Inteligência artificial de startup ajuda fruticultores no manejo do pomar

Inteligência artificial de startup ajuda fruticultores no manejo do pomar

O futuro tecnológico no agronegócio, que há alguns anos parecia ser algo tão distante, chegou e já é uma realidade dentro das fazendas. Com a tecnologia LeafSense, por exemplo, os fruticultores têm à disposição sensores e inteligência artificial para ajudar no manejo das culturas. Ela foi desenvolvida pela startup Adroit Robotics, e reúne informações detalhadas de produtividade e saúde dos pomares, analisando plantas e frutos um a um, de forma totalmente automatizada.

O diretor de tecnologia da empresa, Angelo Gurzoni Jr, explica que os sensores geram imagens de altíssima resolução que são enviadas para algoritmos que analisam tudo de forma individual, em detalhes. “A tecnologia LeafSense traz uma visão abrangente do pomar. Quantidade de frutos, curvas de maturação (maduros ou verdes), diâmetros e taxa de queda no chão são apresentadas juntamente com informações sobre as plantas, como número de árvores ausentes e replantios, cubicagem (volumetria), altura das copas e presença de cipós e daninhas. O fruticultor também conta com acesso às imagens de alta resolução do pomar, georreferenciadas, atuais e históricas”, detalha.

Além disso, a LeafSense, com todos esses indicadores, também pode ser apresentada como linhas de evolução temporal, permitindo o acompanhamento das ações de manejo. É possível também visualizar comparativos dos indicadores entre diferentes datas, setores, variedades e outros aspectos do pomar, e até entre fazendas.

Cada pomar monitorado pela tecnologia contribui para o aumento contínuo da base de conhecimento do sistema. Segundo Gurzoni Jr, na citricultura, os próximos passos serão a combinação dos modelos de produtividade com as condições climáticas e o histórico de manejo do pomar. “Assim será possível fazermos recomendações de aumento de produtividade, bem como o constante refinamento dos modelos de detecção de pragas, doenças e deficiências nutricionais”, conta.

Tecnologia para diversas culturas

Embora a tecnologia LeafSense tenha sido lançada com foco nos cítricos, foi projetada pensando também em cultivos como café, uva, maçã e manga. A empresa já iniciou experimentos em outras culturas e em breve deve apresentar versões que poderão ajudar outros fruticultores a ampliarem seus ganhos. “Com essa ferramenta será possível definir o ponto ideal da colheita, uma necessidade de muitos produtores de frutas. Através do acompanhamento do estágio de maturação, quantidade e calibre dos frutos, eles poderão atender aos critérios de tamanho e aparência das redes varejistas e também otimizar os custos de colheita”, diz Gurzoni Jr.

As informações fornecidas pela tecnologia possibilitam economia e racionalização da aplicação de insumos nas medidas e locais exatos. Estima-se uma redução que pode ultrapassar 20% no consumo de insumos com o uso dos mapas de produtividade da tecnologia, além de evitar que o solo seja saturado com nutrientes e agroquímicos.

Pragas e doenças afetam bastante os produtores de frutas, e em especial os de cítricos em climas quentes. O monitoramento de sintomas de pragas e doenças permite um complemento muito mais frequente e objetivo às inspeções convencionais e o mapeamento dos sintomas permite definir estratégias amplas e consistentes.

Parceria de sucesso

Desde o início do desenvolvimento da tecnologia, os fundadores da empresa contaram com o apoio, incentivo e sugestões do engenheiro agrônomo, Rubens Stamato, da SJS Campo Consultoria Agrícola. Ele conta que incentivou os então pesquisadores a olharem com atenção para a citricultura, onde havia viabilidade e necessidade de novas tecnologias. “Acreditei desde o início no potencial da tecnologia, cheguei a participar de experimentos, montando sensores em minha própria caminhonete para coleta de dados”, conta.

Iniciou-se assim a parceria com o consultor, que hoje recomenda e ajuda seus clientes a utilizar o LeafSense. “Inclusive uma ideia deles era de fazer um robô automotriz que carregasse os sensores pelos pomares“, relembra Stamato. A ideia acabou evoluindo para os atuais sensores montados em tratores, que permitem amostragem frequente do pomar.

Ganhando mercado

A ferramenta da Adroit Robotics já está sendo utilizada em diversas fazendas no Estado de São Paulo. “Para aqueles produtores que apresentamos o equipamento, a reação foi bem positiva e ficaram bastante impressionados. Gostaram bastante das informações que podem ser geradas”, destaca o consultor da SJS.

