračuje svou kariéru.

Takže se u nás daří vychovávat další generaci AI expertů?

Já si myslím, že určitě ano. Technické obory mají v České republice silné zázemí a na ČVUT, ale i na Univerzitě Karlově nebo na univerzitách v Brně vychovávají spoustu budoucích kvalitních odborníků na vše od softwarového inženýrství po umělou inteligenci. Největším problémem AI nebo datové vědy je ovšem chybějící předešlá zkušenost – obor je poměrně mladý, a tak je celosvětový nedostatek zkušeností, které by pomohly k projektům správně přistupovat i o nich správně rozhodovat.

Jaké to s sebou přináší problémy?

Neduhem AI firem i datových expertů je trávení velkého množství času vývojem, který nemá odpovídající přidanou hodnotu. Je to dané i tím, že lidé, kteří se věnují umělé inteligenci, většinou chtějí vytvořit co nejlepší řešení a co nejvíce snížit chybovost. Ale i model, který je přesný jen z osmdesáti procent, dokáže podle mé zkušenosti ušetřit velkou část práce. Každé další procento zlepšení pak už může být neúměrně drahé. Tohle je jedna z největších výzev našeho oboru: najít tu hranici, kdy si řekneme, že už je to dostatečně dobré na to, abychom se posunuli dál, aby to šlo do produkce, a kdy se ještě věnovat vylepšování umělé inteligence a snažit se pokrýt všechny případy, se kterými se může setkat.