Maróti Miklós a döntéstámogatás jelenlegi helyzetének ismertetésével kezdte a programot. Az AgroVIR rendszerében ma meg lehet nézni, hogy az adatbázisban szereplő gazdaságoknál hektárra vetítve hány darab traktort és hány lóerőt használnak, hány liter gázolajat fogyasztanak, mennyi nitrogén hatóanyag fogy, melyik fajtának mennyi volt a terméshozama, gyakorlatilag minden, a termelést érintő mutatót és költségszámot – mondta.
Az adatokból kiderül, hogy ezeknek a változóknak milyen hatásai vannak a termelésre és összehasonlíthatóak a saját adatok másokéval. Egyre többen használják ezt az Agro Index szolgáltatást nálunk is, aminél fontos, hogy az egyes gazdaságok nem beazonosíthatóak, csak olyan adatokat és összefüggéseket osztunk meg a többi termelővel, amelyek alapján mindenki biztonságban tudhatja a gazdaságának féltve őrzött információit.
Az inputanyagok árváltozásai, a terményárak csökkenése, a körülmények és a feltételek kiszámíthatatlansága miatt a korábbiakhoz képest más eszközökre és megoldásokra van szükség az eredményes és tervezhető gazdálkodáshoz. Erre fejlesztünk ki egy új, mesterséges intelligencián alapuló terméket.
A cél a gazdálkodók segítése a döntéseikben; a cégalapításnál, 17 éve is ez vezetett minket, ebben hittem, ezért dolgoztunk azóta is a szoftverfejlesztés, az adattisztítás és -egységesítés területén is. Ehhez viszont rengeteg adat kell. Az AgroVIR rendszerében például 2023-ban 339 milliárdnál több adat jött létre. Közülük például ilyen egy: ezen a táblán ezzel a munkagéppel, ezt a növényvédő szert ezzel a traktorral, erre a kultúrára és ilyen dózisban, ekkora területen juttattuk ki, ennyi gázolajjal és üzemórával. Ez egy adat, ilyenekből kell elképzelni 339 milliárdot.
Nehéz elképzelni ennyi adatot, példaként, ha valaki levág egy hektár búzát és 6 tonnát arat, az egy kisebb pótkocsira felfér, ebből minden egyes szem egy adat. A tavalyi számunkhoz közel 85 ezer hektárt kell levágni, hogy meglegyen annyi búzaszem, ami megegyezik ezen adatok mennyiségével. Minden egyes ilyen szem (adat) hatását a terméshozamra egyesével vizsgálunk. Elkezdtünk regressziós analízisekkel dolgozni, tehát megnéztük, hogy egy változónak mekkora hatása van a terméshozamra. Minél nagyobb a szám, annál inkább korrelál a két adat.
Kiderült, hogy a kukoricánál a vetés előtti csapadék korrelált legjobban a termésmennyiséggel. Érdekes viszont, hogy az éves csapadékmennyiség nem volt annyira meghatározó, 2022-ben ugyanakkor búzában és kukoricában is dominált. Megállapítottuk, hogy a kukorica esetében a kijuttatott nitrogénnek nagyon alacsony a korrelációja, ezért nem szükséges annyi belőle, mint amennyit ki szoktak belőle juttatni a termelők. Természetesen a hibák is látszottak a rendszerben: kérdés volt, hogy a búzánál miért magasabb a hozam ott, ahol több munkaórát töltünk egy hektáron, vagy több gázolaj megy az adott területre. Lehetett érezni a korlátokat, kezdtünk elveszni az összefüggések között. A legnagyobb gond az volt, hogy a rendszer csak egy változó hatását méri, ezért más eszközt kellett keresnünk. Egy konkrétumon szemléltetve a vetési idő hatását nézve alacsony a korreláció, viszont egy fajtán belül magas. Ez a helyzet a vetőmagnormával is, tehát egy fajtán belül érdemes nézni így az adatokat. A lényeg, hogy a termelésre nem egy változó hatása alapján tudunk következtetni, hanem változók összefüggéseiből.