Ainda segundo Stamato, que atende produtores nas regiões de Paranapanema, Botucatu e Sorocaba, alguns deles que já começaram a utilizar a LeafSense, têm feito uma avaliação muito positiva principalmente pela contagem da quantidade de frutas. “Na citricultura, este hoje é um gargalo na hora de negociar a safra. Não tem como ter um número exato na mão. É difícil, por mais que a gente conheça e saiba calcular a estimativa de produção, nunca é algo preciso. Então essa tecnologia ajuda muito”, finaliza ele.

Sobre – A Adroit Robotics foi criada com o objetivo de reinventar o monitoramento dos pomares. A empresa desenvolveu a tecnologia LeafSense, que combina Inteligência artificial e sensores inteligentes, para possibilitar a Agricultura de Precisão na fruticultura, otimizando a produtividade e reduzindo custos. Mais informações: https://adroitrobotics.com.

O maior centro de pesquisa em inteligência artificial do país

O maior centro de pesquisa em inteligência artificial do país

Está em São Paulo, mais precisamente na Universidade de São Paulo (USP), o maior centro de pesquisa em inteligência artificial (IA). O  Center for Artificial Intelligence – “C4AI”, foi aprovado no ano passado, em um acordo que terá 10 anos de duração e receberá até US$ 2 milhões em financiamentos: US$ 500 reservados por IBM e FAPESP, cada, e até US$ 1 milhão por parte da USP que foi aplicado em instalações físicas, laboratórios, professores, técnicos e administradores para gerir o Centro. 

Focado na pesquisa em saúde, agronegócio, meio ambiente, futuro do trabalho, bem-estar humano, diversidade e desenvolvimento da PNL (Processamento de linguagem natural) em português. O investimento no centro deve chegar a US$ 20 milhões na próxima década. O C4AI é o primeiro centro da América Latina que fará parte do IBM IA Horizons Network (IAHN), iniciativa criada em 2016 para promover a integração e a colaboração entre as principais universidades do mundo, estudantes e pesquisadores da IBM comprometidos em acelerar a aplicação de IA. 

Sua localização principal é no campus da USP em São Paulo, embora uma segunda instalação esteja planejada no Instituto de Ciências Matemáticas e da Computação do campus da USP em São Carlos. 

O governo do Brasil divulgou planos para desenvolver uma estratégia nacional de IA em dezembro e 2019, à medida que busca competir e atender à necessidade mundial de liderança, tecnologias e ética aplicada em IA. 

Para conhecer mais: http://c4ai.inova.usp.br/pt/home-2/

Contratos inteligentes: robôs aceleram processos de compra e venda

Contratos inteligentes: robôs aceleram processos de compra e venda

Hora do almoço. Você senta para repousar sob a sombra de uma árvore num gostoso dia de início de primavera, abre sua rede social preferida e lá está o anúncio do carro dos sonhos.

Quase sem pensar você acessa a publicidade que lhe leva a uma demonstração virtual do veículo, levando a decidir pela compra. Com um único click você informa sua decisão e recebe do algoritmo a confirmação do crédito e a indicação de qual dia e lugar você irá receber seu bem.

No referido dia você vai ao local indicado e, por meio do aplicativo, você abre a porta e, lá dentro, estão todos os documentos e um manual eletrônico que lhe informar intuitivamente tudo que você precisa saber sobre a máquina. Você aperta o botão de Start e sai dirigindo e curtindo toda a dopamina gerada pelo brinquedo novo.

Primeiro isso não é sonho. No YouTube você encontra o vídeo de um brasileiro, que mora em Chicago, registrando todos os passos da compra de um Tesla. Todo esse percurso, desde a contratação da rede social pelo fabricante do veículo até a entrega do produto, passou por Contratos Inteligentes fechados por algoritmos, sem intervenção humana.

Um código da Tesla contratou o da Rede Social, acordando pagar x se o anúncio fosse exibido e mais x caso fosse clicado. O algoritmo da rede realizou a tarefa no momento e com o usuário de maior chance de sucesso, gerando créditos para ele contra o sistema da montadora. Um contrato válido dentro do que prevê o Código Civil brasileiro celebrado sem intervenção humana.

