Bab Empat: Kaedah Kecerdasan Buatan dalam Konteks Pertanian

Bahagian Dua — Asas Kecerdasan Buatan dan Data

Persoalan bahagian ini: apakah yang berlaku di dalam sesebuah sistem kecerdasan buatan dari saat ia menerima data sehingga jawapan atau cadangannya sampai kepada petani?

Apabila sesebuah sistem pintar mencadangkan masa untuk mengairi, mengenal pasti penyakit yang menyerang daun tumbuhan, atau meramalkan pengeluaran, jawapan itu mungkin kelihatan muncul sekali gus pada skrin. Namun jawapan itu ialah hentian terakhir dalam suatu perjalanan panjang yang tidak dilihat oleh pengguna: ia bermula dengan data yang dikumpulkan dari ladang, satelit, atau rekod lampau, kemudian melalui pengukuran, pembersihan, pengelasan, dan analisis sebelum menjadi suatu ramalan, cadangan, atau amaran. Dalam perbincangan umum, kecerdasan buatan kadangkala dipersembahkan seolah-olah ia satu minda tunggal yang mampu memahami dan membuat keputusan dalam setiap keadaan. Pada hakikatnya, ia bukan satu alat, tetapi beberapa keluarga kaedah dan model, masing-masing direka bentuk untuk tugas tertentu. Alat yang menganalisis imej daun tumbuhan bukanlah alat yang sama dengan alat yang meramalkan hasil tanaman; dan sebuah sistem yang mengekstrak maklumat daripada beribu-ribu dokumen tidak berfungsi dengan cara yang sama seperti sistem yang menentukan bila perlu mengairi. Setiap kaedah mempunyai kekuatan, andaian yang menjadi sandarannya, data yang diperlukannya, dan kesilapan berpotensi yang mesti difahami sebelum keputusannya dipercayai. Bahagian ini tidak bertujuan menukarkan pembaca menjadi pakar kecerdasan buatan, dan tidak juga membebaninya dengan perincian matematik dan pengaturcaraan. Tujuannya lebih mendalam dan lebih praktikal: memberikan pembaca satu kefahaman yang melindungi mereka daripada terpukau dengan sesuatu keputusan sebelum mengetahui bagaimana ia dihasilkan, dan membantu mereka membezakan antara sistem yang dibina atas data yang sesuai dan bukti yang jelas dengan sistem yang menawarkan jawapan penuh yakin tanpa disokong pengetahuan yang mencukupi. Untuk tujuan itu, kita akan cuba melihat ke dalam sistem, dalam bahasa yang menggabungkan ketepatan dengan kesederhanaan. Kita akan bertanya: daripada data apakah ia belajar? Dari manakah datangnya data itu, siapakah yang mengumpulkannya, dan di tanah, iklim, dan musim yang bagaimana? Adakah data itu mewakili keadaan ladang tempat sistem itu akan digunakan, atau suatu persekitaran yang berbeza? Apakah yang boleh dilihat oleh model itu, dan apakah yang kekal di luar pandangannya? Bagaimanakah ia tahu bahawa jawapannya betul? Dan bagaimanakah ia mungkin tersilap, teragak-agak, atau menzahirkan keyakinan yang melebihi apa yang dibenarkan oleh bukti? Ini bukanlah soalan teknikal yang jauh daripada realiti pertanian. Jika data cuaca tidak lengkap, imej satelit dilindungi awan, penderia tidak ditentukur, atau model itu dilatih atas tanaman atau iklim yang berbeza, kecacatan itu mungkin berpindah dari satu peringkat ke peringkat berikutnya sehingga ia sampai kepada petani sebagai satu cadangan yang kelihatan persis. Ini tidak bermakna kecerdasan buatan tidak berguna; ia bermakna nilai sebenarnya datang bukan daripada kecerdasan pengkomputerannya semata-mata, tetapi daripada kualiti keseluruhan rantaian yang menghasilkan jawapannya. Kita bermula dengan kaedah kecerdasan buatan dan logik memilih setiap satunya: mengapakah sesuatu alat itu sesuai untuk sesuatu masalah sedangkan alat yang lain tidak? Kita kemudian beralih kepada data, kerana ia merupakan bahan yang daripadanya sistem itu belajar dan cermin yang melaluinya ia melihat dunia. Selepas itu, kita meneliti salasilah dan kualiti data, supaya kita tahu di mana maklumat itu bermula, laluan yang dilaluinya, dan apakah perubahan yang dilakukan kepadanya. Kita kemudian sampai kepada penderiaan jauh, tempat imej daripada satelit dan dron, bersama peranti lapangan, ditukarkan menjadi penunjuk tumbuhan, tanah, dan air. Dari situ kita beralih kepada sistem sokongan keputusan dan dapatan semula pengetahuan, untuk melihat bagaimana pengukuran, model, dan kepakaran pertanian dihimpunkan dalam satu jawapan yang boleh digunakan pada masa dan tempat yang betul. Susunan ini bukan sewenang-wenangnya; ia mencerminkan laluan yang dilalui oleh pengetahuan melalui sistem. Kaedah yang tidak sesuai mungkin merosakkan inferens, data yang lemah mungkin melemahkan model yang terbaik sekalipun, sumber yang tidak diketahui menjadikan keputusan sukar disahkan, dan pengukuran yang tidak tepat menghasilkan cadangan yang tidak tepat. Suatu jawapan yang tidak menjelaskan asas dan hadnya mungkin bertukar daripada alat bantuan menjadi punca risiko yang baharu. Memahami asas-asas ini tidak bermakna petani mesti mengetahui setiap persamaan atau baris kod, sebagaimana pemandu traktor tidak perlu menjadi jurutera mekanikal. Tetapi petani perlu tahu secukupnya untuk membezakan operasi yang baik daripada kepincangan, keupayaan sebenar daripada janji pemasaran, dan alat yang membantu dalam pembuatan keputusan daripada alat yang meminta petani menyerahkan keseluruhan keputusan kepadanya. Dalam bahagian ini, kita tidak melihat kecerdasan buatan sebagai sebuah kotak misteri yang mengeluarkan jawapan, tetapi sebagai satu rantaian saling berkait yang terdiri daripada data, andaian, pengukuran, model, dan keputusan manusia. Setiap mata rantai itu mempengaruhi mata rantai berikutnya. Oleh itu, soalan yang paling penting bukan sahaja: Apakah yang dikatakan oleh sistem itu? Ia juga: Bagaimanakah ia sampai kepada apa yang dikatakannya, atas bukti apa, dan dalam had yang bagaimana ia boleh dipercayai? Perbincangan ini kekal konkrit, tanpa mengurangkan kedalaman saintifiknya atau menukarkan pengenalan ini menjadi satu penjelasan teknikal yang berat.

Bab Empat: Kaedah Kecerdasan Buatan dalam Konteks Pertanian

Mesej Bab

Tiada satu kaedah tunggal bernama 'kecerdasan buatan pertanian' yang sesuai untuk setiap tanaman, ladang, dan keputusan. Apa yang kita panggil kecerdasan buatan ialah satu julat kaedah yang luas: ada yang belajar daripada contoh lampau, ada yang mencari corak luar biasa, ada yang mentafsir imej, ada yang menjejaki perubahan mengikut masa, ada yang membandingkan alternatif dalam kekangan tertentu, dan ada yang mendapatkan semula pengetahuan lalu merumuskannya menjadi satu jawapan. Nilai mana-mana kaedah tidak bermula dengan kemasyhuran namanya atau kebaharuan modelnya, tetapi dengan kesesuaiannya dengan persoalan pertanian yang ingin kita jawab. Kesilapan sistem mungkin tidak lebih daripada satu imej yang perlu diambil semula; atau ia mungkin satu keputusan tertangguh yang terlepas tetingkap rawatan, atau satu operasi automatik yang meletakkan tanaman atau seorang pekerja dalam risiko. Oleh itu pemilihan bermula dengan keputusan dan akibat kesilapan, dan barulah selepas itu kembali kepada data dan kaedah — bukan sebaliknya. Bab ini tidak meminta petani menjadi pengaturcara, dan tidak juga berpuas hati sekadar memperkenalkan nama-nama yang biasa kepada pembaca yang berpengetahuan. Matlamatnya ialah membina jambatan antara apa yang berlaku di dalam model dengan apa yang berlaku selepas itu di ladang: apakah yang dilihat oleh sistem? Apakah yang dipelajarinya? Apakah yang dikeluarkannya? Di manakah ia boleh tersilap? Dan bilakah keputusan itu merupakan maklumat sokongan, dan bilakah ia menjadi satu tindakan yang memerlukan pengawasan dan tanggungjawab? Sebelum nama-nama algoritma: perjalanan soalan melalui sistem Bayangkan seorang petani yang menemui bintik-bintik pada daun tomato, mengambil gambar, dan bertanya kepada sebuah aplikasi: 'Apakah masalahnya?' Tugas itu kelihatan mudah, tetapi sistem itu tidak melihat daun itu sebagaimana seseorang manusia melihatnya, dan ia juga tidak mengetahui dengan sendirinya sejarah ladang itu, varietinya, kelembapannya, atau sejauh mana gejala itu telah merebak. Ia menerima satu perwakilan digital bagi imej itu, membandingkannya dengan corak yang telah dipelajarinya, kemudian menghasilkan satu kelas, satu kebarangkalian, atau satu set kebarangkalian. Selepas itu, satu aplikasi lain mungkin menukarkan keputusan itu menjadi satu cadangan. Antara imej dengan cadangan itu terbentang satu rantaian pilihan yang lengkap. Mana-mana sistem pertanian pintar boleh difahami melalui enam peringkat:

1. Soalan: Apakah masalah atau keputusan yang ingin kita sokong?
2. Input: Apakah data yang sebenarnya boleh dilihat oleh sistem itu?
3. Perwakilan: Bagaimanakah realiti pertanian ditukarkan menjadi satu imej, satu nombor, satu teks, atau satu siri masa?
4. Kaedah: Keluarga pengkomputeran apakah yang menghubungkan input dengan output?
5. Output: Adakah keputusan itu satu pengelasan, satu anggaran, satu kebarangkalian, satu susunan kedudukan, atau satu cadangan?
6. Tindakan: Siapakah yang akan menggunakan keputusan itu, dan apakah yang berlaku jika ia salah atau lewat?

Memisahkan mata rantai ini adalah penting. Sesuatu model mungkin baik dalam mengelaskan imej, sedangkan imej itu sendiri tidak mewakili ladang. Sesuatu ramalan mungkin munasabah, tetapi menukarkannya menjadi satu dos atau satu pemasaan memerlukan peraturan pertanian dan kekangan keselamatan yang tidak dipelajari oleh model itu. Dalam sistem yang matang, pembezaan ini tidak lenyap di sebalik perkataan 'pintar'; ia ditunjukkan kepada pengguna, supaya mereka tahu di mana kepercayaan itu berasas dan di mana pengesahan itu diperlukan.

