Gardin
- Gardin stellt einen Sensor her, der die Pflanzengesundheit überwacht und Erkenntnisse über das Wachstum generiert.
- Das Unternehmen hatte zunächst Schwierigkeiten, Bilder von Pflanzen zu beschaffen, um einen Algorithmus zur Krankheitserkennung zu trainieren.
- Mithilfe generativer KI wurden synthetische Bilder erstellt, um die Datenlücke zu schließen und ein Modell zu erstellen.
- Dieser Artikel ist Teil von „AI in Action“, einer Reihe, die untersucht, wie KI in verschiedenen Branchen eingesetzt wird.
Gardin, Ein Agrartechnologieunternehmen mit Sitz in Oxfordshire, England, stellt einen automatisierten Sensor her, der die Pflanzengesundheit misst, bekannt als „pflanzengesteuerter Anbau“.
Der Sensor sammelt Echtzeitdaten über die Pflanzen und generiert Leistungswarnungen und Wachstumseinblicke. Mit Blick auf die Agrarindustrie ein Arbeitskräftemangel, Die Technologie kann dazu beitragen, den Mangel an Arbeitskräften zu decken.
Situationsanalyse
Die Sensoren von Gardin messen die Pflanzengesundheit mit einer Technik namens Chlorophyllfluoreszenz, die überwacht, wie gut eine Pflanze Photosynthese betreibt, und ihren Stresspegel beurteilt.
Diese Methode kann zwar erkennen, ob eine Pflanze gesund ist oder nicht, sie kann jedoch nicht genau bestimmen, was den Pflanzenstress verursacht. Das Team von Gardin wollte die Fähigkeiten der Plattform erweitern, um bestimmte Krankheiten frühzeitig klassifizieren zu können.
Dazu müsste das Team einen Algorithmus für maschinelles Lernen entwickeln. Allerdings sagte Julian Godding, leitender Datenwissenschaftler bei Gardin, gegenüber Business Insider dass es „sehr, sehr schwierig ist“, einen Algorithmus zur Klassifizierung von Pflanzenkrankheiten zu entwickeln. Der Grund? „Es gibt einfach so wenige Daten“, sagte er.
Um einen herkömmlichen Algorithmus zu trainieren, brauchten sie laut Godding beispielsweise 100 Bilder einer bestimmten Pflanze mit einer Krankheit und 100 Bilder der Pflanzenart ohne Krankheit. Es gibt zwar viele Bilder von gesunden Pflanzen, aber nicht genügend Bilder von erkrankten Pflanzen, um den Algorithmus richtig zu trainieren, sodass ein Ungleichgewicht bei den benötigten verfügbaren Daten bestand.
Eine Lösung wäre, die notwendigen Daten – in diesem Fall Bilder von erkrankten Pflanzen – manuell zu sammeln. Godding sagte jedoch, dass dies teuer und zeitaufwändig sei.
„Man braucht also synthetische Daten, und hier kommt die generative KI ins Spiel“, sagte Godding.
Wichtige Mitarbeiter und Partner
Godding rekrutierte einen Doktoranden der Universität Oxford, der mit ihm zusammen an der Entwicklung und Erprobung eines generativen KI-Modells arbeiten sollte. Godding hat einen akademischen Hintergrund und sagte, dass die Durchsicht veröffentlichter Forschungsergebnisse sein Ausgangspunkt für die Entwicklung des KI-Modells sei.
Er fügte hinzu, dass zwar bereits einige Informationen verfügbar seien, auf die sie bei der Entwicklung ihrer generativen KI zurückgreifen könnten, sie diese jedoch an ihre spezifischen Bedürfnisse anpassen müssten.
KI in Aktion
Synthetische Daten werden von einem Computer künstlich generiert und nicht aus der realen Welt gesammelt. Es ist früher daran gewöhnt Trainieren Sie Modelle, um Betrug zu erkennenum das Fehlen qualitativ hochwertiger realer Daten zu Betrug zu beheben.
Einige KI-Experten haben gesagt, dass synthetische Daten mit Vorsicht verwendet werden sollten, da es sich um eine „verzerrte Version“ von realen Daten. Allerdings schätzt das Beratungsunternehmen Gartner das Bis 2030 werden synthetische Daten reale Daten in KI-Modellen überholen.
„Wenn man das synthetisch herstellen kann [needed] Wenn Sie Daten verwenden, um dann ein Modell zu trainieren, sparen Sie enorm viel Zeit und Geld“, sagte Godding.
Gardin musste künstliche Bilder von Pflanzen mit Krankheiten erstellen, um einen Datensatz zum Trainieren seines Modells zu erstellen. Sie beschlossen, diese synthetischen Daten intern zu entwickeln. Zunächst musste das Team „beweisen, dass es möglich ist, diese Form der Anpassung für einen Algorithmus durchzuführen und ihn auf diese Weise zu verallgemeinern“.
Godding sagte, dass eine der größten Herausforderungen darin bestehe, einen grundlegenden Datensatz für die Erstellung der synthetischen Daten zu beschaffen.
Gardin
Hat es funktioniert und woher wissen sie das?
Während des Testzeitraums maßen sie den Erfolg der generativen KI anhand ihrer Klassifizierungsgenauigkeit. Die Entwicklung des Teams dauerte vier Monate.
Godding sagte, dass die Generierung des Pflanzendatensatzes mit dem KI-Modell „wirklich zeitaufwändig und teuer“ sei. Er fügte jedoch hinzu: „Es gab buchstäblich keine Möglichkeit, eine Alternative zu schaffen.“
“Der Grund dass [artificial intelligence hasn't] Außerhalb großer Technologieunternehmen wurde erkannt, dass der Aufbau und die Wartung von KI-Infrastruktur und -Produkten so teuer sind, dass der Geschäftsszenario in vielen Branchen einfach nicht funktioniert“, sagte Godding gegenüber BI.
Godding sagte, sobald sie einen guten zugrunde liegenden Datensatz generiert hätten, sei der Aufbau des Krankheitserkennungsmodells einfach gewesen. Sie veröffentlichen jetzt eine Arbeit über ihre Arbeit.
Was kommt als nächstes?
Mit Blick auf die Zukunft integriert Gardin künstliche Intelligenz in andere Aspekte des Geschäfts. Das Datenteam von Gardin nutzt KI nicht nur, um seinen Sensor zu automatisieren und ihn in einen „Miniroboter“ zu verwandeln, sondern integriert auch generative KI in seine Computer-Vision-Algorithmen, um sicherzustellen, dass es bei einem Pflanzentyp nicht zu stark spezifiziert.
Diese Lösung bedeutet, dass das Modell die Eigenschaften einer Pflanze unabhängig von ihrer Umgebung messen kann, unabhängig davon, „ob das Bild auf einem Feld in Spanien oder einem Gewächshaus in den Niederlanden aufgenommen wurde“, sagte Godding.