O comprador, ao navegar no sistema da montadora e escolher como queria seu veículo, levou ao sistema da empresa a vasculhar suas concessionárias e estoques atrás do produto desejado. Não encontrando, ordenou a produção e, por trás desta ordem, programas de compras fecharam pedidos com fornecedores para serem pagos na entrada dos itens na esteira de produção. Quando da entrega o mesmo sistema automaticamente reconhece o evento e disparando o processo de pagamento ao fornecedor.

A fábrica, povoada de robôs, executa à montagem do carro e comunica a disponibilidade ao novo proprietário e contrata, também de forma automática, o responsável pelo transporte. Este leva a veículo até um endereço e o deposita lá, confirmando por dados do GPS a conclusão de sua tarefa.

O feliz dono de um Tesla novo vai até o local e, reconhecendo o felizardo pela posse do smartphone com autorização, o algoritmo abre a porta e conclui um contrato quase totalmente executado por programação.

A beleza deste modelo está no fato de ser iniciado e concluído, em vários pontos, sem se quer a presença de um ser humano. Uma modalidade onde os sujeitos de direito (que até então podemos definir como pessoas físicas ou jurídicas, a quem se pode imputar direitos e obrigações através da lei), em essência, são algoritmos.

Cada vez mais conviveremos com relações contratuais onde, do outro lado, ou de ambos os lados, estão máquinas, códigos, programas. Parte da nova realidade do mundo conectado que será cada vez mais absorvida pelas regras do direito dentro do chamado Direito Digital (ou Eletrônico).

Christiano Sobral é diretor-executivo do escritório Urbano Vitalino Advogados, especializado em marketing, economia e negócios

5 princípios de aprendizagem por reforço explicados pelo especialista em IA, Hadelin de Ponteves

5 princípios de aprendizagem por reforço explicados pelo especialista em IA, Hadelin de Ponteves

Quando as pessoas se referem à inteligência artificial , alguns pensam nela como aprendizado de máquina , enquanto outros pensam nisso como aprendizado profundo ou aprendizado por reforço, etc. Embora inteligência artificial seja um termo amplo que envolve aprendizado de máquina , o aprendizado por reforço é um tipo de aprendizado de máquina, portanto, um ramo da IA . Neste artigo, entenderemos os 5 princípios-chave do aprendizado por reforço com alguns exemplos simples.

O aprendizado por reforço permite que máquinas e agentes de software determinem automaticamente o comportamento ideal dentro de um contexto específico, a fim de maximizar seu desempenho. Ele é empregado por vários softwares e máquinas para encontrar o melhor comportamento possível ou caminho que deve seguir em uma situação específica.

Este artigo é um trecho do livro AI Crash Course escrito por Hadelin de Ponteves. Neste livro, Hadelin o ajuda a entender o que você realmente precisa para construir sistemas de IA com aprendizado por reforço. O livro envolve projetos descritivos e práticos para colocar ideias em ação e mostrar como construir um software inteligente passo a passo.

Embora o aprendizado por reforço seja de alguma forma uma forma de IA, o aprendizado de máquina não inclui o processo de ação e interação com um ambiente como nós, humanos, fazemos. Na verdade, como seres humanos inteligentes, o que constantemente fazemos é o seguinte:

  1. Observamos alguma entrada, seja o que vemos com nossos olhos, o que ouvimos com nossos ouvidos ou o que lembramos em nossa memória.
  2. Essas entradas são então processadas em nosso cérebro.
  3. Eventualmente, tomamos decisões e agimos.

Esse processo de interação com um ambiente é o que estamos tentando reproduzir em termos de inteligência artificial. E, nessa medida, o ramo da IA ​​que funciona nisso é o aprendizado por reforço. Esta é a combinação mais próxima de como pensamos; a forma mais avançada de inteligência artificial, se virmos a IA como a ciência que tenta imitar (ou superar) a inteligência humana.

Os princípios de aprendizagem por reforço também apresentam os resultados mais impressionantes em aplicações de negócios de IA. Por exemplo, o Alibaba aproveitou o aprendizado por reforço para aumentar seu ROI em publicidade online em 240%, sem aumentar seu orçamento de publicidade.

Cinco princípios de aprendizagem por reforço

Vamos começar a construir os primeiros pilares de sua intuição sobre como funciona o aprendizado por reforço. Esses são os princípios fundamentais de aprendizado por reforço, que o ajudarão a começar com os fundamentos sólidos e corretos de IA.

