Цифровизация сельского хозяйства

Сегодня отрасль находится в процессе перехода в новое состояние, в основе которого — новый тип умных методов, инновационной техники и оборудования на базе цифровых технологий. Концепция носит название «Сельское хозяйство 4.0» и заключается в повсеместном внедрении решений на основе данных обо всех этапах ведения с.-х. деятельности и извлечении из них ценности.

Другими словами, появляется дополнительный цифровой слой: информация о состоянии активов и важных событиях с.-х. бизнеса поступает непрерывно, затем анализируется, и на ее основе строятся планирование и управление процессами.

Опыт других отраслей показывает, что игнорирование цифровизации значительно сокращает шансы присутствия компании на рынке. В с.-х. бизнесе это касается предприятий, которые обладают активами с большим потенциалом, но по разным причинам сохраняют традиционные подходы в работе и не внедряют технологии.

Конечно, новый цифровой инструментарий требует инвестиций, причем не только в сами решения, но и в людей, которые должны получить новые знания и компетенции.

Определенную сложность здесь представляет ряд вопросов: в какие решения инвестировать, как скоро они окупятся и насколько велик риск не получить обещанные преимущества.

Для этого и менеджмент, и сотрудники должны понимать основные принципы работы современных цифровых технологий, владеть базовой терминологией, иметь определенный уровень насмотренности, т.е. знать об опыте внедрения подобных решений, чтобы ориентироваться в их разнообразии и возможностях.

В крупных холдингах это IT -директора, директора по информационным технологиям или развитию, а также другие специалисты, уже связанные с темой цифровых технологий в рамках работы.

В малых и средних компаниях вникать в тему цифровизации приходится учредителям и владельцам. Причина — в недостатке необходимых компетенций у «обычного» персонала, с его сложившимся опытом в рамках давно принятых процессов, инертности работы и зачастую общей нецифровой культурой.

Внедрение новых решений на этом уровне почти не инициируется и не рассматривается.

Одним из подходов для решения озвученных выше вопросов является формирование у всех или наиболее ключевых сотрудников «цифрового» кругозора, или цифровой насмотренности. Это процесс изучения кейсов компаний и предприятий, уже внедривших или попробовавших новые технологии и решения.

Для того чтобы знакомство с кейсами было продуктивным, определимся с базовыми понятиями: что такое «искусственный интеллект», «машинное обучение», «Интернет вещей», «Большие данные» и т.д.

• Интернет вещей (англ. Internet of Things, IoT)
  

  Сеть из множества «вещей» (датчиков, технических устройств, промышленного или бытового оборудования), подключенных к интернету для обмена данными или автоматизации каких-либо действий. Для передачи своих данных или получения команд в подобных устройствах имеется отдельный коммуникационный блок или модуль связи.

  Суть концепции — в сборе, передаче и обработке данных устройствами без участия человека.

  Пример: в сельском хозяйстве с помощью IoT-датчиков сведения о влажности и температуре почвы, погодных условиях, состоянии животных, техники и оборудования, расходе горючего получают в реальном времени.

• RFID (англ. Radio Frequency IDentification, радиочастотная идентификация)

  Технология автоматической идентификации объектов с помощью специальных RFID-меток (тегов) — электронных устройств, которые крепятся к идентифицируемым объектам и считываются специальными приборами (ридерами или считывателями).

  Существуют пассивные и активные RFID-метки. Первые не имеют собственного источника энергии (батарейки). Когда ридер излучает электромагнитные сигналы определенной частоты для считывания метки, в них индуцируется электроэнергия, которая используется для передачи ответного сигнала с данными метки.

  После ответа метки ридер (он подключен к интернету) отдает полученную информацию в учетную компьютерную программу, где и происходит идентификация объекта по метке или назначение метки объекту.

  Пассивные метки дешевы, но их считывание ограничено небольшими расстояниями до нескольких метров.

  Активные имеют собственный источник питания (например, батарейку) и не зависят от энергии сигнала, поэтому считываются на бо́льших расстояниях, вплоть до сотен метров. Кроме этого, они могут оснащаться дополнительными электронными компонентами для сбора информации: о температуре, влажности и т.д. А также использоваться в сложных для распространения электромагнитных волн условиях — например, в окружении металлоконструкций.

• Искусственный интеллект (ИИ, AI от англ. Artificial Intelligence)

  Определений ИИ существует множество и используют их в зависимости от контекста и научных дисциплин, в рамках которых он изучается.

