Дмитрий Яблонский, технический директор GeoPard Agriculture
На прошлой неделе меня спросили, на какой модели работает наш агроном с использованием искусственного интеллекта. Это самый распространенный технический вопрос, который нам задают, и обычно начинать с него не стоит.
Вот честный ответ, а затем — более полезный.
Честный ответ: несколько
Мы направляем каждую задачу в ту модель, которая лучше всего для неё подходит. На практике это означает отдельные пути для:
- Геопространственное мышление. Чтение зональной статистики, сравнение слоев, объяснение причин различий в поведении одной части поля по сравнению с другой.
- Оцените математику. Коэффициенты удаления, критические пороговые значения, правила накопления, преобразование единиц измерения.
- Беседа. Понимание того, что на самом деле имел в виду агроном, когда его просьба была сформулирована в виде полупредложения.
- Классификация задач. Определение того, к какому рабочему процессу относится запрос, прежде чем что-либо еще произойдет.
- Ограждения. Проверка результатов до того, как они превратятся в артефакты.
Ни одна модель не является лучшей во всех пяти аспектах. Те, которые хорошо рассуждают в сложном пространственном контексте, не всегда обладают арифметической дисциплиной. Те, которые ведут естественный диалог, не всегда надежно классифицируют объекты.
Мы не публикуем таблицу маршрутизации, и это не попытка скрыть правду. Она меняется. Новые версии моделей выходят каждые несколько месяцев, и каждая из них меняет баланс на одном или двух из этих путей. Если бы мы зафиксировали ответ в сообщении в блоге, он стал бы неверным уже к осени.
Более полезный ответ: слои
Если бы завтра вы заменили наши модели на другой набор для исследования Дикого Запада, продукт всё равно работал бы и оставался бы узнаваемым как наш. В этом и заключается цель дизайна, и стоит объяснить, почему.
Агрономическая рекомендация — это не текстовый ответ. Это число, которое поступает на терминал устройства и применяется к полю. Именно на этом отрезке и заключается суть инженерного подхода.
Рассмотрим конкретный класс неудач. Модель может выдать идеально обоснованный рецепт по содержанию фосфора в фунтах P.2O5 на акр. Правильный коэффициент удаления, правильный пороговый уровень, правильная логика накопления. Затем норма внесения применяется к продукту с содержанием фосфора 4%.2O5, и разбрасыватель получает это в качестве нормы расхода продукта. План был правильным. Разница в применении составляет более чем на порядок.
Никакое качество модели этому не препятствует. А вот слой преобразования — препятствует.
То же самое относится к системам единиц измерения, к нормативным предельным нормам внесения, к значениям анализа почвы, выше которых агрономически правильная норма внесения равна нулю, к разнице между тем, что сообщает лаборатория, и тем, что ожидается по формуле. Это не проблемы логического мышления. Это системные проблемы, и именно они определяют, безопасно ли следовать той или иной рекомендации.
Таким образом, слои, окружающие модель, выполняют ту работу, которая имеет значение.
Заземление. Ассистент изучает данные самого клиента. Результаты анализа почвы, данные об убранном урожае, топографию местности, историю внесения удобрений и средств защиты растений. Не общую картину агрономии, а именно их данные.
Явные параметры. Все коэффициенты, пороговые значения и правила, используемые для построения нормы внесения, отображаются и могут быть отредактированы перед генерацией. Если агроном не согласен с каким-либо предположением, он его изменяет. Число, которое пользователь не может проверить, — это число, которым он не может владеть.
Детерминированная математика. Расчет скорости выполняется в коде, а не в тексте. Модель решает, что вычислять и почему. Она не выполняет арифметические операции.
Проверка перед генерацией. Перед созданием единой карты планы проверяются в тестовом режиме на соответствие агрономическим правилам региона, а также правилам, добавленным заказчиком в свою собственную базу знаний.
Одобрение человека. До тех пор, пока пользователь не подтвердит своё согласие, к машине ничего не попадёт. Это не уступка в плане пользовательского опыта. Это последний и самый важный уровень.