Aqui estão os cinco princípios:

  • Princípio # 1: O sistema de entrada e saída
  • Princípio 2: A recompensa
  • Princípio # 3: O ambiente de IA
  • Princípio 4: O processo de decisão de Markov
  • Princípio # 5: Treinamento e inferência

Princípio # 1 – O sistema de entrada e saída

O primeiro passo é entender que hoje, todos os modelos de IA são baseados no princípio comum de entrada e saída. Cada forma de inteligência artificial, incluindo modelos de aprendizado de máquina, chatBots, sistemas de recomendação, robôs e, claro, modelos de aprendizado por reforço, receberá algo como entrada e retornará outra coisa como saída.

Figura 1: O sistema de entrada e saída

Na aprendizagem por reforço, esta entrada e saída têm um nome específico: a entrada é chamada de estado, ou estado de entrada. A saída é a ação realizada pelo AI. E no meio, não temos nada além de uma função que assume um estado como entrada e retorna uma ação como saída. Essa função é chamada de política. Lembre-se do nome, “política”, porque você o verá com frequência na literatura de IA.

Como exemplo, considere um carro que dirige sozinho. Tente imaginar qual seria a entrada e a saída nesse caso.

A entrada seria o que o sistema de visão computacional embutido vê, e a saída seria o próximo movimento do carro: acelerar, desacelerar, virar à esquerda, virar à direita ou frear. Observe que a saída a qualquer momento ( t ) pode muito bem ser várias ações realizadas ao mesmo tempo. Por exemplo, o carro que dirige sozinho pode acelerar enquanto ao mesmo tempo vira à esquerda. Da mesma forma, a entrada em cada tempo ( t ) pode ser composta por vários elementos: principalmente a imagem observada pelo sistema de visão computacional, mas também alguns parâmetros do carro como a velocidade da corrente, a quantidade de gás remanescente no tanque, e assim por diante.

Esse é o primeiro princípio importante da inteligência artificial: é um sistema inteligente (uma política) que recebe alguns elementos como entrada, faz sua mágica no meio e retorna algumas ações para executar como saída. Lembre-se de que as entradas também são chamadas de estados .

Princípio 2 – A recompensa

Cada IA ​​tem seu desempenho medido por um sistema de recompensa. Não há nada de confuso nisso; a recompensa é simplesmente uma métrica que dirá à IA se ela se saiu bem ao longo do tempo.

O exemplo mais simples é uma recompensa binária: 0 ou 1. Imagine um AI que tem que adivinhar um resultado. Se a estimativa estiver certa, a recompensa será 1, e se a estimativa estiver errada, a recompensa será 0. Este poderia muito bem ser o sistema de recompensa definido para uma IA; realmente pode ser tão simples quanto isso!

Uma recompensa não precisa ser binária, no entanto. Pode ser contínuo. Considere o famoso jogo Breakout :

Figura 2: o jogo Breakout

Imagine um AI jogando este jogo. Tente descobrir qual seria a recompensa nesse caso. Pode ser simplesmente a pontuação; mais precisamente, a pontuação seria a recompensa acumulada ao longo do tempo em um jogo, e as recompensas poderiam ser definidas como o derivado dessa pontuação.

Esta é uma das muitas maneiras de definir um sistema de recompensa para esse jogo. Diferentes IAs terão diferentes estruturas de recompensa; construiremos cinco sistemas de recompensas para cinco aplicativos diferentes do mundo real neste livro.

Com isso em mente, lembre-se também: o objetivo final da IA ​​sempre será maximizar a recompensa acumulada ao longo do tempo.

Esses são os dois primeiros princípios básicos, mas fundamentais, da inteligência artificial tal como existe hoje; o sistema de entrada e saída e a recompensa.

Princípio # 3 – ambiente de IA

O terceiro princípio de aprendizagem por reforço envolve um “ambiente de IA”. É uma estrutura muito simples, onde você definirá três coisas a cada vez ( t ):

  • A entrada (o estado)
  • A saída (a ação)
  • A recompensa (a métrica de desempenho)

Para cada IA ​​baseada na aprendizagem por reforço que é construída hoje, sempre definimos um ambiente composto pelos elementos anteriores. É, no entanto, importante entender que existem mais do que esses três elementos em um determinado ambiente de IA.

