Изображение создано при помощи нейросети Kandinsky
В одном из интервью для портала «Научная Россия» профессор Российского государственного аграрного университета — Московской сельскохозяйственной академии им. К.А. Тимирязева Иван Иванович Васенев рассказывал: «Многие знают об интернете вещей и умных домах. А для сельского хозяйства нам нужно создать умное поле, желательно с возможностью самостоятельного обновления определенных алгоритмов. Меня восхитило, когда на Восточном экономическом форуме 2016 г. наш всемирно известный коллега из Италии Риккардо Валентини заглянул в смартфон и оценил сахаристость виноградной лозы, растущей в его хозяйстве более чем в 6 тыс. км от Владивостока».
Это один из примеров того, как искусственный интеллект уже применяется в сельском хозяйстве. Хотя на самом деле круг решаемых задач куда шире. Это возможность оценить состояние почвы, определить болезни растений, спрогнозировать урожай, управлять посевом или уборкой, следить за полями со спутника… Такие области применения цифрового помощника объединяет то, что технология используется преимущественно в земледелии. Но это только половина сельскохозяйственной отрасли. В смежной области ― животноводстве ― применение ИИ преимущественно связывают с использованием машинного зрения, различных сенсоров и дальнейшей аналитикой полученных данных. И пока ситуация с внедрением ИИ в коровники, свинарники и курятники складывается сложнее, чем с работой цифровых технологий в полях.
С одной стороны, есть понимание, что внедрять ИИ в животноводство надо: со временем подобный проект должен «выстрелить» в виде конкретной финансовой выгоды. С другой ― четких расчетов, которые показали бы, как, сколько и когда принесут новые технологии в России, до сих пор практически нет. Как практически нет и готовых кейсов. Решения, эффективно работающие в лаборатории, установить на ферме зачастую просто не удается ― под новые подходы надо перестраивать старые помещения. А вдобавок для решения актуальных цифровых задач животноводства в России не готовят специалистов: в вузах просто нет нужных компетенций.
О существующих исследованиях и разработках, перспективах и сложностях внедрения ИИ в животноводство порталу «Научная Россия» рассказал специалист Института проблем управления им. В.А. Трапезникова РАН Сергей Иванович Антипин. В Центре интеллектуального цифрового сельского хозяйства, которым он руководит, ученые разрабатывают системы машинного зрения для животноводческих комплексов и учат искусственные нейронные сети определять заболевания поголовья по их поведению.
Фото: Елена Либрик / «Научная Россия»
Без человека спокойнее
При вспышке африканской чумы свиней все поголовье ― и зараженные, и контактировавшие животные, и животные в санитарной зоне ― уничтожается полностью. Вакцины и способов лечения пока нет. Так, с лета до конца осени 2018 г. в Китае уничтожили почти миллион голов свиней ― колоссальные убытки. За половину 2024 г. в России зафиксировали около 15 вспышек. Для людей африканская чума свиней не опасна, но занести вирус в животноводческий комплекс человек может. Риски контакта с животными можно минимизировать, сократив участие человека в работе.
С.И. Антипин: «Мы преимущественно занимаемся системами компьютерного зрения для свинокомплексов, ферм крупного рогатого скота и птичников. Набор различных сенсоров ― видеокамеры, звуковые датчики или датчики состояния воздушной смеси ― собирает информацию, которую анализирует нейронная сеть, определяя состояние животных. Изучая этот массив данных, можно без прямого участия человека определить, в норме ли поголовье, и если нет, то в чем именно проблема. Так можно применять, например, неинвазивное взвешивание ― в области животноводства это интересная задача. Взвесить неподвижный объект в лабораторных условиях сегодня не представляет особенного труда, но животные постоянно двигаются и это создает дополнительные сложности. Мы разрабатываем такие системы».
Фактически искусственный интеллект может минимизировать взаимодействие человека с животным в ситуациях, когда без этого можно обойтись. Кроме биобезопасности, это возможность сократить количество стрессов и более эффективно контролировать итоговый результат: массу, надои, количество яиц ― экономические показатели успешности животноводства. Ученые ИПУ РАН разрабатывают и различные сенсоры, и нейросети, которые анализируют информацию.
С.И. Антипин: «Такие комплексы ― это система поддержки принятия решений. Нейросеть решает задачи в зависимости от того, чему она обучена: например, способна определять признаки конкретного заболевания, оценивая, как животное ест, лежит, двигается и взаимодействует с остальным поголовьем. В идеальной ситуации система решает сразу несколько задач, но к этому надо идти постепенно и наращивать объемы изучаемых данных. То есть сначала система следит за заболеваниями конечностей и отмечает, что у конкретного животного не в норме сустав. Решив эту задачу, ее можно внедрить, тестировать на предприятии и параллельно делать разметку по другим параметрам, которые позже можно будет добавить».