1. Daripada Soalan kepada Perwakilan

Soalan pertanian sebagaimana seseorang merangkanya biasanya lebih luas daripada soalan yang boleh dikendalikan oleh sesuatu model. Bertanya, 'Adakah tumbuhan ini baik-baik sahaja?' menggabungkan dalam satu ungkapan kemungkinan penyakit, kekurangan nutrien, tekanan air, kerosakan mekanikal, dan kesan cuaca. Sebaliknya, model memerlukan satu tugas yang spesifik yang inputnya boleh diwakilkan, outputnya boleh ditakrifkan, dan kesilapannya boleh diukur. Ambil contoh sehelai daun yang terjejas. Ia boleh ditukarkan menjadi masalah yang berbeza-beza:

Ini bukan nama-nama berbilang bagi tugas yang sama. Setiap soalan memerlukan data yang sesuai dengannya, jawapan betul yang daripadanya sistem itu boleh belajar, satu cara untuk mengukur kesilapannya, dan satu langkah jelas yang menyusul sebaik keputusan itu muncul. Pengelasan mungkin memadai untuk triaj awal, tetapi ia tidak memadai untuk memandu sesuatu alat robotik ke satu lokasi yang persis. Dan satu peta kerosakan mungkin sangat baik dari segi visual, tetapi ia tidak membuktikan punca kerosakan itu. Perkara yang sama terpakai kepada rumpai. Jika apa yang diperlukan hanyalah mengetahui sama ada rumpai itu hadir, satu tugas pengelasan sudah memadai. Jika apa yang diperlukan ialah mengira ketumpatan rumpai, kita memerlukan pengiraan atau anggaran keluasan. Jika apa yang diperlukan ialah memandu sesuatu alat mekanikal, kita memerlukan satu lokasi yang persis, masa tindak balas, satu sistem kawalan, dan satu penghadang keselamatan. Peralihan daripada 'ia nampak rumpai itu' kepada 'ia bergerak ke arahnya' merupakan satu peralihan daripada maklumat kepada tindakan, bukan satu perincian pengaturcaraan yang kecil. Itulah sebabnya unit keputusan datang sebelum pemilihan model. Adakah keputusan itu berkenaan sehelai daun, sepohon tumbuhan, satu barisan, satu sektor, atau keseluruhan sebuah ladang? Dan adakah kita meramalkan hasil sesebuah ladang sebelum penuaian, atau jumlah pengeluaran sesebuah wilayah bagi merancang penyimpanan dan pengangkutan? Jika unit itu berubah, makna data dan makna kesilapan turut berubah bersamanya. Satu anggaran yang baik pada peringkat wilayah mungkin tidak sesuai untuk memutuskan pengairan dalam satu sektor yang kecil, walaupun kedua-duanya menggunakan perkataan 'hasil' atau 'pengeluaran'. Adapun perwakilan, ia ialah gambaran digital yang dipermudahkan tentang realiti yang dibenarkan oleh sistem itu. Ia mungkin mewakili tanah dengan satu pengukuran kelembapan pada satu kedalaman tunggal, atau mewakili tumbuhan dengan satu imej dari atas, atau mewakili pengurusan ladang dengan satu rekod tarikh. Setiap perwakilan menerangi satu aspek dan meninggalkan aspek-aspek lain di luar pandangan. Sesuatu model tidak mengetahui apa yang tidak disuapkan kepadanya, dan ia tidak boleh membetulkan takrifan objektif yang kabur hanya dengan menambah kuasa pengkomputerannya. Satu soalan praktikal: Sebelum bertanya tentang nama algoritma itu, tanyalah: apakah unit keputusannya? Apakah yang dilihat oleh sistem itu? Apakah yang tidak dilihatnya? Dan apakah tindakan yang akan dibina atas outputnya?

2. Pembelajaran Terselia: Belajar daripada Contoh yang Hasilnya Diketahui

Pembelajaran terselia ialah pendekatan yang mana sistem belajar daripada contoh yang hasilnya diketahui. Jika kita mahu melatihnya membezakan antara daun tumbuhan yang sihat dengan yang dijangkiti, kita menunjukkan kepadanya imej yang telah disemak oleh seorang pakar dan diberikan sesuatu keadaan. Jika kita mahu melatihnya meramal hasil, kita menyediakan data cuaca, tanah, varieti dan pengurusan ladang, dan pada setiap rekod disertakan jumlah hasil yang benar-benar diukur selepas penuaian. Daripada sejumlah besar contoh sebegini, sistem cuba mempelajari hubungan antara data dengan hasil yang diketahui, kemudian menggunakan apa yang dipelajarinya untuk menganggarkan hasil bagi kes baharu yang belum pernah dilihatnya. Hasil yang diketahui itu disebut kelas rujukan yang disahkan pakar apabila ia merupakan nama sesuatu kelas, seperti 'sihat' atau 'dijangkiti', dan nilai rujukan apabila ia merupakan nombor yang diukur, seperti jumlah hasil. Sesuatu model lazimnya tidak bermula dengan senarai peraturan yang ditulis oleh pakar, seperti: 'Jika muncul bintik berwarna begini, maka statusnya adalah begitu.' Sebaliknya, pembangun mengemukakan kepadanya sejumlah besar contoh yang hasilnya diketahui, dan model itu mencari sendiri ciri-ciri yang berulang bersama setiap hasil. Apabila ia melihat contoh baharu, ia membandingkannya dengan corak yang telah dipelajarinya lalu menganggarkan hasil yang paling hampir. Keupayaan ini berguna, tetapi ia membawa satu risiko penting: sistem mungkin mempelajari petunjuk sampingan yang mudah dan bukannya mempelajari ciri pertanian yang benar-benar penting bagi kita. Ia tidak tahu dengan sendirinya bahagian mana dalam imej yang mewakili penyakit dan bahagian mana yang sekadar latar belakang; sebaliknya, ia belajar daripada cara contoh-contoh itu dikumpulkan dan dikemukakan kepadanya. Bayangkan kita mahu melatih sesuatu sistem membezakan antara tumbuhan yang sihat dengan yang dijangkiti. Semua tumbuhan sihat dirakam di dalam rumah hijau berdinding putih, manakala semua tumbuhan yang dijangkiti dirakam di ladang terbuka dengan tanah gelap kelihatan di belakangnya. Apa yang kita mahu ialah sistem itu mempelajari bentuk gejala pada daun, tetapi ia mungkin menemui laluan yang lebih mudah: latar belakang putih mengiringi imej yang sihat, dan tanah gelap mengiringi imej yang dijangkiti. Sistem itu mungkin kelihatan berjaya apabila diuji dengan imej yang dikumpulkan dengan cara yang sama, kerana latar belakang dalam ujian itu menyerupai latar belakang yang dipelajarinya. Tetapi ia mungkin gagal di sebuah ladang baharu — misalnya, dengan mengelaskan tumbuhan yang dijangkiti di dalam rumah hijau putih sebagai sihat, atau dengan menandakan tumbuhan yang sihat kerana terdapat tanah gelap di belakangnya. Sistem itu tidak berniat mengelirukan; ia mempelajari kaitan yang lebih mudah yang ditawarkan oleh data kepadanya, bukan tanda-tanda penyakit yang dihasratkan oleh pereka bentuk. Masalah yang sama timbul dalam data berangka. Jika sebuah penderia penuaian memberikan bacaan melebihi atau kurang daripada realiti kerana ia tidak ditentukur, model akan belajar daripada nombor yang salah. Jika output sesetengah ladang direkodkan dalam tan per hektar, sementara ladang lain direkodkan sebagai jumlah tan tanpa menjelaskan perbezaannya, sistem akan menganggap nilai yang tidak setara seolah-olah ia satu dan sama. Dan jika satu nama digunakan untuk keadaan penyakit yang berbeza-beza, model tidak akan mengetahui sempadan yang betul antara keadaan tersebut. Dalam setiap contoh ini, kesilapan itu tidak kekal di luar model; ia masuk ke dalam bahan yang menjadi sumber pembelajaran model itu sendiri. Algoritma mungkin melaksanakan tugas pengiraannya dengan tepat, namun tetap mempelajari suatu hubungan yang dibina atas pengukuran yang cacat atau takrifan yang tidak stabil. Sesuatu kaedah yang canggih tidak mampu mengeluarkan daripada data suatu kepastian yang memang tidak wujud di situ sejak awal lagi. Justeru, tidak memadai untuk menemui jawapan bertulis di sebelah setiap imej atau rekod. Kita perlu tahu:

• Siapakah yang menentukan keadaan rujukan atau nilai rujukan itu, dan peraturan apakah yang mereka ikuti?
• Adakah keputusan itu disahkan oleh seorang pakar sahaja, disemak oleh lebih daripada seorang pakar, atau ditetapkan melalui ujian rujukan?
• Adakah tahap keyakinan direkodkan, dan adakah keputusan 'tidak muktamad' dibenarkan apabila buktinya tidak mencukupi?
• Adakah takrifan setiap keadaan kekal konsisten merentas ladang, institusi dan musim?
• Adakah contoh-contoh itu merangkumi keadaan mudah dan sukar, gejala awal dan lanjut, serta kes bercampur?
• Adakah imej dan rekod itu mewakili kepelbagaian varieti, lokasi, peranti dan pencahayaan?
• Adakah imej atau rekod yang sangat serupa dipisahkan antara latihan dan ujian, supaya sistem tidak diuji dengan versi yang amat mirip dengan apa yang telah dilihatnya sebelum ini?

Membenarkan sistem menyatakan, 'Maklumat tidak mencukupi untuk membuat penilaian,' bukanlah tanda kelemahan. Dalam aplikasi pertanian, sikap menahan diri yang berdisiplin mungkin lebih selamat daripada memaksa sistem memilih nama penyakit bagi setiap imej. Suatu keputusan yang bertanggungjawab bukan sekadar menyatakan kemungkinan yang paling besar; ia turut menjelaskan had keyakinan, maklumat yang hilang, dan langkah seterusnya yang diperlukan untuk pengesahan. Untuk pembaca lanjutan: bilangan contoh yang besar tidak mengimbangi kepelbagaian yang sempit atau keputusan rujukan yang lemah. Satu set bebas yang kecil yang mewakili ladang, musim dan peranti yang berbeza mungkin lebih berupaya mendedahkan had sesuatu model berbanding beribu-ribu imej yang serupa. Oleh itu, kepelbagaian persekitaran, keselarasan takrifan hasil, kebebasan data ujian, dan kos setiap jenis kesilapan mesti dinilai bersama-sama saiz set data.

3. Pembelajaran Tanpa Seliaan dan Separa Terselia: Apakah yang Kita Lakukan Apabila Hasil Berdokumentasi Terlalu Sedikit?

Dalam keadaan ideal, kita mungkin mengharapkan seorang pakar menyemak setiap imej, bacaan atau rekod, dan menentukan hasil yang betul bagi setiapnya. Tetapi hal ini jarang mungkin dalam realiti. Sesebuah ladang mungkin mengumpulkan ribuan imej dan berjuta-juta bacaan penderia, sedangkan masa, wang atau kapasiti pakar yang diperlukan untuk menyemak setiap rekod satu persatu tidak tersedia. Apabila hasil berdokumentasi terlalu sedikit atau tidak tersedia, kaedah tertentu boleh digunakan untuk membantu menyusun data dan menemui corak yang berulang di dalamnya, tanpa bermula daripada jawapan betul yang dilampirkan pada setiap contoh. Antara kaedah yang paling penting ialah pembelajaran tanpa seliaan, pengesanan anomali, dan pembelajaran separa terselia. Kaedah-kaedah ini serupa kerana semuanya memanfaatkan data yang tidak disemak, tetapi ia tidak melaksanakan fungsi yang sama dan tidak memberikan darjah kepastian yang sama kepada hasilnya. Pertama: pembelajaran tanpa seliaan Dalam pembelajaran tanpa seliaan, sistem tidak diberikan senarai awal yang memberitahunya, 'Zon ini baik,' 'yang ini lemah,' dan 'yang ini mempunyai masalah saliran.' Sebaliknya, ia mencari dalam data rekod-rekod yang serupa antara satu sama lain dari segi ciri-cirinya, lalu mengumpulkan yang serupa bersama-sama. Andaikan kita mempunyai bacaan daripada zon berbeza di dalam ladang, termasuk kelembapan tanah, produktiviti, suhu, dan ciri pantulan yang dirakam melalui imej udara. Sistem mungkin mendapati bahawa sesetengah zon serupa antara satu sama lain dalam bacaan ini lalu meletakkannya dalam satu kumpulan, sambil meletakkan zon lain dalam kumpulan yang berbeza. Keputusan ini mungkin membantu petani melihat suatu perbezaan yang sebelum ini tidak jelas, tetapi ia tidak menjelaskan puncanya secara automatik. Zon yang berkongsi hasil rendah mungkin serupa secara matematik, tetapi sebab kemerosotan itu mungkin berbeza dari satu tempat ke tempat yang lain:

• Satu zon mungkin mengalami saliran yang buruk.
• Satu lagi mungkin terjejas oleh naungan.
• Yang ketiga mungkin berbeza jenis tanahnya.
• Dan bacaan zon keempat mungkin rendah kerana penderia yang tidak ditentukur.

