Aplikacja robi zdjęcie liścia i po kilku sekundach zwraca nazwę choroby. Z perspektywy użytkownika wygląda to jak diagnoza. Technicznie jest to najczęściej klasyfikacja obrazu: model porównuje wzorzec na zdjęciu z tym, czego nauczył się wcześniej.
Taki system może być bardzo użyteczny do wczesnego alarmowania i porządkowania obserwacji. Nie powinien jednak automatycznie zamieniać się w pewne rozpoznanie i instrukcję zabiegu.
Ten sam objaw może mieć różne przyczyny
Przebarwienie, plama, zasychanie brzegu liścia albo osłabienie rośliny nie są unikalnym kodem jednej choroby. Podobny obraz może wynikać z infekcji, szkodnika, niedoboru, fitotoksyczności, stresu wodnego, temperatury albo uszkodzenia mechanicznego.
Zdjęcie pokazuje tylko fragment sytuacji. Nie pokazuje historii pogody, rozmieszczenia objawów na polu, fazy rozwojowej, wcześniejszych zabiegów ani warunków glebowych.
Model uczy się z przykładów, które ktoś wcześniej opisał
Jeżeli zbiór treningowy zawiera głównie wyraźne, podręcznikowe objawy, model może gorzej radzić sobie z przypadkami wczesnymi albo mieszanymi. Może też mylić choroby, które na obrazie wyglądają podobnie.
Znaczenie ma jakość etykiet w zbiorze danych. Jeśli zdjęcia były błędnie opisane, model uczy się także błędów.
Warunki zdjęcia mogą zmienić wynik
Oświetlenie, ostrość, aparat, tło i odległość od rośliny wpływają na obraz. System testowany na zdjęciach laboratoryjnych nie musi zachowywać tej samej jakości na telefonie używanym w ostrym słońcu albo po deszczu.
Dlatego dobrą praktyką jest sprawdzanie, czy producent testował system w realnych warunkach polowych i na sprzęcie podobnym do tego, którego używa rolnik.
Lokalna walidacja jest ważniejsza niż wynik z folderu reklamowego
Model może mieć wysoką trafność w jednym zbiorze testowym, a znacznie słabszą po przeniesieniu do innego regionu. Odmiany, patogeny, klimat i praktyki rolnicze zmieniają rozkład danych.
Warto pytać, czy system był testowany w Polsce, w jakich województwach i na jakich gatunkach oraz odmianach. Jedna liczba skuteczności bez opisu próby niewiele mówi.
AI może dobrze wskazywać miejsca wymagające sprawdzenia
To właśnie tutaj technologia jest szczególnie ciekawa. Zamiast próbować wydawać ostateczną diagnozę, model może filtrować tysiące zdjęć i wskazywać te, na których pojawia się nietypowy wzorzec.
Projekt AI4Crop rozwija rozwiązania wykorzystujące między innymi obrazowanie spektralne i modele do monitorowania zagrożeń oraz tworzenia map obszarów wymagających uwagi. PIORiN również opisuje rosnące znaczenie AI w obszarze zdrowia roślin, jednocześnie wskazując potrzebę wytycznych i przygotowania do wdrożeń.
Fałszywy alarm i przeoczenie mają różne koszty
System może oznaczyć zdrową roślinę jako chorą albo nie zauważyć rzeczywistego problemu. Te dwa błędy nie są równoważne.
Przy wczesnym monitoringu większa czułość może być przydatna, jeśli człowiek potem weryfikuje alarm. Przy automatycznym sterowaniu zabiegiem duża liczba fałszywych wskazań może prowadzić do niepotrzebnych kosztów i interwencji.
Nazwa choroby nie jest jeszcze decyzją o środku ochrony
Nawet prawidłowe rozpoznanie nie oznacza automatycznie, że należy wykonać określony zabieg. Znaczenie mają nasilenie problemu, faza rozwojowa, progi ekonomiczne, warunki pogodowe, etykieta środka i aktualne przepisy.
AI.Agro nie publikuje automatycznych dawek ani instrukcji zabiegów na podstawie samego zdjęcia. Taka decyzja wymaga kontekstu, którego model obrazu zwykle nie posiada.
Najlepsza aplikacja mówi także, kiedy nie jest pewna
System, który zawsze zwraca jedną pewną odpowiedź, może wyglądać atrakcyjnie, ale utrudnia ocenę ryzyka. Użyteczniejsze są narzędzia pokazujące poziom pewności, kilka możliwych klas albo sygnał, że obraz odbiega od danych treningowych.
AI w zdrowiu roślin może skracać czas od pojawienia się problemu do jego zauważenia. Najbardziej wiarygodne wdrożenia traktują jednak obraz jako część diagnostyki polowej, a nie jej automatyczny zamiennik.