Искусственные нейронные сети надо обучить: показать на примерах, как определенные физиологические проявления связаны с состоянием животных. Не просто научить отличать корову от лошади, а сопоставить то, как, допустим, лежат поросята с возможной вспышкой вируса или почему животным некомфортно. Это функциональная разметка, заниматься которой могут квалифицированные специалисты: именно ветеринары и зоотехники, умеющие работать не только непосредственно с животными, но и с наборами видеоданных с ферм на компьютерах. А таких специалистов в России массово не учат. Более того, в сельском хозяйстве не хватает и классических ветеринаров: у крупных компаний может быть несколько площадок, на которых содержатся сельскохозяйственные животные, но закрепить за каждой высококвалифицированного специалиста получается не всегда.
Ученые Тимирязевской академии используют информационные технологии для ветеринарии: собирают информацию и обучают искусственные нейронные сети работать с базами данных для того, чтобы определять различные патологии. Специалисты используют автоматизированные системы, способные приготовить мазок, покрасить его, чтобы выделить определенные элементы крови и исследовать. Нейросети способны дифференцировать клетки в образце: достаточно установить препарат в микроскоп и запустить программу. Если раньше человек сам смотрел в микроскоп и по определенным формулам считал количество, например, лейкоцитов и тромбоцитов, то сейчас устройство самостоятельно исследует образец и передает информацию на компьютер, после чего остается ее только проанализировать
Фото: Елена Либрик / «Научная Россия»
Учить нейросети для животноводства пока некому
Недостаток ресурсов, в том числе кадровых, для разметки нейросетей С.И. Антипин называет фундаментальной проблемой разработок ИИ в области животноводства. Даже опытный ветеринар высокого класса без дополнительной подготовки не всегда справится с задачей: одно дело — увидеть животное собственными глазами, ощупать его, а другое — смотря на экран, понять, что с ним происходит.
С.И. Антипин: «Такие специалисты должны сначала несколько лет проработать на ферме и получить опыт непосредственной работы с животными. Затем пройти дополнительное обучение и освоить навыки разметки и работы с нейросетями. Подготовка таких специалистов должна быть совместной задачей агровузов и организаций, занимающихся машинным зрением и искусственным интеллектом. Сейчас таких квалификаций в принципе нет в образовании и их отсутствие я считаю серьезным негативным фактором на пути подобных разработок и широкого тиражирования технологий».
Квалифицированные заказчики должны понимать экономический эффект
С.И. Антипин: «Запросы со стороны компаний есть, хотя многим тема интересна как модное направление. Сам рынок как таковой еще не сформирован. Пока мало квалифицированных заказчиков, которые могут четко сформулировать запросы и требования. Раскрыть задачи получается только после непосредственного общения с потенциальным заказчиком, когда специалисты-животноводы и специалисты в области математики и ИИ начали говорить на одном языке. И на это требуется действительно много времени».
Поэтому сейчас мало реальных внедрений. И нет заказчика, который может прийти и заказать систему с определенным функционалом, предложив за нее конкретную сумму. Доказанного расчета, к какому экономическому эффекту приведет внедрение этих технологий, еще нет ни у потребителя, ни у разработчиков.
Взаимодействие науки и бизнеса надо координировать
Российская наука в области искусственного интеллекта и машинного обучения сильна и вполне конкурирует с зарубежными исследованиями. Достаточно вспомнить победы российских школьников на первой в истории Международной олимпиаде по искусственному интеллекту в Болгарии, прошедшей в середине августа, и на международной олимпиаде по информатике в Египте в начале сентября. Но остается проблемой «долина смерти» ― этап на пути к внедрению исследований в практику, на котором остается значительная часть технологий. В первую очередь это связано с необходимостью крупных инвестиций и тесного сотрудничества ученых, компаний и государства.
С.И. Антипин: «В России пока еще существует проблема барьера между бизнесом и наукой. А широкое внедрение подобных технологий возможно только при совместной работе. Дело в том, что когда ученые приходят к бизнесу с наработками или даже с уже конкретными разработками, это требует от бизнеса участия в доведении разработок до промышленной технологии. У нас разные подходы. На производстве результат выражается в литрах и тоннах. Науке важно на реальном производстве довести технологию до применимости в промышленных условиях».
Эта проблема частично решается в отдельных крупных агрохолдингах, способных финансировать разработки. Это несистемный подход, опирающийся на частные инициативы: отдельный владелец компании, столкнувшись с дефицитом кадров, приходит к пониманию, что нужно использовать новые технологии. Иначе расширяться не получится… И именно такие компании могут быть партнерами научных организаций.
С.И. Антипин: «Мы видим, как складывается ситуация у западных коллег. Там в рамках больших корпораций существуют исследовательские теплицы, коровники, свинарники, где все устроено как на производстве, но руководят процессом ученые. И это дает результат. В России такого опыта пока нет, хотя подобный подход стал бы большим подспорьем для науки».