  С одной стороны, ИИ определяется как область компьютерных наук (как механика — область физики, или алгебра — математики), занимающаяся разработкой интеллектуальных или умных компьютерных систем для выполнения «человеческих» функций. Например, распознавания изображения и речи, генерирования экспертных рекомендаций или постановки диагнозов на основе анализа данных, создания текстов или изображений, автономного управления транспортными средствами и т.д.

  Другие определения ИИ отталкиваются от свойства специализированных компьютерных систем имитировать вышеперечисленные человеческие навыки. В нашем случае это наиболее простое и подходящее определение.

  Выделяют узкий или слабый ИИ (текущий уровень), ИИ общего назначения, или сильный ИИ, а также суперинтеллект.

  Слабый предназначен для выполнения узких конкретных задач. Например, для диагностики заболеваний по медицинским снимкам, перевода речи в текст, генерации экспертных советов, игры в шахматы. Подобные системы не могут развиваться самостоятельно и осваивать новые области знаний и навыков.

  Сильный — это гипотетическая категория, предполагает, что в будущем компьютерные системы смогут освоить весь спектр когнитивных задач, выполняемых человеком, проявлять свойства осознания и воли.

• Машинное обучение (англ. machine learning, ML)

  Обобщенное название математических и вычислительных методов, подраздел искусственного интеллекта. Посвящен разработке компьютерных моделей для будущего анализа — вычисления закономерностей, прогнозирования, распределения данных на конкретные группы.

  Для поиска правильных решений модели предварительно обучают на специальных учебных данных. Другими словами — многократно и тщательно подбирают коэффициенты, которые позволяют из заданных входных данных получить выходные данные.

  Пример: в сельском хозяйстве машинное обучение находит применение в планировании посевов и прогнозировании урожайности. С его помощью анализируют данные IoT-датчиков и дронов, определяют состояние сельхозугодий, здоровье животных на фермах и т.д.

• Компьютерное зрение (англ. computer vision, CV)

  Общее название вычислительных технологий, которые способны имитировать человеческое восприятие изображений и видео с помощью компьютера.

  Текущий уровень развития компьютерного зрения позволяет автоматизировать почти любые ситуации, в которых требуется распознавать и идентифицировать различные предметы и объекты, читать надписи, подсчитывать количество, определять цвет, форму, размеры и т.д.

  Пример: с помощью технологий CV в сельском хозяйстве отслеживается динамика, здоровье и прирост животных.

  ! Отметим, что машинное обучение и компьютерное зрение являются смежными областями, и для решения задач компьютерного зрения, включая идентификацию объектов и категоризацию изображений, используется машинное обучение.

• Большие данные (англ. Big Data)

  Термин используется для обозначения очень больших цифровых массивов информации, которые постоянно накапливаются. Хранить подобные данные или работать с ними на обычном компьютере нельзя — не хватит вычислительной мощности и емкости обычных накопителей. Для них требуется специальное оборудование и программные инструменты, которые размещаются в дата-центрах.

• Дроны (англ. drone «трутень»)

  Беспилотные воздушные суда (БВС), управление которыми осуществляется по радиоканалу или полностью автоматически, согласно заданной программе. Эти устройства могут также называться «беспилотниками», «БПЛА» (беспилотный летательный аппарат), «квадрокоптерами», «мультикоптерами», «БАС» (беспилотная авиационная система).

  Пример: в сельском хозяйстве дроны используются для проведения картографических съемок и мониторинга с.-х. угодий, посевов и состояния растений, анализа почвы, обработки ядохимикатами, внесения удобрений и даже для опыления и посадки растений.

• Сельскохозяйственные роботы (агроботы)

  Механизированные устройства и техника, которые автоматически выполняют механические работы, заменяя человеческий труд. Могут работать под управлением оператора или выполнять полученные задания автономно.

• Строительная 3D-печать (англ. construction 3D printing)

  Процесс производства различных строительных объектов с помощью послойного нанесения материала по компьютерной 3D-модели, задающей геометрическую форму.

  Чаще всего термин используется по отношению к 3D-печати зданий — созданию несъемной опалубки для стен из бетона или строительных смесей.

• Дополненная и виртуальная реальность (AR/VR, англ. Augmented Reality/Virtual Reality)

  Технологии, которые меняют наше восприятие реального мира: зрительное, слуховое, тактильное.

  В случае дополненной реальности речь идет о добавлении сгенерированных компьютером элементов в фокус нашего восприятия мира. Это могут быть текстовые комментарии, изображения или звуки. Чтобы их увидеть, нужны специальные AR-очки, смартфон, планшет с камерой или специальное проекционное устройство.