Jadi, pada peringkat ini sistem berkata: 'Rekod-rekod ini serupa menurut data yang saya analisis.' Ia tidak berkata: 'Saya telah membuktikan bahawa zon ini lemah atau bahawa ia memerlukan kuantiti baja yang tertentu.' Perbezaan ini adalah asasi. Pengumpulan secara pengiraan membantu mengarahkan perhatian, pemeriksaan dan pensampelan, tetapi ia tidak menggantikan tafsiran pertanian. Kumpulan yang ditemui oleh sistem juga tidak wujud secara bebas daripada pilihan pereka bentuk. Keputusan itu dipengaruhi oleh pemboleh ubah yang dimasukkan ke dalam analisis, oleh cara unitnya diseragamkan, oleh bilangan kumpulan yang hendak dibentuk, dan oleh darjah keserupaan yang dianggap penting oleh algoritma. Jika kita mengetepikan data saliran, misalnya, sistem tidak akan mampu menggunakan saliran dalam menjelaskan perbezaan itu, betapa canggih sekalipun kaedah analisisnya. Kedua: mengesan kes luar biasa Satu kegunaan penting bagi kaedah-kaedah ini ialah mengesan kes luar biasa. Sistem mempelajari corak lazim bacaan atau tingkah laku sepanjang suatu tempoh tertentu, kemudian memberi amaran kepada pengguna apabila muncul kes yang berbeza daripadanya pada darjah yang ketara. Perbezaan itu mungkin berupa:

• Penderia kelembapan yang bacaannya mula menyimpang secara beransur-ansur.
• Peningkatan mendadak dalam penggunaan air yang mungkin menandakan kebocoran atau perubahan operasi.
• Penurunan luar biasa dalam aliran sesuatu talian pengairan.
• Perubahan ketara pada pergerakan atau corak pengambilan makanan seekor haiwan.
• Bacaan suhu yang kekal malar untuk tempoh yang luar biasa lama, yang mungkin menandakan kegagalan penderia.

Tetapi amaran itu semata-mata tidak membuktikan bahawa suatu kerosakan atau penyakit telah berlaku. Ia hanya bermakna: 'Kes ini berbeza daripada apa yang dianggap lazim oleh sistem, dan oleh itu wajar diperiksa.' Puncanya mungkin suatu masalah sebenar, perubahan bermusim yang semula jadi, operasi pertanian yang baharu, atau kesilapan pengukuran. Oleh itu, isyarat perbezaan tidak boleh ditukarkan secara terus kepada suatu diagnosis atau arahan operasi. Bilangan amaran yang banyak juga bukanlah bukti kualiti sesuatu sistem. Jika sistem menghantar, misalnya, seratus amaran sehari kepada pasukan yang tidak mampu memeriksa lebih daripada lima, alat itu akan bertukar menjadi punca hingar, dan amaran penting mungkin hilang dalam timbunan amaran berulang. Oleh itu, sistem sepatutnya ditentukur menurut tiga faktor:

• Keseriusan keadaan yang mungkin gagal dikesannya.
• Bilangan amaran palsu yang mampu ditangani oleh pasukan.
• Keupayaan pekerja atau pakar untuk memeriksa amaran itu tepat pada masanya.

Setiap amaran sepatutnya menyatakan sebab ia dikeluarkan, misalnya: "Penggunaan air di sektor ini telah meningkat melebihi julat lazimnya sepanjang enam jam yang lalu, sementara tiada perubahan serupa muncul di sektor bersebelahan." Ini lebih jelas dan lebih berguna daripada mesej umum yang berbunyi: "Suatu anomali telah dikesan." Ketiga: Pembelajaran separa terselia Pembelajaran separa terselia digunakan apabila kita mempunyai bilangan contoh yang terhad yang telah disemak oleh pakar dan diberikan hasil yang betul, di samping bilangan imej atau rekod yang lebih besar yang belum disemak oleh sesiapa. Andaikan sebuah ladang mempunyai ribuan imej daun tumbuhan, tetapi seorang ahli patologi tumbuhan hanya berupaya menyemak beberapa ratus daripadanya. Set yang lebih kecil ini mengandungi kes-kes yang diketahui, seperti:

• Daun yang sihat.
• Gejala sesuatu penyakit tertentu.
• Gejala kekurangan nutrien.
• Imej yang tidak mencukupi untuk membuat penilaian.

Imej yang selebihnya tersedia, tetapi statusnya belum didokumentasikan. Sistem mula-mula belajar daripada contoh yang disemak oleh pakar, kemudian memanfaatkan persamaan dan perbezaan yang terdapat dalam imej-imej lain. Dengan cara ini, kuantiti data yang besar boleh digunakan tanpa memerlukan pakar menyemak setiap imej secara manual. Tetapi mengurangkan kerja manual tidak bermakna mengetepikan pengesahan oleh manusia, dan ia juga tidak bermakna bahawa bilangan imej yang tidak disemak yang banyak boleh membaiki set berdokumentasi yang lemah atau sempit. Jika semua imej yang disemak oleh pakar itu datang daripada:

• Satu ladang.
• Satu kultivar.
• Satu telefon.
• Keadaan pencahayaan yang serupa.
• Peringkat penyakit yang lanjut.

maka sistem mungkin mempelajari bahawa keadaan terhad ini mewakili semua kes. Ia mungkin berfungsi dengan baik pada imej yang serupa, kemudian menunjukkan prestasi yang lemah apabila berhadapan dengan gejala awal, kultivar lain, ladang yang berbeza, atau kamera berkualiti rendah. Sistem yang mempelajari rupa sesuatu penyakit pada peringkat lanjut mungkin gagal mengenali permulaan awalnya. Sistem yang dilatih pada satu kultivar mungkin mengelirukan ciri semula jadi kultivar lain dengan gejala penyakit. Dan beribu-ribu imej yang tidak disemak oleh mana-mana pakar tidak boleh secara automatik mengimbangi kesempitan contoh berdokumentasi yang menjadi sumber pembelajaran sistem tentang makna kes-kes tersebut. Justeru kita sepatutnya bertanya:

• Adakah contoh berdokumentasi itu mewakili ladang, kultivar dan peringkat yang berbeza?
• Siapakah yang menentukan status setiap contoh, dan bagaimanakah ia disahkan?
• Adakah wujud kes yang tidak dapat ditentukan, dan bukannya memaksa setiap contoh ke dalam suatu hasil yang muktamad?
• Adakah pakar menyemak satu sampel daripada hasil yang kemudiannya dicadangkan oleh sistem?
• Adakah kelemahan itu muncul dalam kategori, lokasi atau peringkat pertumbuhan yang tertentu?
• Adakah keputusannya benar-benar bertambah baik, ataupun sistem itu sekadar menjadi lebih yakin?

Keempat: Mempelajari ciri umum sebelum mentakrifkan tugas Terdapat juga kaedah yang mula-mula mempelajari ciri umum yang berulang daripada kuantiti imej atau isyarat yang besar sebelum sistem itu dilatih untuk sesuatu tugas pertanian yang tertentu. Sistem mungkin belajar membezakan bentuk, tepi, tekstur dan warna tanpa setiap imej dipautkan kepada nama sesuatu penyakit atau keadaan pertanian. Selepas itu, satu set yang lebih kecil yang disemak oleh pakar digunakan untuk mengajar sistem tugas yang diperlukan, seperti membezakan antara daun yang sihat dengan daun yang menunjukkan gejala tertentu. Langkah ini boleh mengurangkan jumlah kerja yang diperlukan, tetapi ia tidak bermakna sistem itu memahami penyakit atau tanaman itu dengan sendirinya. Ia mempelajari ciri visual atau berangka yang umum, kemudian diarahkan kepada suatu tugas pertanian yang tertentu. Kualiti keputusannya tetap terikat kepada kesahihan contoh berdokumentasi dan kepada ujian dalam keadaan lapangan yang bebas. Contoh praktikal: Membahagikan ladang kepada tiga zon Andaikan sistem menganalisis data kelembapan, data hasil dan imej udara, lalu membahagikan ladang itu kepada tiga zon dengan ciri yang berbeza. Keputusan ini tidak terus bermakna bahawa ladang itu memerlukan tiga preskripsi baja. Langkah seterusnya yang betul ialah menggunakan peta itu untuk memandu pemeriksaan:

1. Pasukan terlebih dahulu mengesahkan keutuhan penderia dan data.
2. Pasukan melawat titik-titik yang mewakili setiap zon.
3. Ia memeriksa tanah, saliran, naungan dan sejarah pengurusan.
4. Ia mengambil sampel yang sesuai apabila perlu.
5. Ia membandingkan tafsiran pengiraan dengan cerapan dan pengukuran di lapangan.
6. Kemudian ia menentukan sama ada zon-zon itu benar-benar memerlukan rawatan yang berbeza.

Pemeriksaan itu mungkin merumuskan bahawa satu zon berbeza kerana tanahnya, zon kedua mempunyai masalah saliran, dan zon ketiga kelihatan berbeza kerana kesilapan penderia. Jika ketiga-tiga kumpulan itu kemudiannya ditukarkan terus kepada tiga preskripsi pembajaan, punca-punca yang berbeza akan dilayan seolah-olah ia satu masalah yang sama. Maka, dalam kes ini algoritma menyediakan satu peta soalan yang wajar diperiksa, bukan satu preskripsi siap untuk menjawabnya. Kesimpulan Apabila hasil berdokumentasi terlalu sedikit, kaedah-kaedah ini boleh memanfaatkan data yang banyak dengan cara yang berbeza:

• Pembelajaran tanpa seliaan mengumpulkan kes yang serupa bersama-sama, tetapi ia tidak menetapkan sebab ia serupa.
• Pengesanan anomali memberi amaran tentang apa yang telah menyimpang daripada corak, tetapi ia tidak memberikan diagnosis muktamad.
• Pembelajaran separa terselia menggabungkan contoh yang disemak oleh pakar dengan data lain yang belum disemak, tetapi ia mungkin memindahkan kekurangan contoh terhad itu kepada keseluruhan sistem.
• Mempelajari ciri umum mengurangkan keperluan untuk menyemak setiap imej dari awal, tetapi ia tidak menghapuskan ujian lapangan atau penilaian pakar.

Dan prinsip yang menyatukan semuanya ialah: Data yang banyak membantu sistem melihat corak, tetapi makna pertanian tidak datang daripada kuantiti semata-mata; sebaliknya, ia datang daripada pengukuran yang sahih, contoh berdokumentasi, konteks lapangan, dan pengesahan oleh manusia.

4. Penglihatan Komputer: Apakah yang Dilihat oleh Sistem dalam Imej?

Apabila seorang petani atau pakar memandang sehelai daun tumbuhan, mereka tidak melihat warna dan bentuk semata-mata. Sebaliknya, mereka mengaitkan apa yang dilihat dengan umur tumbuhan, penyebaran gejala, keadaan ladang, cuaca, pengairan, dan pengalaman mereka dengan kes-kes terdahulu. Sistem penglihatan komputer pula bermula daripada sesuatu yang lebih sempit: sekeping imej atau klip video yang ditukarkan menjadi data digital yang boleh dianalisis oleh komputer. Penglihatan komputer ialah satu set kaedah yang membantu sistem menemui corak dalam imej dan video. Ia mungkin menggunakan model yang dipanggil rangkaian neural konvolusi, atau model penglihatan yang lebih baharu, untuk mengenali bentuk, warna, tekstur dan hubungan ruang. Aplikasi pertaniannya termasuk memeriksa penyakit tanaman, mengenal pasti rumpai dan buah, menganggar kematangan, mengasingkan produk, serta memantau pergerakan dan tingkah laku haiwan. Ulasan saintifik meninjau keluasan aplikasi ini dalam kejuruteraan pertanian dan makanan [SRC001][SRC002]. Tetapi menyatakan bahawa sistem 'memahami imej' mungkin memberi gambaran bahawa ia melihat dan mentafsirnya sebagaimana manusia. Hakikatnya, imej yang sama boleh digunakan untuk menjawab soalan yang berbeza-beza, dan setiap soalan mempunyai kaedah, keputusan dan hadnya yang tersendiri. 1\. Menentukan keadaan keseluruhan imej — pengelasan Dalam tugas ini, sistem memandang imej sebagai satu unit tunggal, kemudian memilih keadaan yang paling hampir daripada satu set keadaan yang telah dipelajarinya sebelum ini. Keputusannya mungkin, misalnya:

• Daun itu kelihatan sihat.
• Terdapat tanda yang membayangkan jangkitan.
• Buah itu kelihatan tergolong dalam gred kualiti tertentu.
• Imej itu tidak mencukupi untuk menghasilkan keputusan yang boleh dipercayai.

