الذكاء الاصطناعي الزراعي يعد بالكثير لكن مشكلة البيانات تعرقل طريقه

تبدو أرقام الذكاء الاصطناعي الزراعي مبهجةً على الورق: نماذج تنبؤية تحسّن إنتاجية المحاصيل بنسبة 26%، وتقلل استهلاك المياه 41%، وتخفض استخدام المواد الكيميائية 33%. لكن بين هذه الأرقام الواعدة وميدان العمل الفعلي تقف عقبة صامتة تعرقل معظم مشاريع الذكاء الاصطناعي الزراعي: مشكلة البيانات.

تنشط شركات التكنولوجيا الزراعية في تطوير أدوات متقدمة: من أنظمة الري الدقيق التي توزع المياه بناءً على بيانات رطوبة التربة ودرجات الحرارة، إلى نماذج التنبؤ بالآفات التي تحلل صور الأقمار الصناعية. غير أن هذه الأدوات تفترض وجود بيانات نظيفة وموثوقة، وهو ما تفتقر إليه كثير من المؤسسات الزراعية.

يعاني القطاع الزراعي من تشتت مصادر البيانات يصعب تنسيقها: أجهزة إنترنت الأشياء في الحقول تولّد بيانات الاستشعار، وقواعد بيانات الأرصاد تضيف معطيات المناخ، وسجلات الإنتاج التاريخية مخزّنة في جداول بيانات متعددة بأنظمة غير متوافقة، فيما تتفاوت الأرض ذاتها من بقعة إلى أخرى.

حين تدرَّب نماذج الذكاء الاصطناعي على بيانات متضاربة أو ناقصة، ترتفع احتمالية هلوسة النموذج: إنتاج توصيات واثقة الأسلوب مبنية على معلومات مغلوطة. في التطبيقات الزراعية، قد تعني هذه الهلوسة توصية بكميات خاطئة من الأسمدة أو مواعيد ري غير ملائمة، مما يلحق ضرراً مباشراً بالمحصول.

تقدّم حالة شركة Wilbur-Ellis، موزع زراعي عمره 104 أعوام، نموذجاً ملموساً. لجأت الشركة إلى بناء "نظام موثوق للسياق" يربط بيانات العملاء والموردين والمنتجات والأسعار في منظومة متكاملة قبل الانخراط في أي مشروع ذكاء اصطناعي. الحكمة في هذا النهج: الزراعة ليست ميداناً ثابتاً. الأسعار تتذبذب، علاقات الموردين تتغير، المواسم تحمل متغيراتها. نموذج مدرَّب على بيانات قديمة سيقدم توصيات ربما كانت صحيحة قبل عامين لكنها خاطئة اليوم.

بناءً على هذا الواقع، تتضح ثلاثة متطلبات لنجاح الذكاء الاصطناعي الزراعي: نمذجة بيانات محكمة تعرّف كيف تترابط كيانات المزرعة، وخطوط أنابيب بيانات سريعة تحدّث المعلومات في الوقت الفعلي، وأطر حوكمة البيانات لضمان دقتها وتحديثها باستمرار.

هذه الاستثمارات في البنية البيانية أقل إثارةً من الإعلان عن نماذج متقدمة، لكنها الشرط الضروري لأن تصبح هذه النماذج ذات نفع حقيقي في الحقل.

تكتسب هذه القضية أهمية استراتيجية خاصة في منطقة الشرق الأوسط وشمال أفريقيا التي تعاني من شُح المياه وضغوط الأمن الغذائي. الزراعة التي توظف الذكاء الاصطناعي بفاعلية قادرة على إنتاج غذاء أكثر بموارد مائية أقل؛ وهو هدف يستحق الاستثمار في أسسه البيانية قبل البحث عن النموذج الأكثر تطوراً.