28 октября 2020 г.

И для инвестиций, и для ИТ-решений сегодня одним из наиболее актуальных и перспективных направлений является сельское хозяйство. Население растет, доля проживающих в городах тоже увеличивается — сейчас в городах проживает более половины землян, а через три десятилетия, к 2050 году, доля горожан составит уже 68%, по данным ООН. Поэтому сельское хозяйство нуждается в интенсификации, а в плане технологий общий курс на «экологичность» смещает фокусировку с химизации на «цифровую трансформацию».

Все компоненты, признанные драйверами ИТ — IoT, BigData, RPA и т. д. — в агропромышленном комплексе (АПК) применяют крайне активно. Активно внедряют инструменты на основе AI, по простой причине: поля и фермы описать проблематично алгоритмически, а научить нейросети распознавать распространенные ситуации и принимать решения или выдавать рекомендации — вполне возможно, причем недорого.

Эксперты: «цифровая трансформация» в АПК только начинается

Многие опрошенные нами эксперты указывают, что AI является одним из наиболее востребованным в вертикальном рынке сельского хозяйства. Широки возможности сельского хозяйства в получении выгоды от сбора и последующего анализа данных с полей о посеве, поливе, удабривании, говорит Михаил Смирнов, технический директор компании «Системы компьютерного зрения», входящей в группу компаний ЛАНИТ, также отметив, что на основании этих данных можно делать прогнозы относительно урожая.

О быстро растущей востребованности AI-инструментов у крупных бизнесов вне зависимости от специализации говорит Игорь Хапов, директор по технологиям IBM в России и СНГ, отмечая, в частности, востребованность задач для управления рисками и инновационной деятельности, ссылаясь на данные отчета IBM Institute for Business Value.

Следует отметить, что рынок в целом становится все более зрелым. «Количество заказчиков, рассматривающих и применяющих на практике технологии AI, в течение последних лет неизменно растет, — отмечает Михаил Орленко, директор департамента серверных и сетевых решений, Dell Technologies в России. — Мы видим интерес как со стороны крупных организаций, так и растущего бизнеса».

«Участники рынка все больше и больше понимают, чего хотят от технологий и как ими пользоваться. Если несколько лет назад заказчики просто хотели что-нибудь с названием AI, то сейчас они понимают, зачем этот инструмент и какую пользу он принесёт в конкретном процессе», — напоминает Евгений Колесников, руководитель Центра машинного обучения «Инфосистемы Джет». Это относится, в том числе, и к сельскому хозяйству.

Разумеется, одними нейросетями сельское хозяйство не поднимешь, но без AI не будут работать системы «компьютерного зрения», невозможна эффективная аналитика BigData и окажутся неработоспособными другие решения, необходимые для «цифровой трансформации» современного агропромышленного комплекса. Как это выглядит на практике?

Автовождение — есть!

Автопилотирование невозможно без «компьютерного зрения», которое, в свою очередь, требует AI. Решения для автовождения, способные брать на себя управление полностью, в нишевых применениях — на складах, на железной дороге, в сельском хозяйстве и т. д. — внедряют много быстрее, чем в городской среде. Причина проста: в поле меньше объектов, которые необходимо анализировать автопилоту, что позволяет использовать недорогие вычислительные системы для «компьютерного зрения».

При работе человек в кабине комбайна пока все же присутствует, всегда готовый перехватить управление в случае возникновения нештатной ситуации. Но комбайнер — в данном случае, скорее, уже оператор комбайна — сидит в кабине не просто для страховки, он управляет параметрами жатки. Наличие решения для автовождения позволяет человеку фокусироваться именно на управлении жаткой, что приводит к увеличению эффективности уборки примерно на 15%, что значительно даже в масштабах отдельно взятого хозяйства, не говоря уже об индустрии в целом. Заметим, что автопилоты находят эффективное применение на разных сельскохозяйственных машинах — комбайнах, тракторах, опрыскивателях и другой технике.

К общим особенностям, характерным для АПК, относят длительный цикл производства и, как следствие, высокую цену ошибки, а также наличие пиковых нагрузок, важность сезонных факторов и большое количество объектов, параметры которых надо отслеживать для контроля процессов. При этом в секторе присутствует противодействие контролю со стороны работников и им наработаны сложные фрод-системы. Кроме того, есть проблемы чисто технического свойства, например, оборудованию приходится работать в жестких условиях, а коммуникационная инфраструктура оставляет желать лучшего — далеко не везде есть покрытие беспроводными коммуникациями, а ЦОДы, привычные городским ИТ-специалистам, в сельской местности, по понятным причинам, отсутствуют.

Платформенный подход — сельхозтехнике

Экосистемы создают для клиентов не только банки, порталы и вендоры оборудования, но и компании, работающие на агрокомплекс — в частности, производители сельхозоборудования или удобрений и средств защиты растений. Например, свои экосистемы есть у «Ростсельмаша» и у фирмы Bayer, которая выпускает не только аспирин, но и ряд «расходников» сельхозназначения.

Интересен концепт «Автономная ферма», предложенный и развиваемый «Ростсельмашем». Несмотря на название, в таком хозяйстве люди нужны, не стоит его рассматривать как полностью роботизированное предприятие. Как и в рассмотренном выше случае с комбайном автоматика снимает с человека рутинные обязанности, оставляя больше ресурсов на принятие решений, причем для аргументированного выбора система предоставляет разноплановую информацию и данные аналитики. Заметим, что принимают решения на своих уровнях почти все сотрудники «автономной фермы», в современных условиях квалификация и компетенции каждого из них приобретает особое значение.