Jenis analisis ini berguna untuk pengasingan awal. Tetapi ia tidak semestinya menunjukkan di mana letaknya tanda itu dalam imej, tidak menetapkan puncanya, dan tidak menukarkan kebarangkalian menjadi diagnosis muktamad. Jadi jika sistem menyatakan bahawa imej itu 'mencurigakan', ini bermakna corak umumnya menyerupai contoh-contoh yang telah dipelajarinya. Itu semata-mata tidak bermakna penyakit itu telah disahkan, atau bahawa rawatannya sudah diketahui. 2\. Menentukan lokasi objek atau tanda — pengesanan Kadangkala tidak memadai untuk mengetahui bahawa imej itu mengandungi buah, rumpai atau bintik yang mencurigakan; kita juga perlu tahu di manakah letaknya. Dalam keadaan ini, sistem melukis bulatan atau kotak yang kelihatan di sekeliling bahagian yang telah dikesannya. Ketika memeriksa sehelai daun tumbuhan, misalnya, satu kotak mungkin muncul di sekeliling bintik tertentu. Ketika menganalisis imej sebuah ladang, sistem mungkin meletakkan kotak pada setiap buah atau rumpai yang berjaya ditemuinya. Keputusan ini membantu menjawab soalan: Di manakah benda yang dikesan oleh sistem itu? Ia juga membantu pengguna mengesahkan bahawa sistem menumpukan perhatian pada bahagian yang betul. Sistem mungkin menyangka ia telah mengesan gejala penyakit sedangkan sebenarnya ia menumpu kepada bayang, sekeping tanah, atau sebahagian daripada latar belakang imej. Tetapi mengenal pasti lokasi bintik itu tidak menetapkan punca kemunculannya. Sistem mungkin mengenal pasti lokasi kerosakan dengan betul, sementara penentuan penyakit atau tekanan yang menyebabkannya masih memerlukan maklumat lain. 3\. Melukis sempadan kawasan yang terjejas — segmentasi Kita mungkin perlu mengetahui lebih daripada sekadar lokasi objek itu; kita mungkin mahu tahu dengan tepat berapa luas kawasan yang diliputinya. Dalam tugas ini, sistem mewarnakan kawasan yang dipercayainya rosak, atau melukis sempadannya pada imej. Daripada meletakkan satu kotak yang luas di sekeliling keseluruhan daun, ia cuba mengenal pasti bahagian yang terjejas di dalamnya. Ini boleh membantu dalam:

• Menganggarkan nisbah daun yang terjejas.
• Mengukur jumlah litupan tumbuhan dalam imej udara.
• Mengasingkan buah daripada latar belakang.
• Menentukan luas kawasan yang dilitupi rumpai dalam sebahagian daripada ladang.
• Membandingkan perubahan kawasan yang rosak dari semasa ke semasa.

Jurutera menggunakan perkataan 'piksel' untuk menggambarkan titik-titik kecil yang membentuk sesuatu imej, tetapi pembaca tidak memerlukan istilah ini untuk memahami keputusannya. Apa yang penting dalam amalan ialah sistem itu cuba melakar sempadan yang tepat bagi kawasan yang dikesannya. Walau begitu, menentukan luas kerosakan tidak menetapkan penyakit manakah yang menyebabkannya. Sempadannya mungkin tepat, sedangkan tafsiran puncanya salah. 4\. Mengikuti objek atau keadaan dari semasa ke semasa — penjejakan Apabila menganalisis video atau satu urutan imej, sistem mungkin perlu menentukan sama ada objek yang kelihatan sekarang ialah objek yang sama yang muncul seketika tadi atau dalam imej sebelumnya. Ini boleh digunakan dalam:

• Menjejaki pergerakan seekor haiwan di dalam kandang.
• Menjejaki sebiji buah pada barisan pengasingan.
• Membilang objek tanpa membilang objek yang sama lebih daripada sekali.
• Memantau penularan kawasan yang rosak merentas imej yang berturutan.
• Menjejaki pergerakan sesebuah mesin atau seorang pekerja dalam sesuatu kawasan operasi.

Di sini, mengesan objek dalam setiap imej secara berasingan tidak memadai; sistem mesti menghubungkan kemunculannya merentas bingkai yang berturutan. Sistem mungkin menghadapi kesukaran apabila objek itu hilang di sebalik objek lain, pencahayaan berubah, haiwan bertindih, atau kamera bergerak. Oleh itu, kehilangan penjejakan tidak sepatutnya terus ditukarkan menjadi kesimpulan bahawa haiwan, buah, atau mesin itu benar-benar telah meninggalkan kawasan tersebut. 5\. Menganggarkan Jarak dan Bentuk — Anggaran Kedalaman Imej yang rata menunjukkan tinggi dan lebar, tetapi ia tidak selalunya memberikan jarak yang sebenar secara langsung. Sebuah robot atau mesin pengasingan mungkin perlu mengetahui sejauh mana dekatnya objek itu dan apakah bentuknya dalam ruang. Sistem mungkin menggunakan satu kamera atau lebih, atau penderia yang sesuai, untuk menganggarkan:

• Jarak antara alat dengan buah.
• Ketinggian tumbuhan atau saiz sesuatu objek tertentu.
• Sejauh mana dekatnya seseorang atau seekor haiwan dengan kawasan pergerakan.
• Kedudukan dahan berbanding lengan robotik.
• Bentuk objek yang mesti dicapai atau dielakkan.

Anggaran kedalaman boleh membantu mesin menghampiri, tetapi ia tidak mencukupi dengan sendirinya untuk menjamin pergerakan yang selamat. Sistem itu masih perlu mengetahui had dan kelajuan alat tersebut, berhenti apabila satu halangan muncul, dan mengesahkan bahawa ukuran itu tidak berubah disebabkan habuk, getaran, atau penglihatan yang kurang jelas. Mengapakah tugasan itu mesti ditakrifkan dengan tepat? Pemilihan tugasan penglihatan terikat dengan tindakan yang diperlukan selepas keputusan itu muncul. Jika matlamatnya adalah untuk mengetahui sama ada imej itu mengandungi buah, pengelasan imej mungkin memadai. Tetapi jika matlamatnya adalah untuk membilang buah itu, sistem mesti menentukan setiap biji buah secara individu. Dan jika matlamatnya adalah untuk memandu sebuah lengan robotik memetik sebiji buah, ia mesti mengetahui kedudukan, jarak, dan bentuknya, kemudian menukarkan maklumat itu menjadi pergerakan yang selamat. Begitu juga, mengetahui bahawa rumpai hadir dalam sesuatu imej tidak memadai untuk memandu sesuatu alat mekanikal ke arahnya. Sistem itu perlu:

1. Mengenal pasti setiap rumpai.
2. Membezakannya daripada tanaman.
3. Menentukan kedudukannya berbanding mesin.
4. Mengira pergerakan alat itu.
5. Mengesahkan bahawa tiada orang, haiwan, atau objek yang tidak dijangka hadir.
6. Menghentikan pelaksanaan jika keyakinan menurun atau data bercanggah.

Setiap peralihan dalam rantaian ini menambah satu kemungkinan kesilapan yang baharu. Atas sebab itu, tidak sah untuk menggambarkan sesuatu sistem sebagai selamat semata-mata kerana model penglihatan itu menunjukkan prestasi yang baik pada imej ujian. Mengapakah imej ladang berbeza daripada imej makmal? Imej pertanian secara semula jadinya berubah-ubah. Daun yang sama mungkin kelihatan berbeza disebabkan:

• Cahaya pagi atau tengah hari.
• Bayang.
• Sudut kamera.
• Jenis telefon atau kamera.
• Kanta yang lebih dekat atau lebih jauh.
• Habuk atau lembapan.
• Latar belakang.
• Peringkat pertumbuhan tumbuhan.
• Daun yang bertindih.
• Keterukan gejala dan peringkatnya.

Gejala daripada punca yang berbeza juga mungkin menyerupai satu sama lain. Sesetengah tanda kekurangan nutrien mungkin kelihatan serupa dengan gejala penyakit atau tekanan air dalam satu imej. Oleh itu, kejayaan sesuatu sistem mengenal pasti satu corak visual tidak bermakna ia telah menetapkan punca pertaniannya. Sebuah model yang dilatih pada daun individu yang diletakkan di atas latar belakang yang bersih mungkin kelihatan teguh di dalam makmal, kemudian berhadapan dengan realiti yang amat berbeza apabila ia melihat daun yang bertindih, bayang yang beralih, habuk, serangga, dan gejala pada peringkat awal di ladang. Oleh itu, imej latihan dan imej ujian sepatutnya mewakili keadaan yang sistem itu akan benar-benar beroperasi di dalamnya, bukan keadaan terbaik yang sesuatu imej boleh dirakam di bawahnya. Apabila sistem mengingati ujian dan bukannya membuktikan keupayaannya Imej yang digunakan untuk melatih sistem mesti diasingkan daripada imej yang digunakan untuk mengujinya. Tetapi pengasingan itu mungkin kelihatan betul dalam fail sedangkan ia tetap mengelirukan pada hakikatnya. Andaikan kita merakam sepuluh imej yang sangat serupa bagi tumbuhan yang sama dalam beberapa minit, kemudian meletakkan sebahagian daripada imej itu dalam data latihan dan sebahagian lagi dalam data ujian. Sistem itu mungkin mengenali butiran tumbuhan, latar belakang, atau sudut kamera, kerana imej ujian itu amat serupa dengan apa yang telah dilihatnya sebelum ini. Ini dipanggil pertindihan yang tidak disengajakan antara data latihan dengan data ujian, dan dikenali dari segi teknikalnya sebagai "kebocoran data". Ia umpama melatih seorang pelajar dengan satu set soalan, kemudian mengujinya dengan soalan yang sama selepas mengubah susunannya atau sebahagian daripada perkataannya. Pelajar itu mungkin memperoleh markah yang tinggi, tetapi ujian itu tidak membuktikan bahawa dia mampu menyelesaikan soalan yang baharu. Oleh itu, ujian pertanian lebih kukuh apabila ia mengasingkan:

• keseluruhan pokok, bukan sekadar imej.
• keseluruhan ladang.
• ladang yang berbeza.
• musim yang bebas.
• peranti pengimejan yang berbeza.
• varieti atau peringkat pertumbuhan yang tidak disertakan dalam latihan.

Dan persoalan yang sebenar bukanlah: Adakah sistem itu berjaya pada imej yang tidak pernah dilihatnya sebelum ini sebagai fail? Sebaliknya: Adakah ia berjaya di sebuah ladang, dalam sesuatu musim, atau dengan sesebuah peranti yang datanya tidak pernah dipelajarinya sebelum ini? Mengapakah "ketepatan keseluruhan" mungkin mengelirukan? Satu keputusan keseluruhan yang tunggal tidak memadai untuk menilai sesuatu model penglihatan. Andaikan, dalam satu contoh berangka yang dipermudahkan, bahawa set ujian itu mengandungi seribu imej:

• 950 imej yang sihat.
• 50 imej yang terjejas oleh sejenis penyakit yang ketara.