Ezért kezdtünk a neurális hálóval és a Deep learning (mély gépi tanulás) technológiával foglalkozni a kollégákkal. Ebben az adatkapcsolatok hasonlóan épülnek fel, mint az agyunkban a neuronok és a szinapszisok rendszerei. Sokszor fogalmunk sincs, melyik adat hogyan kapcsolódik össze másokkal, de a Deep learning fejlesztés eljutott oda, hogy mintázatokat vesz észre, a felesleges adatokat pedig kidobja a rendszerből, és akár pótolja is a hiányzókat. A munkánál az adatok 90 százalékán tanítjuk, 10 százalékán teszteljük a gépet. A vizsgálatokat azokon az adatokon végeztetjük el vele, amit soha nem látott, ezt ciklikusan újra és újra feladatként határozzuk meg a gép számára.
A tesztelésnél megadjuk a tábla lokációját és az agrotechnológiát, majd megkérjük, hogy becsülje meg a hozamot, és megnézzük a tényleges eredményt. Ezt nem a termésbecslés miatt tesszük, hanem arra alapozva, hogy ha az algoritmus képes erre, akkor tudja azt, hogy egy-egy agrotechnológiai döntésnek milyen hatása van a terméshozamra, végül pedig a jövedelmezőségre. Itt jutunk el az előadás címében szereplő 14 százalékhoz – emelte ki Maróti Miklós.
Ugyanis 2023-ban az őszi búzában ennyi volt az átlagos eltérés az algoritmus által jelzett és a valós terméshozam között. Ez túlságosan jó a várakozásokhoz képest. Ráadásul 10-ből 8 adatnál 0,1 tonna az eltérés, kettő kiugró érték rontja el az átlagot. Amennyiben pedig ez igaz, az azt jelenti, hogy az algoritmus tudja, mi lesz egy-egy agrotechnológiai döntés következménye. A gazdáknak összességében viszont az segít, ha a program támogatja őket a döntéshozatalban, ezt fogja tenni a legújabb AgroVIR funkció, amit a várakozásaink szerint a 2024-es év végére hozunk ki.
Ez az automata vetésforgó, amely a rendszerben mesterséges intelligencia támogatással, egy gombnyomásra, a táblákra számítva megadja, hogy hol és mit termesszenek a gazdák. Jövőre pedig akár odáig is eljuthatunk a fejlesztéssel, hogy a gép táblánként állítja össze a legideálisabb termesztéstechnológiát, figyelembe véve az összes lehetséges befolyásoló körülményt, adatot és információt, legyen az AÖP, talaj, klíma, terményár, piaci folyamat vagy környezeti változó.
Amint pedig ez elkészül, jöhet az utolsó lépés: az automatizált inputanyag-beszerzés, amikor az árakban már jóval kevesebb szerepe lesz a promóternek, a kereskedőnek és a marketingesnek. Ténylegesen az adatokból lesz látható, hogy melyik termék hogyan működik, majd az online is megrendelhető lesz. Az adatokból látni lehet a finanszírozási igényt és a likviditási tervet, amit át lehet küldeni a bankoknak, gyorsabbá lehet tenni a finanszírozási folyamatot, így a pénzintézetek csökkenthetik a kockázatokat. Akár folyamatosan, havonta lehet jelenteni az adatokat, követhető, hogy hol tért el a gyakorlat a tervhez képest, ami hozzásegít a döntésekhez, hogy miken lehet és érdemes változtatni a megfelelő eredmény eléréséért. Az egyre pontosabb predikciók pedig megmutatják, hogy ezek milyen hatással lesznek a terméshozamra, ráadásul ugyanez tud majd működni a biztosítások megkötésénél is. A jövőképünkben ezt az utat járjuk be, hogy hatékonyabban, gazdaságosabban, flexibilisebben lehessen gazdálkodni – zárta előadását Maróti Miklós.
Fotók és videók: AgroVIR
Szerző: Csurja Zsolt
(x)
