Камила Нургалиева 
Ученые разработали систему на основе машинного обучения, способную с минимальным вмешательством человека самостоятельно учиться различать на аэрофотоснимках цветущие и нецветущие растения. Это достижение, по их словам, способно многократно ускорить темпы сельскохозяйственных исследований. Работа проводилась на примере тысяч сортов травы мискантус, каждый из которых имеет свои уникальные особенности и сроки цветения.
Эндрю Лики, профессор Иллинойсского университета в Урбане-Шампейне и руководитель проекта, объясняет, что точная идентификация характеристик урожая в разных условиях и на разных стадиях роста — чрезвычайно сложная задача. Ручной визуальный осмотр тысяч отдельных растений в полевых условиях требует огромных трудозатрат. Автоматизация этого процесса с помощью дронов и искусственного интеллекта может значительно его упростить, однако традиционные подходы к обучению ИИ сталкиваются с серьезным препятствием.
Проблема в том, что для создания точных моделей искусственного интеллекта, способных различать тонкие детали на сложных изображениях, обычно требуются гигантские объемы данных, размеченных вручную. Лики считает, что именно колоссальные усилия, необходимые для обучения ИИ, являются одной из главных причин, почему передовые сенсорные технологии до сих пор не получили широкого распространения в агрономии. Более того, такие модели сильно зависят от контекста и требуют переобучения при смене условий — например, для новой культуры, другого региона или времени года.
Чтобы решить эту проблему, ученый Себастьян Варела применил метод, в котором две модели ИИ соревнуются друг с другом в так называемой «генеративно-состязательной сети» (GAN). В этом процессе одна нейросеть создает реалистичные, но поддельные изображения, а вторая учится отличать их от настоящих. Со временем обе модели совершенствуются, глубже «понимая» предметную область. Варела предположил, что этот механизм самообучения можно использовать для сокращения количества данных, необходимых для обучения ИИ распознаванию сельскохозяйственных культур.
Результаты экспериментов превзошли ожидания. Новый подход, названный ESGAN, сократил потребность в данных, размеченных человеком, «на один-два порядка», то есть в 10-100 раз по сравнению с традиционными методами обучения. Это означает значительное снижение усилий, необходимых для разработки и внедрения специализированных моделей машинного обучения для определения времени цветения и других признаков у самых разных видов растений.
В дальнейшем команда планирует применить новый метод в рамках масштабного проекта по селекции мискантуса. Цель — вывести регионально адаптированные сорта этой культуры, которые можно будет использовать для производства биотоплива и ценных биопродуктов, выращивая их на землях, нерентабельных для традиционного сельского хозяйства. Лики выражает надежду, что их подход поможет ускорить внедрение ИИ для улучшения сельскохозяйственных культур, тем самым способствуя укреплению биоэкономики в целом.