Jika sebuah model yang lemah mengatakan bahawa semua imej itu sihat, ia akan betul pada 950 daripada seribu imej, dan ketepatan keseluruhannya mungkin kelihatan 95%. Tetapi model ini tidak mengesan walau satu kes berpenyakit, dan oleh itu tidak berguna bagi tugasan yang ia dicipta untuk melaksanakannya. Atas sebab ini, kita mesti bertanya:

• Berapa banyakkah kes berpenyakit yang mampu dikesannya?
• Berapa banyakkah kes berpenyakit yang dikelaskannya sebagai sihat?
• Berapa banyakkah amaran palsu yang dikeluarkannya?
• Adakah prestasinya berbeza merentas penyakit atau varieti?
• Bolehkah ia menahan diri daripada memberikan jawapan apabila imej itu tidak jelas?
• Apakah yang berlaku apabila ia berhadapan dengan satu kes yang tidak disertakan dalam data latihan?

Jika kesilapan yang paling berbahaya ialah mengelaskan satu kes yang jarang dan serius sebagai sihat, maka keupayaan sistem itu untuk mengesan kes khusus tersebut mesti diukur, bukannya berpuas hati dengan satu purata yang digembungkan oleh kelas yang lazim. Daripada melihat objek kepada menggerakkan mesin Dalam robotik, tugasan itu tidak berakhir apabila sistem mengenali sebiji buah atau sebatang rumpai. Keputusan itu mesti melalui satu lagi rantaian: Melihat objek ← menentukan lokasinya ← menukarkan lokasi itu kepada koordinat yang boleh difahami mesin ← merancang pergerakan ← melaksanakannya ← mengesahkan keputusannya ← berhenti apabila bahaya hadir Setiap bahagian rantaian ini mungkin menjadi punca kesilapan yang tersendiri. Model itu mungkin mengenali buah itu dengan betul, namun lengan itu mungkin bergerak ke kedudukan yang tidak persis disebabkan getaran mesin. Atau kedudukan itu mungkin betul, tetapi tangan seorang pekerja mungkin muncul dalam kawasan pergerakan. Atau sambungan mungkin terputus selepas arahan dihantar dan sebelum pelaksanaannya disahkan. Oleh itu, sistem itu mesti merangkumi:

• had ke atas kelajuan dan daya.
• satu zon keselamatan di sekeliling manusia dan haiwan.
• satu mekanisme berhenti setempat yang tidak bergantung kepada komunikasi.
• pengesahan bahawa tindakan itu berjaya.
• keupayaan untuk kembali kepada keadaan yang selamat.
• kuasa yang jelas bagi pekerja untuk menghentikan atau mengatasi operasi.

Dan prinsip yang sepatutnya kekal jelas ialah: Sesebuah model mungkin berjaya melihat objek sedangkan sistem itu gagal mengendalikannya dengan selamat. Ketepatan imej bukanlah ketepatan keputusan, dan ketepatan keputusan bukanlah keselamatan pelaksanaan. Soalan praktikal sebelum mempercayai sesebuah sistem penglihatan pertanian Seorang petani atau pembeli boleh bertanya:

• Apakah tugasan khususnya: pengelasan imej, penentuan lokasi, pengukuran luas, atau panduan mesin?
• Adakah imej ujian dikumpulkan daripada ladang dan musim yang bebas?
• Adakah imej itu merangkumi keadaan pencahayaan, peranti, dan varieti yang terdapat di ladang saya?
• Kes manakah yang gagal dibezakan oleh sistem itu?
• Adakah ia menunjukkan contoh kesilapan, atau kes yang terbaik sahaja?
• Bolehkah ia menyatakan bahawa imej itu tidak mencukupi?
• Apakah yang berlaku selepas keputusan itu: satu amaran, satu cadangan, atau pelaksanaan automatik?
• Siapakah yang menyemak keputusan itu sebelum sesuatu tindakan sensitif dilaksanakan?
• Bagaimanakah mesin itu berhenti jika seseorang muncul atau keyakinan menurun?

Kesimpulan Penglihatan komputer tidak memberikan mesin sebuah mata manusia atau suatu kefahaman pertanian yang lengkap. Ia membantu sistem mengeluarkan maklumat tertentu daripada imej dan video: mengenal pasti keadaan umum, mencari sesuatu objek, melakar sempadan sesuatu kawasan, menjejaki pergerakan, atau menganggarkan jarak. Nilai maklumat ini ditentukan oleh tiga perkara:

1. Adakah persoalan visual itu dirangka dengan cara yang sesuai dengan keputusan yang diperlukan?
2. Adakah imej itu mewakili keadaan ladang yang sebenar?
3. Adakah keputusan itu diterjemahkan kepada tindakan melalui sistem yang selamat dengan tanggungjawab yang jelas?

Ini membolehkan pembaca membezakan antara satu sistem yang mempersembahkan gambaran yang meyakinkan dalam sebuah percubaan yang singkat dengan satu sistem yang telah benar-benar diuji untuk beroperasi di bawah cahaya, habuk, kepelbagaian, dan had keselamatan ladang.

5. Model Kebarangkalian dan Inferens Kausal: Apakah yang Dijangka, dan Apakah yang Boleh Diubah oleh Campur Tangan?

Sistem pertanian berhadapan dengan dua jenis persoalan yang berbeza, dan susunan katanya mungkin kelihatan serupa walaupun menjawabnya memerlukan bukti yang berlainan. Persoalan yang pertama ialah: Apakah yang berkemungkinan berlaku jika keadaan semasa berterusan? Sebagai contoh, kita mungkin bertanya:

• Berapakah hasil yang dijangka pada penghujung musim?
• Berapakah kebarangkalian timbulnya tekanan air pada hari-hari akan datang?
• Berapakah kebarangkalian bahawa gejala itu berkait dengan sesuatu penyakit tertentu?
• Berapa banyakkah pengeluaran yang mungkin sampai ke penyimpanan pada minggu hadapan?

Ini ialah persoalan ramalan. Di sini, sistem cuba menggunakan apa yang diketahuinya tentang cuaca, tanah, tanaman, dan pengurusan sebelumnya untuk menganggarkan satu hasil yang belum berlaku.

Persoalan yang kedua pula ialah: Apakah yang akan berlaku jika kita mengubah sesuatu? Sebagai contoh, kita mungkin bertanya:

• Apakah yang akan berlaku kepada hasilnya jika masa pengairan berubah?
• Adakah mengubah salah satu amalan pengurusan akan menambah baik hasil?
• Adakah mengurangkan masa operasi sebuah pam akan mengurangkan penggunaan air tanpa menyebabkan tekanan kepada tanaman?
• Adakah rawatan yang dilaksanakan itu punca penambahbaikan tersebut, atau adakah penambahbaikan itu berlaku atas sebab-sebab lain?

Ini ialah persoalan kausal, kerana ia bukan sekadar menerangkan apa yang mungkin berlaku; ia bertanya tentang kesan sesuatu tindakan yang kita mahu lakukan. Korelasi tidak membuktikan bahawa satu faktor menyebabkan faktor yang satu lagi. Data mungkin mendedahkan bahawa ladang yang menggunakan kuantiti input pertanian tertentu yang lebih besar mencapai hasil yang lebih tinggi. Ini ialah satu hubungan yang wajar dikaji, tetapi ia tidak membuktikan bahawa peningkatan input itu menyebabkan hasil yang lebih tinggi.

Penjelasan lain mungkin wujud, seperti:

• bahawa ladang-ladang itu mempunyai tanah yang lebih baik sejak awal lagi.
• bahawa pengairan di situ lebih konsisten.
• bahawa petani yang menguruskannya lebih berpengalaman.
• bahawa pemiliknya mempunyai peralatan yang lebih baik.
• bahawa input itu digunakan di ladang yang mempunyai tanaman atau varieti yang berbeza.
• bahawa keadaan cuaca lebih memberangsangkan di lokasinya.
• bahawa petani menambah input sebagai tindak balas kepada suatu keadaan yang tidak direkodkan dalam data.

Dalam kes ini, input dan hasil itu mungkin muncul bersama-sama, sedangkan punca sebenar perbezaan itu ialah faktor lain atau gabungan beberapa faktor. Ini serupa dengan memerhatikan bahawa ladang yang menggunakan lebih banyak penderia mencapai keputusan yang lebih baik. Itu sahaja tidak membuktikan bahawa membeli penderia akan menambah baik hasil di setiap ladang; ladang yang mampu membeli penderia mungkin sememangnya sudah lebih lengkap peralatannya, lebih baik pembiayaannya, dan lebih baik pengurusannya sejak awal lagi. Jadi korelasi berguna untuk menemukan corak dan membina ramalan, tetapi dengan sendirinya ia tidak menjawab persoalan:

Adakah mengubah faktor ini di ladang yang lain akan membawa kepada keputusan yang sama? Mengapakah perbezaan ini penting kepada petani? Perbezaan ini bukanlah satu perdebatan statistik yang abstrak dan jauh daripada ladang. Jika sistem menemukan satu hubungan antara sesuatu pemboleh ubah dengan hasil, kemudian terus menukarkannya menjadi satu cadangan, ia telah berpindah daripada memerhati korelasi kepada mengandaikan kausaliti. Sebuah sistem yang meramalkan bahawa sesuatu ladang akan mencapai hasil yang tinggi tidak semestinya tahu bagaimana untuk menjadikan ladang lain mencapai hasil yang sama. Keupayaan ramalannya mungkin berasaskan faktor yang tidak boleh diubah oleh petani, seperti jenis tanah, sejarah tapak, atau keadaan musim. Begitu juga, sesebuah sistem mungkin mampu meramalkan ladang manakah yang paling terdedah kepada tekanan, tetapi itu tidak secara automatik membuktikan bahawa mana-mana campur tangan yang dicadangkannya akan menghalang tekanan itu atau memberikan manfaat ekonomi. Atas sebab ini, tiga peringkat mesti dibezakan:

1. Pemerhatian: Apakah hubungan yang muncul dalam data?
2. Tafsiran: Apakah sebab-sebab yang mungkin bagi hubungan ini?
3. Campur tangan: Apakah bukti yang ada bahawa mengubah sesuatu faktor tertentu akan mengubah hasilnya?

Semakin jauh kita bergerak dari satu peringkat kepada peringkat seterusnya, semakin kukuh bukti yang kita perlukan. Bagaimanakah kita menghampiri pengetahuan tentang kesan sesuatu campur tangan? Untuk menentukan sama ada campur tangan itu yang membawa perbezaan, kita memerlukan satu kaedah yang mengasingkan kesannya daripada kesan faktor-faktor lain sejauh yang mungkin. Ini mungkin dicapai melalui:

• satu eksperimen ladang yang bersesuaian yang membandingkan rawatan tertentu.
• mengagihkan rawatan dengan cara yang mengurangkan perbezaan sedia ada antara kumpulan.
• membandingkan ladang atau petak yang seserupa mungkin.
• mengukur keadaan sebelum dan selepas campur tangan, dengan satu garis dasar yang jelas.
• menggunakan satu reka bentuk analitik kausal yang menyatakan andaian dan batasannya.
• memanfaatkan pengetahuan pertanian atau biologi yang menjelaskan bagaimana faktor itu boleh membawa kepada hasil tersebut.
• menghasilkan semula keputusan itu merentas tapak atau musim yang berbeza.