  Виртуальная реальность предполагает полное замещение реального мира искусственным. Для погружения в нее понадобится специальное оборудование: VR-шлем, контроллер или VR-перчатки, или специально оборудованное помещение.

Наиболее существенными препятствиями для внедрения цифровых технологий являются:

• нехватка специалистов;
• требуемые бюджеты;
• сложность внедрения и интеграции;
• слабая цифровая инфраструктура;
• медленная либо негарантированная окупаемость инвестиций.

Нехватка специалистов и вообще рабочей силы — проблема, которая со временем будет только усугубляться. Она негативно влияет на все отрасли, особенно те, в которых велика доля низкоквалифицированного и ручного труда.

В с.х. общая проблема недостаточной цифровой грамотности работников включает и руководителей. При этом, согласно исследованиям, самый важный фактор, влияющий на уровень цифровой культуры, — возраст.

Еще одно следствие проблемы — сопротивление изменениям. Оно может быть инициировано и криминальными мотивами, и нежеланием переходить на более строгие цифровые формы контроля за активами, выполненными работами и т.д.

Выход только один — инвестировать в обучение сотрудников, привлекать новых молодых специалистов и повышать производительность за счет автоматизации процессов.

! Пример других стран ясно доказывает, что отечественным с.-х. предприятиям есть куда расти, и демонстрирует, что внедрять и чему учить, что требовать от учебных заведений. Здесь мы пока в роли догоняющих.

Стоимость современных технологий и цифровых продуктов в первую очередь ограничивает малые и средние хозяйства, ведь крупные предприятия могут окупить нововведения за счет масштаба применения.

По этой причине рынок ждет более доступных и простых решений, способных уравнять шансы малых и средних производителей, либо решений по совместному использованию технологий, которые нельзя окупить в масштабах небольшого хозяйства.

Следующий критичный фактор — низкое качество и ограниченное покрытие интернета. Его отсутствие не позволяет собирать данные в реальном времени и стопорит использование решений, которые уже работают у конкурентов.

По мере внедрения новых технологий, оборудования и ПО в сельском хозяйстве будет требоваться все больше специалистов, обладающих соответствующими знаниями и навыками. Текущий дефицит кадров нельзя закрыть только с помощью образовательных программ, направленных на ограниченное число участников, — необходимо массово поднимать уровень цифровой грамотности у всех сотрудников сельхозпредприятий.

Темпы и уровень цифровизации сильно отличаются в разных странах. По различным оценкам, лидером по этому показателю считаются США — их уровень оценивается в 70-75%. На втором месте — Канада, Израиль, Германия с 60-65%. Цифровизация отечественного АПК оценивается в 20-25%.

Учитывая разницу в производительности с мировыми лидерами и по другим экономическим показателям, у большой категории наших хозяйств есть огромный потенциал для роста и снижения себестоимости продукции.

Главные драйверы внедрения цифровых технологий в АПК:

• усиливающаяся нехватка рабочей силы на рынке;
• появление возможностей для автоматизации и роботизации целого ряда тяжелых с.-х. работ;
• появление новых инструментов для принятия ключевых решений на основе данных и аналитики;
• давление со стороны конкурентов и успешные примеры со стороны цифровых лидеров;
• развитие электронной коммерции и различных электронных услуг, появление цифровых экосистем, объединяющих участников с.-х. процесса;
• общий рост цифровизации общества и диффузия цифрового опыта из других отраслей;
• более быстрая реакция на влияние природных факторов / различные события в процессе с.-х. деятельности;
• нивелирование факторов удаленности и рассредоточенности деятельности по территории хозяйств;
• усилия со стороны государства по стимулированию и цифровизации процессов в отрасли.

Преимущества от внедрения решений на базе цифровых технологий:

• повышение производительности за счет автоматизации и роботизации, уменьшение количества сотрудников для выполнения работ;
• снижение рисков за счет планирования на основе данных;
• упрощение и улучшение управления за счет более полной и оперативной информации о хозяйстве, быстрой реакции на важные и критические события, в том числе для привлечения удаленных экспертов;
• получение важной информации практически в режиме реального времени, в том числе из удаленных источников, и принятие решений на основе данных;
• экономия ресурсов за счет средств автоматического контроля и программирования заданий;
• превентивное обнаружение проблем до наступления фактического отказа техники, распространения заболеваний, плохого роста растений и т. д.