«Автономная ферма» пронизана решениями на AI. Например, «компьютерное зрение» применяют даже для идентификации человека за штурвалом комбайна, при этом автоматически учитывая отработанные часы и передавая данные в EPR-систему предприятия. Для идентификации навесных орудий наряду с IoT работает «компьютерное зрение» и стоящий за ним AI, равно как и для многих других задач, например, для автонастройки машин, предиктивного анализа состояния техники и т. д. Важно, что платформа позволяет анализировать не только парк машин и его состояние, но и ситуацию на поле.

Важно, что платформа позволяет принимать как технические, так и бизнесовые решения. Платформенный подход дает возможность собирать все объективные данные «автономной фермы» — и с телеметрии оборудования и описывающие текущее состояние поля — и выдавать их разным специалистам, причем не только в режиме dashboard, но и с аналитикой, в том числе, с предиктивной. Среди штатных профилей есть как ориентированные на технических специалистов (например, «Агроном» или «Главный инженер»), так и на принимающих финансовые и бизнес-решения (например, «Собственник» или «Лизинговая компания»). Этот пример показателен: «Наиболее востребованным AI-инструментом можно назвать систему управления данными для обработки и последующего использования больших массивов информации», — говорит Андрей Сысоев, ведущий специалист по высокопроизводительным вычислительным технологиям Lenovo в России.

Очевидно, что платформа «Ростсельмаша» исторически вырастала из ИТ-решений для сельхозтехники, по мере развития и совершенствования подключая бизнес-процессы в других сегментах деятельности фермы — от состояния полей и контроля за персоналом до финансовых и управленческих вопросов. Есть и другие платформы, которые исторически вырастали из других задач и на сегодняшний день являются более узкоспециализированными, например, фокусируемые на «умных полях» и, прежде всего, на процессах, протекающих в них.

Платформа для поля

Чтобы параметры поля стали доступны для анализа, их надо оцифровать, а сделать это можно разными путями — проанализировав космические снимки, получив данные с дронов, сняв показания с размещенных на поле датчиков, получив материалы от полевых сотрудников. Однако для дальнейшей обработки созданы нужна специализированная платформа, варианты таких продуктов предлагают различные компании. Например, упомянутая выше компания Bayer создала «АгроМон» — единую платформу для анализа ситуации в поле, поддержки принятия решений и коммуникации с другими подразделениями агрокомплекса. На основе данных, собираемых и анализируемых платформой, специалисты принимают решения о сроках и других параметрах орошения, внесения удобрений, применения средств защиты растений, уборке урожая, севообороту и т. д.

Разумеется, платформы такого типа имеют предуставновки для полей различного типа — для зерновых, бобовых, силосных и т. д. — а также обычно поддерживают интеграцию с другими ИТ-системами фермы, например, передавая задания «умной сельхозтехнике» и получая от нее дополнительные данные, обмениваясь с информацией с EPR-решениями, предоставляя материалы для финансово-экономического планирования и т. д.

За пределами полей

Заметим, что AI способен эффективно решать разноплановые задачи для самых разных биологических систем, эксплуатируемых человеком, не только привычных полей, но и, например, для лесов. «Модели научились решать многие задачи на уровне интеллекта человека: от вычисления объема заготовленной древесины с камер видеонаблюдения до технологии сверки кадастровых данных с реальными постройками и таксации лесного фонда по снимкам с беспилотных летательных аппаратов», — говорит Дмитрий Тимаков, руководитель направления «Машинное обучение» в компании «Норбит», входящей в группу компаний ЛАНИТ.

Кроме лесов интересные кейсы использования AI есть на фермах, в том числе, на вертикальных и на городских, что уже можно отнести к тематике smart building и «умных городов», поэтому об этом поговорим в следующих материалах.

Что это значит для рынка ИТ?

Для предприятий АПК, как и для любого другого современного бизнеса, требуется «цифровая трансформация», то есть системы решений, способные повысить эффективность: снизить затраты, уменьшить непроизводительные потери (в самом широком смысле, включая потери от воровства бензина или цыплят, нецелевое использование техники и пр.), увеличить производительность труда работников на всех уровнях и т. д. Как видно, агротех-системы используют ровно те же технологии, что любые другие современные проекты системной интеграции — AI, IoT, BigData, «цифровые двойники», платформенный подход и т. д.

Однако мы видим, что в задачах АПК есть специфика, которая требует профильной экспертизы, без наличия которой ИТ-компании в сегменте делать нечего. Не зная специфики АПК, компании вполне могут принимать активное участие во внедрении и развитии решений для сельского хозяйства, например, выступая подрядчиками при разработке отдельных подсистем, постановка задач для которых выполнена профильными профессионалами.

Заметим, что комплексные системы сельхозпредприятий во многих случаях требуют подключений к EPR и CRM-системами, которые обслуживают бизнес-логику крупных агрохолдингов, объединяющих десятки и сотни отдельных «умных хозяйств». Работа с такими системами уже требует не столько специфических «сельских» компетенций, сколько экспириенса в обеспечении процессов финансового управления, взаимодействия с поставщиками, покупателями и прочими партнерами, а поэтому представляет интерес для более широкого круга ИТ-компаний. Конечно, отдельному фермерскому хозяйству — даже с внедрением smart-решений — вряд ли будет нужна интеграция с решениями на SAP или на Oracle, но основные производители сельхозпродукции на российском рынке — крупные агрокомплексы, управление которых требует систем на платформах корпоративного уровня.

Источник: Александр Маляревский, внештатный обозреватель CRN/RE