Penggunaan satu kaedah yang dipanggil 'inferens kausal' juga tidak bermakna sesuatu hubungan telah menjadi kausal semata-mata kerana perisian itu telah memberikannya satu nombor. Setiap analisis kausal bergantung kepada andaian: faktor manakah yang diukur? Faktor manakah yang tidak ada? Adakah kumpulan-kumpulan itu boleh dibandingkan? Dan adakah punca itu mendahului hasilnya dari segi masa? Dan sesuatu algoritma tidak boleh membetulkan satu faktor penting yang tidak diukur atau direkodkan melainkan dengan bergantung kepada andaian tambahan yang sepatutnya dinyatakan secara eksplisit. Peraturan praktikalnya: sebuah model yang baik dalam membuat ramalan tidak semestinya baik dalam menganggarkan kesan sesuatu campur tangan. Ramalan hasil yang tepat tidak membuktikan bahawa sistem itu tahu bagaimana untuk mengubah hasil tersebut. Apakah yang ditambah oleh model kebarangkalian? Dalam banyak situasi pertanian, data tidak memadai untuk memberikan satu jawapan yang muktamad. Gambarannya mungkin tidak jelas, gejala mungkin bertindih, rekod cuaca mungkin tidak lengkap, atau bacaan penderia mungkin tidak stabil. Berbanding menyembunyikan kekurangan ini, model kebarangkalian cuba menyatakan darjah ketidakpastian. Mari kita bayangkan bintik-bintik muncul pada daun sesuatu tanaman. Punca yang mungkin adalah:

• sejenis penyakit kulat.
• kekurangan nutrien.
• tekanan air.
• kerosakan haba atau matahari.
• kerosakan mekanikal.
• lebih daripada satu punca pada masa yang sama.

Jika sistem bergantung kepada satu imej tunggal, ia mungkin tidak mampu membezakan punca-punca ini dengan yakin. Oleh itu, ia tidak sepatutnya terus melompat kepada satu diagnosis tunggal; sebaliknya, ia boleh menyusun kemungkinan-kemungkinan itu dan menunjukkan apa yang diperlukannya untuk menyempitkannya. Inilah yang dimaksudkan dengan diagnosis pembezaan: membandingkan beberapa penjelasan yang mungkin bagi gejala itu, kemudian mengumpulkan maklumat yang membantu menolak sebahagiannya dan mengukuhkan sebahagian yang lain. Sebagai contoh, sistem mungkin meminta:

• satu imej bahagian bawah daun.
• satu penerangan tentang bagaimana gejala itu bertaburan dalam ladang.
• sama ada gejala itu muncul pada daun yang lebih baharu atau yang lebih tua.
• satu rekod suhu dan kelembapan.
• maklumat tentang pengairan atau rawatan sebelumnya.
• satu tinjauan ladang atau ujian yang bersesuaian apabila perlu.

Apabila setiap maklumat yang baharu tiba, sistem menyemak semula susunan kemungkinan itu. Nilainya di sini bukan terletak pada kepantasan memberikan sesuatu nama, tetapi pada penyusunan apa yang kita tahu dan apa yang kita tidak tahu, serta mengenal pasti maklumat seterusnya yang paling berguna. Kebarangkalian bukanlah kepastian yang meyakinkan dalam bentuk berangka Sistem mungkin berkata: Kebarangkalian keadaan ini ialah 80%. Tetapi apakah maksud nombor ini? Ia tidak bermaksud bahawa daun individu itu '80% dijangkiti', dan ia juga tidak bermaksud bahawa 80% daripada daun itu dijangkiti. Apa yang dimaksudkannya, jika sistem itu ditentukur dengan baik, ialah apabila ia memberikan kebarangkalian yang menghampiri 80% kepada sejumlah besar kes yang serupa, hasilnya sepatutnya berlaku dalam kira-kira lapan puluh kes daripada setiap seratus, bukan dalam semua kes. Keselarasan antara nombor keyakinan dengan apa yang sebenarnya berlaku dipanggil penentukuran kebarangkalian. Andaikan sebuah sistem memberikan seratus kes satu kebarangkalian yang menghampiri 80%:

• jika keputusan itu disahkan dalam kira-kira lapan puluh kes, keyakinannya agak selari dengan realiti.
• jika ia disahkan dalam lima puluh kes sahaja, sistem itu lebih yakin daripada yang sepatutnya.
• jika ia disahkan dalam sembilan puluh lima kes, sistem itu mungkin kurang yakin berbanding apa yang wajar berdasarkan keputusannya.

Perbandingan ini tidak dijalankan ke atas satu kes tunggal, tetapi ke atas bilangan kes serupa yang memadai. Menyusun kes mengikut kedudukan tidak bermakna nombor kebarangkalian itu betul Sistem mungkin berjaya menyusun kes daripada yang paling berkemungkinan kepada yang paling kurang berkemungkinan, namun pada masa yang sama masih memberikan nombor keyakinan yang mengelirukan. Sesuatu kes yang diberikan 90% mungkin memang lebih berkemungkinan daripada kes yang diberikan 60%, dan dalam erti kata itu susunan sistem tersebut berguna. Tetapi jika kes-kes yang diberikan 90% hanya disahkan sebanyak 65% daripada masa, maka nombor keyakinannya adalah keterlaluan. Jadi terdapat dua persoalan yang berasingan:

1. Adakah sistem itu menyusun kes dengan cara yang berguna?
2. Adakah nombor kebarangkalian itu mencerminkan realiti pada darjah yang boleh diterima?

Ia mungkin berjaya dalam yang pertama dan gagal dalam yang kedua. Mengapakah keyakinan berubah apabila berpindah ke sebuah ladang baharu? Kebarangkalian sesuatu sistem mungkin ditentukurkan dengan baik dalam persekitaran tempat ia diuji, kemudian menjadi mengelirukan apabila ia dipindahkan ke tempat lain. Hal ini mungkin berlaku kerana perbezaan dalam:

• kultivar.
• peringkat pertumbuhan.
• iklim.
• keluasan penyebaran keadaan itu.
• kamera atau penderia.
• kualiti imej.
• amalan pengurusan.
• Nisbah kes jarang berbanding kes biasa.
• Kaedah yang digunakan untuk mengesahkan diagnosis.

Oleh itu, tidak memadai bagi pembekal menunjukkan bahawa kebarangkalian itu sesuai dalam data pembangunan. Keyakinan mesti dipantau selepas pemindahan, dibandingkan dengan keputusan sebenar, dan ditentukur semula apabila perlu. Penentukuran semula tidak secara automatik menjadikan model itu sesuai jika persekitaran baharu itu berbeza secara asasnya; data baharu atau semakan terhadap skop penggunaan itu sendiri mungkin diperlukan. Bagaimanakah keputusan itu sepatutnya dipersembahkan kepada pengguna? Idealnya, sistem tidak sepatutnya memaparkan satu nombor kosong atau satu jawapan muktamad, sebaliknya memaparkan keputusan itu dalam empat lapisan: 1\. Keputusan yang paling berkemungkinan dan ketidakpastiannya Sebagai contoh: Terdapat beberapa punca yang mungkin, dan data semasa tidak mencukupi untuk mengesahkan mana-mana satu daripadanya. Atau: Anggaran itu berada dalam suatu julat tertentu dan mungkin berubah jika cuaca atau pengurusan berubah. 2\. Bukti yang mempengaruhi pemberatan Sebagai contoh: Kebarangkalian tekanan air meningkat kerana bacaan kelembapan yang rendah dan suhu yang tinggi, tetapi satu bacaan penderia hilang. 3\. Maklumat yang hilang dan langkah seterusnya Sebagai contoh: Penderia perlu diperiksa, atau satu imej tambahan diperlukan, atau satu penerangan tentang taburan gejala, atau semakan pakar, sebelum kemungkinan-kemungkinan itu dapat dipersempit. 4\. Had keputusan dan tanggungjawab Sebagai contoh: Keputusan ini ialah amaran awal, bukan diagnosis yang disahkan atau arahan untuk melaksanakan sesuatu rawatan. Dengan cara ini, kebarangkalian menjadi alat untuk menstrukturkan sesuatu keputusan, bukan satu nombor yang mengurniakan sistem itu kuasa yang tidak dimilikinya. Contoh praktikal: Ramalan hasil bukanlah resipi untuk meningkatkannya Andaikan sebuah model meramalkan hasil berdasarkan:

• Jenis tanah.
• Cuaca.
• Varieti.
• Masa operasi dijalankan.
• Rekod pengairan.
• Data daripada musim-musim terdahulu.

Model itu mungkin membuat ramalan yang baik kerana ia telah mempelajari bahawa sesetengah ladang yang bertanah lebih baik dan pengurusannya lebih konsisten menghasilkan hasil yang lebih tinggi. Tetapi jika ia turut mendapati bahawa hasil yang lebih tinggi dikaitkan dengan peningkatan dalam salah satu input, ia mungkin tidak boleh terus menyimpulkan bahawa meningkatkan input ini di semua ladang akan menaikkan hasil. Peningkatan itu mungkin sesuai hanya untuk ladang atau keadaan tertentu, atau ia mungkin sekadar suatu penanda yang dikaitkan dengan ladang yang lebih baik pengurusannya. Sebuah model ramalan menjawab persoalan: Apakah hasil yang berkemungkinan di bawah keadaan-keadaan ini? Menganggarkan kesan sesuatu intervensi pula bertanya: Bagaimanakah hasil itu akan berbeza sekiranya kita mengubah faktor ini sahaja, sementara faktor-faktor lain kekal setara? Persoalan kedua lebih sukar, kerana ia berkaitan dengan suatu keputusan alternatif yang tidak kita perhatikan di ladang yang sama pada masa yang sama. Itulah sebabnya ia memerlukan reka bentuk, eksperimen, dan andaian yang lebih jelas berbanding sekadar memerhatikan hubungan dalam rekod. Soalan praktikal sebelum menerima sesuatu cadangan yang berdasarkan hubungan statistik Pembaca boleh bertanya:

• Adakah sistem itu memberikan satu ramalan, atau adakah ia mendakwa menganggarkan kesan sesuatu intervensi?
• Apakah faktor lain yang mungkin menjelaskan hubungan yang kelihatan itu?
• Adakah intervensi itu sendiri diuji, atau adakah ia sekadar diperhatikan dalam data terdahulu?
• Adakah ladang atau kumpulan itu setara?
• Apakah faktor penting yang tidak diukur?
• Adakah keputusan itu diulang merentas lokasi dan musim yang berbeza?
• Adakah sistem itu membentangkan satu julat dan satu kebarangkalian, atau satu nombor muktamad?
• Adakah kesahan angka keyakinan itu diuji selepas pemindahan ke persekitaran tempatan?
• Apakah maklumat lanjut yang boleh mengurangkan ketidakpastian?
• Siapakah yang mempunyai kuasa untuk menukarkan keputusan itu menjadi tindakan?

Peraturan Pembezaan Perbezaan itu boleh diringkaskan dalam tiga soalan:

• Apakah yang sedang berlaku sekarang? Satu persoalan pengukuran atau diagnostik.
• Apakah yang berkemungkinan berlaku kemudian? Satu persoalan ramalan.
• Apakah yang akan berubah jika kita campur tangan? Satu persoalan kausal yang memerlukan bukti yang lebih kukuh.

Sebuah sistem yang bertanggungjawab menyatakan jenis persoalan yang dijawabnya, dan tidak menukarkan korelasi menjadi kausalitas, atau ramalan menjadi preskripsi, atau kebarangkalian menjadi kepastian.

6. Pengoptimuman dan Penyelidikan Operasi

Ramalan menyatakan apa yang mungkin berlaku, sementara pengoptimuman pula mencari satu tindakan atau pelan dalam kalangan banyak alternatif di bawah kekangan yang ditetapkan. Ia mungkin mengagihkan air yang terhad antara sektor, menyusun laluan pengumpulan, menyelaras penuaian, pengangkutan dan penyejukan, atau menugaskan pekerja dan jentera merentas tetingkap masa yang bersaing. Sesuatu masalah pengoptimuman terdiri daripada tiga perkara:

1. Keputusan yang boleh diubah: Bilakah kita perlu mengairi? Laluan manakah yang perlu diambil oleh kenderaan itu? Kelompok manakah yang perlu disejukkan dahulu?
2. Kekangan yang tidak boleh diabaikan: kapasiti pam, masa, stok, keselamatan, tenaga, buruh, dan sempadan pertanian.
3. Satu objektif yang ingin kita tambah baik: mengurangkan air, masa, atau kerugian, atau mengimbangi beberapa objektif.