Por exemplo, se você estiver construindo uma IA para vencer um jogo de corrida de carros, o ambiente também conterá o mapa e a jogabilidade desse jogo. Ou, no exemplo de um carro que dirige sozinho, o ambiente também conterá todas as estradas ao longo das quais a IA está dirigindo e os objetos que circundam essas estradas. Mas o que você sempre encontrará em comum ao construir qualquer IA são os três elementos de estado, ação e recompensa.

Princípio nº 4 – O processo de decisão de Markov

O processo de decisão Markov, ou MDP, é simplesmente um processo que modela como a IA interage com o ambiente ao longo do tempo. O processo começa em t = 0 e, em seguida, a cada iteração seguinte, ou seja, t = 1, t = 2, … t = n unidades de tempo (onde a unidade pode ser qualquer coisa, por exemplo, 1 segundo), o AI segue o mesmo formato de transição:

  1. O AI observa o estado atual, t
  2. A IA executa a ação, t
  3. O AI recebe a recompensa, = R (s , a )
  4. O AI entra no seguinte estado, t + 1
  5. O objetivo da IA ​​é sempre o mesmo na aprendizagem por reforço: é maximizar as recompensas acumuladas ao longo do tempo, ou seja, a soma de todos os = R (s , a ) recebidos em cada transição. recebido em cada transição.

O gráfico a seguir o ajudará a visualizar e lembrar melhor um MDP, a base dos modelos de aprendizagem por reforço:

Figura 3: O processo de decisão de Markov

Agora, quatro pilares essenciais já estão moldando sua intuição de IA. Adicionar um último e importante completa a base de sua compreensão da IA. O último princípio é treinamento e inferência; no treinamento, a IA aprende e, na inferência, prevê.

Princípio # 5 – Treinamento e inferência

O princípio final que você deve entender é a diferença entre treinamento e inferência. Ao construir uma IA, há um tempo para o modo de treinamento e um tempo separado para o modo de inferência. Vou explicar o que isso significa começando com o modo de treinamento.

Modo de treinamento

Agora você entende, a partir dos três primeiros princípios, que a primeira etapa da construção de uma IA é construir um ambiente no qual os estados de entrada, as ações de saída e um sistema de recompensas sejam claramente definidos. A partir do quarto princípio, você também entende que dentro desse ambiente será construída uma IA que interage com ela, tentando maximizar a recompensa total acumulada ao longo do tempo.

Para simplificar, haverá um período preliminar (e longo) durante o qual a IA será treinada para fazer isso. Esse período é chamado de treinamento; também podemos dizer que o AI está em modo de treinamento. Durante esse tempo, a IA tenta realizar um determinado objetivo repetidamente até ter sucesso. Após cada tentativa, os parâmetros do modelo de IA são modificados para melhor desempenho na próxima tentativa.

Modo de inferência

O modo de inferência simplesmente surge depois que sua IA está totalmente treinada e pronta para um bom desempenho. Ele simplesmente consistirá em interagir com o ambiente executando as ações para cumprir a meta para a qual a IA foi treinada antes no modo de treinamento. No modo de inferência, nenhum parâmetro é modificado ao final de cada episódio.

Por exemplo, imagine que você tem uma empresa de IA que desenvolve soluções de IA personalizadas para empresas e um de seus clientes pediu que você construísse uma IA para otimizar os fluxos em uma rede inteligente. Primeiro, você entraria em uma fase de P&D durante a qual treinaria sua IA para otimizar esses fluxos (modo de treinamento) e, assim que atingir um bom nível de desempenho, entregaria sua IA ao seu cliente e entraria em produção . Sua IA regularia os fluxos na rede elétrica inteligente apenas observando os estados atuais da rede e realizando as ações para as quais foi treinada. Esse é o modo de inferência.

Às vezes, o ambiente está sujeito a mudanças; nesse caso, você deve alternar rapidamente entre os modos de treinamento e inferência para que sua IA possa se adaptar às novas mudanças no ambiente. Uma solução ainda melhor é treinar seu modelo de IA todos os dias e entrar no modo de inferência com o modelo treinado mais recentemente. Esse foi o último princípio fundamental comum a toda IA.

Para resumir, exploramos os cinco princípios-chave de aprendizagem por reforço que envolvem o sistema de entrada e saída, um sistema de recompensa, ambiente de IA, processo de decisão de Markov, treinamento e modo de inferência para IA.

Materia traduzida do Inglês de site Packt

Pin It on Pinterest