Что мы оцениваем
Ввиду всего вышесказанного, оценка модели в отрыве от контекста дает нам очень мало информации.
Высокий балл в тесте по агрономии с вариантами ответов говорит о том, что модель изучила учебники. Однако он не говорит о том, правильно ли система преобразует норму внесения питательных веществ в норму внесения продукта, откажется ли рекомендовать внесение фосфора на поле с уже высоким содержанием этого элемента или заметит ли, что анализ почвы показал использование другого метода экстракции, чем предполагает уравнение.
Поэтому мы оцениваем систему от начала до конца. Извлекает ли она правильные данные из учетной записи клиента? Использует ли она обоснованные коэффициенты? Демонстрирует ли она свои рассуждения? Выявляет ли она собственные ошибки до того, как они покинут систему? Это сложнее свести к одному числу, и именно поэтому мы считаем, что это правильный критерий оценки.
Принесите свою модель.
С помощью MCP вы можете направить свою модель на данные GeoPard и напрямую запросить у неё информацию о ваших полях. Некоторые из наших более технически подкованных пользователей уже так делают, и мы считаем это хорошим решением. Документация по ИИ-помощнику В этом разделе описывается принцип его работы.
Стоит, конечно, сказать прямо: когда вы это делаете, вы наследуете эти слои. Основа, прозрачность параметров, дисциплина модулей, проверка, этап утверждения. Все это не входит в модель. Это та часть, которую кто-то должен создать.
Почему это ставка, а не страховка
Возможности модели быстро становятся товаром массового потребления. Каждые несколько месяцев границы совершенства меняются, и каждый получает новый минимальный уровень бесплатно. Ставка на одну конкретную модель — это ставка на временное преимущество.
Слои накапливаются. В них впитываются агрономические правила, региональные нормы, знания о клиентах и все выявленные и устраненные нами причины поломок. Со временем это улучшается, и система не обновляется с выходом новой модели.
Другими словами, спросите, что система делает с неправильным ответом. Это даст вам больше информации, чем знание того, какая модель его выдала.
Вот как ассистент делает именно это: от вопроса до экспорта рецепта — всего за две минуты:
Для интерактивной версии, где отображаются все этапы рассуждений, см. Страница GeoPard AI Assistant.





Повышение производительности способствует обеспечению глобальной продовольственной безопасности. Оптимизируя схемы посадки с использованием пространственных данных, фермеры могут добиться более высоких урожаев без расширения сельскохозяйственных угодий.
Система мониторинга урожая GeoPard, создающая карты продуктивности, предоставляет важнейшее решение для точного земледелия. Эти карты используют исторические данные за предыдущие годы, позволяя фермерам выявлять закономерности продуктивности на своих полях. Используя эту информацию, фермеры могут определять плодородные и неплодородные участки.
В области прогнозирования урожайности сельскохозяйственных культур компания GeoPard стала ведущим новатором. GeoPard разработала надежный метод, который, по утверждению компании, демонстрирует превосходную точность более 901 TP3T, объединяя исторические и текущие данные о урожайности, полученные со спутников. Этот инновационный подход является доказательством того, как технологии могут произвести революцию в современном сельском хозяйстве.
Технология ГИС для сельского хозяйства предоставляет мощный инструментарий для выявления культур, испытывающих нехватку воды. Фермеры могут узнать больше о водном состоянии своих посевов, используя такие индексы, как нормализованный разностный индекс влажности (NDWI) или нормализованный разностный индекс влажности (NDMI). Индекс NDMI, используемый по умолчанию в GeoPard Crop Monitoring, имеет шкалу от -1 до 1. Нехватка воды обозначается отрицательными значениями около -1, а переувлажнение может обозначаться положительными значениями, близкими к 1.
Представьте себе ситуацию, когда трактору поручено засеять посевы на огромном поле. Оснащенный системой GPS и технологией ГИС, трактор использует пространственные данные для навигации по заранее определенным маршрутам, обеспечивая равномерное размещение семян и оптимальное расстояние между ними. Такая точность не только повышает урожайность, но и минимизирует потери ресурсов.

Эта платформа предоставляет такие возможности, как разведка для организации работ и обмена информацией в режиме реального времени, а также журнал полевых работ для планирования и мониторинга операций, поэтому она предлагает больше, чем просто данные на основе ГИС. В систему мониторинга урожая GeoPard также включены данные из дополнительных источников. Например, инструмент «Менеджер данных» интегрирует данные с сельскохозяйственной техники в платформу. Он поддерживает популярные форматы файлов, такие как SHP и ISO-XML. Вы можете измерять урожайность сельскохозяйственных культур, используя данные с полевой техники, сравнивать их с картами внесения удобрений, изучать тактику внесения удобрений и создавать планы по увеличению урожайности. Организации, с которыми сотрудничают сельскохозяйственные предприятия, и сами получают большую выгоду от этой универсальной платформы.



