Mari kita bayangkan tiga sektor yang memerlukan pengairan, sedangkan kapasiti pengepaman tidak membenarkan kesemuanya beroperasi pada masa yang sama. Sistem itu mungkin mencadangkan satu jadual yang mengambil kira status air, keutamaan tanaman, dan harga tenaga. Tetapi jika fungsi objektifnya meminimumkan penggunaan elektrik semata-mata, ia mungkin melewatkan satu sektor yang sensitif. Dan jika ia memaksimumkan hasil jangkaan semata-mata, ia mungkin mengabaikan bahagian seorang petani kecil atau suatu had ke atas susutan air. Algoritma melaksanakan apa yang telah ditakrifkan untuknya; ia tidak, dengan sendirinya, menambah nilai-nilai yang terlupa dinyatakan oleh pereka bentuk. Atas sebab ini, tidak wujud 'penyelesaian optimum' secara abstrak. Yang wujud ialah penyelesaian optimum berhubung dengan sesuatu objektif, kekangan, dan data pada suatu saat tertentu. Jika keutamaan berubah, sesuatu sumber gagal, atau keyakinan terhadap ramalan menurun, sistem sepatutnya mengira semula atau beralih kepada satu pelan alternatif. Dalam masalah dunia sebenar, objektifnya berbilang. Kita mahu mengekalkan hasil, mengurangkan penggunaan air dan tenaga, mengelakkan tekanan, dan menghormati tetingkap kerja. Nilai-nilai ini tidak selalunya boleh dipadatkan menjadi satu nombor yang neutral. Oleh itu, membentangkan beberapa senario dan pertukaran timbal baliknya adalah lebih jujur daripada membentangkan satu pelan tunggal seolah-olah ia satu-satunya jawapan. Sistem itu juga sepatutnya mempunyai mod manual yang selamat. Jika komunikasi terputus, data cuaca gagal, atau kekangan bercanggah, proses teras tidak boleh terhenti atau diteruskan atas pelan lama tanpa amaran. Kekuatan pengoptimuman diukur bukan sahaja melalui keanggunan pelan itu di bawah keadaan ideal, tetapi melalui keupayaannya menangani kekangan dan pengecualian sebenar. Soalan praktikal: Apabila seorang vendor berkata, 'kami mengoptimumkan pengairan', tanyalah: apakah objektif yang sedang dioptimumkan oleh sistem itu? Siapakah yang menetapkan pemberat bagi air, hasil, dan tenaga? Dan apakah pelannya jika data tidak lengkap?

7. Pembelajaran Pengukuhan dan Kawalan: Bagaimanakah Sistem Belajar daripada Satu Urutan Tindakan?

Dalam sesetengah masalah pertanian, tugasnya bukanlah mengeluarkan satu ramalan tunggal dan kemudian berhenti. Setiap tindakan yang diambil mengubah keadaan ladang atau mesin, dan keadaan baharu itu pula mempengaruhi keputusan yang datang selepasnya. Apabila sebuah tingkap dibuka di dalam rumah hijau, suhu mungkin menurun dan kelembapan mungkin berubah, tetapi kesan pembukaan itu juga bergantung kepada suhu udara luar, angin, dan berapa lama tingkap itu dibiarkan terbuka. Dan apabila sebuah robot bergerak antara barisan, kedudukannya berubah dan begitu juga perkara-perkara yang boleh dilihat oleh kameranya; seorang pekerja, seekor haiwan, atau satu halangan mungkin muncul di hadapannya yang tidak ada di situ beberapa saat sebelumnya. Dalam masalah sebegini, kita bukan berurusan dengan satu keputusan tunggal, tetapi dengan satu urutan keputusan yang saling berkaitan. Di sinilah pembelajaran pengukuhan boleh memainkan peranan. Apakah yang dimaksudkan dengan pembelajaran pengukuhan? Pembelajaran pengukuhan ialah satu kaedah yang mana sistem mempelajari cara memilih satu urutan tindakan dengan memerhatikan keputusan daripada apa yang dilakukannya. Perkataan 'pengukuhan' tidak bermakna bahawa jenis pembelajaran ini lebih baik atau lebih berkuasa daripada semua kaedah lain. Apa yang dimaksudkannya ialah, selepas tindakan-tindakannya, sistem menerima isyarat berangka yang mengukuhkan pilihan yang mendekatkannya kepada matlamat, dan mengurangkan nilai pilihan yang menjauhkannya daripada matlamat itu atau membawanya kepada keputusan yang tidak diingini. Idea ini boleh dibandingkan dengan seorang pelajar yang mencuba beberapa cara untuk mencapai sesuatu keputusan, kemudian secara beransur-ansur mengekalkan cara yang membawa kepada keputusan yang lebih baik. Tetapi perbandingan ini ada hadnya; sistem tidak memahami ladang dari segi etika atau agronomi, dan ia tidak tahu dengan sendirinya apa yang sepatutnya dikira sebagai 'lebih baik'. Manusialah yang menentukan apa yang diukurnya, apakah tindakan yang tersedia, dan apakah had yang tidak boleh dilangkaui. Pembelajaran pengukuhan terdiri daripada beberapa unsur utama:

1. Keadaan: maklumat yang memerihalkan situasi semasa setakat yang boleh diukur oleh sistem.
2. Tindakan: pilihan yang boleh dilaksanakan oleh sistem pada saat itu.
3. Keputusan: apa yang berubah dalam persekitaran selepas tindakan itu dilaksanakan.
4. Skor berangka: satu isyarat yang menunjukkan sama ada keputusan itu bergerak lebih hampir kepada matlamat atau lebih jauh daripadanya.
5. Strategi pemilihan: kaedah yang dipelajari oleh sistem untuk memilih tindakan yang sesuai dalam setiap keadaan.

Pakar menamakan program yang memilih tindakan itu sebagai ejen, skor berangka itu sebagai ganjaran, dan strategi pemilihan itu sebagai polisi. Tetapi memahami fungsinya lebih penting daripada menghafal namanya. Satu contoh ringkas daripada sebuah rumah hijau Andaikan terdapat sebuah sistem yang membantu menguruskan suhu, kelembapan, dan tenaga di dalam sebuah rumah hijau. Keadaan yang dilihat oleh sistem Maklumat yang tersedia mungkin merangkumi:

• Suhu di dalam rumah hijau.
• Kelembapan.
• Suhu luar.
• Keamatan cahaya matahari.
• Kelajuan angin.
• Status tingkap dan kipas.
• Kelembapan medium tumbesaran.
• Waktu dalam sehari.
• Keadaan penderia dan peralatan.

Ini bukanlah "keseluruhan persekitaran", tetapi bahagian yang boleh diukur oleh peranti dan dihantar kepada sistem. Jadi jika salah satu penderia rosak, atau jika data tiba lewat, sistem mungkin membuat keputusannya berdasarkan gambaran yang tidak lengkap atau sudah lapuk. Tindakan yang boleh dipilihnya Tindakan yang tersedia mungkin merangkumi:

• Membuka tingkap pada darjah yang ditetapkan.
• Menutupnya.
• Menghidupkan kipas.
• Mengurangkan atau menambah kelajuan kipas.
• Membentangkan teduhan.
• Mengekalkan keadaan semasa.
• Meminta campur tangan pekerja dan bukannya pelaksanaan automatik.

Sistem juga tidak sepatutnya dibenarkan melakukan setiap tindakan yang boleh dibayangkan. Tindakan yang tersedia mesti ditakrifkan lebih awal dan dikekang oleh had peralatan, keselamatan, dan tanaman. Apakah yang berlaku selepas tindakan itu? Jika sistem membuka tingkap, suhu mungkin menurun, tetapi kelembapan juga mungkin berubah. Penggunaan tenaga juga mungkin meningkat jika sistem mengimbangi perubahan itu dengan mengoperasikan peralatan lain. Dan sesuatu tindakan mungkin sesuai pada satu waktu dalam sehari dan tidak sesuai pada waktu yang lain. Sistem memerhatikan apa yang berlaku selepas tindakan itu, kemudian menggunakan keputusannya untuk menambah baik pilihannya yang kemudian. Jadi ia tidak belajar daripada satu keputusan tunggal, tetapi daripada satu urutan: Keadaan → tindakan → perubahan dalam persekitaran → keadaan baharu → tindakan baharu Apakah maksud "ganjaran"? Ganjaran dalam konteks ini bukanlah satu hadiah, dan ia juga tidak bermakna sistem itu merasai kepuasan atau hukuman. Ia ialah satu skor berangka yang ditakrifkan oleh pereka bentuk untuk menilai keputusan sesuatu tindakan. Skor itu mungkin meningkat apabila:

• Suhu dan kelembapan kekal dalam julat yang diperlukan.
• Penggunaan tenaga menurun tanpa memudaratkan keadaan tumbuhan.
• Sistem mengelak daripada mengoperasikan peralatan tanpa keperluan.
• Ia mengekalkan kestabilan persekitaran dan bukannya menyebabkan perubahan mendadak.
• Ia meminta campur tangan pekerja apabila data tidak mencukupi atau bercanggah.

Dan skor itu mungkin menurun apabila:

• Keadaan melangkaui had yang boleh diterima.
• Sistem menggunakan tenaga atau air lebih daripada yang diperlukan.
• Ia menghidup dan mematikan peralatan berulang kali dengan cara yang mempercepat kehausan.
• Ia mengabaikan penderia yang rosak.
• Ia memilih tindakan yang menghampiri had keselamatan.

Jadi frasa "satu ganjaran yang menyatakan matlamat" sebenarnya bermaksud: Satu persamaan atau kaedah pengiraan yang ditetapkan oleh pereka bentuk untuk menukarkan beberapa keputusan — seperti keadaan tumbuhan, tenaga, air, dan kestabilan peralatan — menjadi isyarat yang membantu sistem membandingkan tindakan-tindakannya. Tetapi skor ini tidak semestinya mewakili keseluruhan matlamat. Apa yang tidak dimasukkan oleh pereka bentuk ke dalam pengiraan itu ialah sesuatu yang mungkin tidak diambil kira oleh sistem. Apabila sistem mengena nombornya tetapi tersasar daripada tujuannya Andaikan pereka bentuk memberikan sistem itu satu matlamat sahaja: meminimumkan penggunaan tenaga. Sistem mungkin belajar untuk mengurangkan pengoperasian kipas atau pengudaraan lebih daripada yang sepatutnya. Ia mungkin berjaya, dari segi pengiraan, memotong penggunaan elektrik sedangkan suhu atau kelembapan di dalam rumah hijau itu merosot. Andaikan matlamatnya ialah menahan suhu pada satu nilai tunggal. Sistem mungkin menghidup dan mematikan peralatan pemanasan dan penyejukan berulang kali, mengabaikan kelembapan, atau menggunakan tenaga dalam jumlah yang besar untuk menghalang satu variasi semula jadi yang kecil yang tidak memudaratkan tumbuhan. Dalam kedua-dua kes itu, sistem telah melakukan apa yang diminta daripadanya dari segi pengiraan, tetapi ia tidak mencapai tujuan pertanian yang lebih luas. Kesilapan di sini tidak semestinya berpunca daripada kelemahan dalam algoritma. Kesilapan itu mungkin terletak pada cara manusia merumuskan objektif tersebut. Sistem boleh mengoptimumkan skor yang diberikan kepadanya, tetapi ia tidak tahu secara automatik akan kepentingan dan kekangan yang tidak dimasukkan ke dalam takrifannya. Oleh itu, bergantung kepada masalahnya, kaedah penilaian mesti merangkumi:

• Keadaan tumbuhan.
• Air dan tenaga.
• Kestabilan peralatan.
• Keselamatan manusia dan haiwan.
• Had operasi.
• Kos perubahan yang kerap.
• Keupayaan untuk berundur kepada satu mod yang selamat.
• Kes-kes yang mana keputusan mesti diserahkan kepada seorang manusia.

Peraturan asasnya: sistem tidak mempelajari apa yang kita mahukan dalam fikiran kita; ia mempelajari apa yang kita nyatakan dalam data, skor, dan kekangan. Mengapakah penalti pengiraan tidak memadai untuk melindungi keselamatan? Seorang pereka bentuk mungkin terfikir untuk menurunkan skor apabila sistem melaksanakan sesuatu tindakan yang berbahaya. Tetapi sesetengah tindakan tidak boleh dibenarkan untuk dicuba sama sekali, walaupun ia kemudiannya akan membawa kepada skor yang negatif. Sebagai contoh, sistem tidak boleh dibenarkan mempelajari bahaya mematikan pengudaraan dalam keadaan teruk dengan melaksanakan tindakan itu dan meletakkan tumbuhan dalam risiko. Sebuah robot juga tidak sepatutnya mempelajari bahawa menghampiri seorang pekerja adalah tidak selamat dengan berlanggar dengan pekerja itu sekali. Oleh itu, perbezaan mesti dibuat antara:

• Objektif yang boleh dioptimumkan oleh sistem.
• Had keselamatan yang tidak boleh dilangkauinya.

Sistem mungkin cuba mengurangkan penggunaan tenaga atau menambah baik kestabilan dalam julat yang dibenarkan, tetapi satu lapisan bebas mesti menghalangnya daripada:

• Melangkaui had suhu yang berbahaya.
• Mengoperasikan sesuatu alat apabila seorang manusia berada dalam zon pergerakan.
• Meneruskan operasi jika penderia kritikal gagal.
• Melaksanakan sesuatu perintah dengan unit atau nilai di luar had yang diluluskan.
• Terus bergerak selepas kehilangan lokasi atau komunikasi.
• Melumpuhkan mekanisme henti manual.

Had-had ini kadangkala disebut sebagai kekangan keras, iaitu peraturan operasi yang mengikat yang tidak boleh dilanggar oleh sistem demi mengejar skor yang lebih baik. Apakah yang dimaksudkan dengan penerokaan? Untuk sistem mengetahui tindakan manakah yang terbaik, ia mungkin perlu mencuba pilihan yang tidak banyak digunakannya sebelum ini. Inilah yang dipanggil penerokaan. Tetapi penerokaan dalam sebuah sistem sebenar berbeza daripada eksperimen di dalam sebuah permainan digital. Satu kesilapan di lapangan boleh membazirkan air, menyebabkan tekanan pada tanaman, merosakkan peralatan, atau meletakkan seorang pekerja dalam risiko. Oleh itu, sistem tidak sepatutnya bebas mencuba sebarang tindakan di ladang. Risiko boleh dikurangkan melalui satu laluan berperingkat:

1. Pembelajaran atau penilaian bermula dalam satu simulasi yang mewakili persekitaran itu dengan agak baik.
2. Data sejarah digunakan untuk memahami apa yang berlaku di bawah keadaan terdahulu, sambil mengingati bahawa data itu tidak meliputi semua tindakan yang mungkin.
3. Sistem diuji dalam mod pemantauan, mencadangkan tindakan tanpa melaksanakannya.
4. Cadangannya dibandingkan dengan apa yang dilakukan oleh operator dan dengan apa yang berlaku selepas itu.
5. Ia beralih kepada satu percubaan terhad dalam julat berisiko rendah.
6. Kekangan bebas dan kuasa henti manusia kekal aktif.
7. Operasi diperluas hanya selepas bukti yang mencukupi tentang keselamatan dan kestabilan muncul.

Simulasi semata-mata tidak memadai, kerana ia merupakan gambaran realiti yang dipermudahkan. Tindak balas tumbuhan, peralatan, atau cuaca mungkin berbeza daripada apa yang diandaikan oleh model. Hal ini kadangkala dikenali sebagai jurang antara simulasi dengan realiti. Oleh itu, peralihan kepada operasi sebenar mestilah beransur-ansur, dipantau, dan boleh dipatah balik. Bukan setiap masalah kawalan memerlukan pembelajaran pengukuhan Pembelajaran pengukuhan mungkin kelihatan menarik kerana ia belajar daripada satu urutan keputusan, tetapi ia bukanlah pilihan terbaik secara automatik. Jika peraturan operasi jelas dan stabil, sistem berasaskan peraturan yang mudah mungkin lebih telus dan lebih senang diuji. Jika tindak balas peralatan diketahui dan boleh diwakili dengan baik, kaedah kawalan konvensional atau pengoptimuman berkekangan mungkin lebih selamat dan lebih rendah kosnya. Pembelajaran pengukuhan menjadi calon apabila:

• keputusan bersifat berurutan, dan setiap tindakan mempengaruhi apa yang menyusul.
• hasil sesetengah tindakan hanya muncul selepas satu tempoh tertangguh.
• wujud pertukaran timbal balik antara manfaat serta-merta dengan kesan kemudiannya.
• sukar untuk menulis satu peraturan tetap yang merangkumi semua kes.
• persekitaran latihan atau simulasi yang sesuai tersedia.
• julat tindakan yang selamat boleh ditentukan.
• ada cara untuk memantau prestasi dan berpatah balik.

Tetapi jika matlamatnya sekadar mengesan penyakit dalam sesuatu imej, meramalkan hasil, atau mengeluarkan satu amaran tunggal, kaedah lain mungkin lebih sesuai. Pembelajaran pengukuhan tidak sepatutnya digunakan semata-mata kerana ia kedengaran lebih baharu atau lebih mengujakan. Siapa melakukan apa dalam sistem kawalan? Dalam sistem pertanian sebenar, beberapa fungsi mesti diasingkan: 1\. Pengukuran keadaan Penderia dan kamera mengumpulkan maklumat tentang persekitaran dan peralatan. Maklumat ini mungkin tidak lengkap, tertangguh, atau tidak tepat. 2\. Anggaran atau ramalan keadaan Sesuatu model mungkin digunakan untuk menganggarkan apa yang tidak diukur secara langsung, atau untuk meramalkan apa yang mungkin berlaku selepas sesuatu tindakan diambil. 3\. Pemilihan tindakan Strategi kawalan menentukan tindakan yang dicadangkan berdasarkan keadaan, objektif, dan kekangan. 4\. Semakan keselamatan Satu lapisan bebas menyemak sama ada tindakan itu dibenarkan, sama ada data mencukupi, dan sama ada peralatan serta persekitaran berada dalam keadaan selamat. 5\. Pelaksanaan Arahan dihantar kepada tingkap, kipas, pam, atau motor, dan mesti disahkan bahawa arahan itu benar-benar dilaksanakan, bukan sekadar dihantar. 6\. Pengesahan hasil Sistem membandingkan apa yang dijangkakan dengan apa yang berlaku selepas pelaksanaan. Jika peranti tidak bertindak balas, atau bergerak secara berbeza, hal ini mesti dikesan. 7\. Pengawasan manusia Seorang manusia mempunyai kuasa untuk meluluskan, menghentikan, atau mengatasi, dan boleh kembali kepada operasi manual yang jelas apabila aplikasi atau sambungan gagal. Pengasingan ini penting kerana kejayaan satu bahagian tidak membuktikan kejayaan keseluruhan sistem. Perisian mungkin memilih tindakan yang sesuai, tetapi injap tidak bertindak balas. Injap mungkin melaksanakan arahan, tetapi penderia yang mengesahkan hasilnya mungkin rosak. Komponen-komponennya mungkin berfungsi dari segi teknikal, tetapi objektifnya sendiri mungkin tidak lengkap. Apa yang dimaksudkan dengan pembelajaran pengukuhan mendalam? Pembelajaran pengukuhan mendalam ialah pembelajaran pengukuhan yang menggunakan rangkaian neural mendalam untuk membantu sistem mewakili keadaan yang kompleks, menganggarkan nilai sesuatu tindakan, atau memilihnya. Dan perkataan 'mendalam' tidak bermakna bahawa sistem itu:

• memahami persekitaran dengan cara manusia.
• lebih selamat.
• semestinya memerlukan sebuah robot.
• melihat imej secara automatik.
• sesuai untuk penggunaan di lapangan.
• lebih baik daripada peraturan atau kawalan konvensional.

Pembelajaran pengukuhan mendalam mungkin digunakan dalam persekitaran simulasi untuk memilih tindakan, sementara penglihatan komputer pula menggunakan model lain untuk menganalisis imej. Kedua-duanya mungkin beroperasi dalam satu robot yang sama, tetapi kedua-duanya melaksanakan dua fungsi yang berbeza. Satu pembetulan sumber yang penting: melihat rumpai bukanlah mengawal pembuangannya Dalam bahan editorial terdahulu bagi buku ini, muncul satu frasa yang menyifatkan salah satu kajian pengesanan rumpai sebagai contoh 'pembelajaran pengukuhan mendalam' yang digunakan dalam pembuangan secara robotik. Tetapi sumber yang dapat disahkan [SRC009] berkenaan dengan pengelasan imej yang dirakam di ladang kacang soya menggunakan rangkaian neural konvolusi. Ertinya, kajian itu menyokong salah satu tugas penglihatan komputer: menganalisis imej dan membezakan antara corak. Dan sumber ini tidak menetapkan bahawa kajian itu membangunkan:

• sebuah sistem yang mempelajari satu urutan tindakan.
• satu strategi kawalan dalam sebuah robot.
• satu isyarat ganjaran untuk menilai pembuangan.
• pergerakan automatik ke arah rumpai.
• penggunaan di lapangan untuk pembuangan.
• sebuah sistem berasaskan pembelajaran pengukuhan mendalam.

Perbezaannya bersifat asas: Penglihatan komputer bertanya: adakah terdapat rumpai dalam imej itu, dan di manakah ia? Pembelajaran pengukuhan dan kawalan pula, sebaliknya, bertanya: Apakah tindakan yang perlu diambil oleh mesin itu sekarang, dan bagaimanakah ia akan mempengaruhi keadaan dan tindakan seterusnya? Sebuah robot pembuang rumpai mungkin memerlukan model penglihatan untuk mengenal pasti tumbuhan, kemudian satu lagi sistem untuk menentukan lokasi, kemudian satu perancang gerakan, kemudian sebuah pengawal untuk melaksanakan tindakan, kemudian satu lapisan keselamatan yang menghentikan mesin apabila bahaya timbul. Kejayaan sesuatu algoritma pengelasan tidak membuktikan kejayaan rantaian ini. Memasukkan pembetulan ini bukanlah satu perbalahan tentang penamaan, tetapi satu penerapan kaedah bukti buku ini: tiada algoritma, keupayaan operasi, atau impak lapangan yang boleh dinisbahkan kepada sesuatu sumber melainkan sumber itu menetapkannya. Contoh bersepadu: pengurusan pengudaraan dalam rumah hijau Andaikan sistem itu menguruskan sebuah tingkap dan sebuah kipas di dalam rumah hijau. Pada sesuatu saat, ia membaca:

• suhu dalaman yang sedikit meningkat.
• kelembapan yang tinggi.
• suhu luaran yang lebih rendah.
• angin sederhana.
• tiada penggera peralatan.

Ia boleh memilih antara:

• membiarkan keadaan seperti sedia ada.
• membuka tingkap sebahagiannya.
• membukanya lebih luas lagi.
• menghidupkan kipas.
• menggunakan tingkap dan kipas secara serentak.
• meminta semakan seorang pekerja.

Jika ia membuka tingkap sebahagiannya dan suhu serta kelembapan menurun tanpa penggunaan tenaga yang tinggi, kaedah penilaian merekodkan bahawa hasilnya telah bergerak lebih hampir kepada matlamat. Jika tindakan itu menyebabkan perubahan mendadak atau kelembapan bergerak di luar julat, skor berangka pun menurun. Tetapi masih perlu ada peraturan yang tidak tertakluk kepada eksperimen, seperti:

• tidak mengoperasikan peralatan jika penutup penyelenggaraan terbuka.
• tidak meneruskan apabila penderia kritikal bercanggah.
• tidak melampaui had operasi motor.
• bertukar kepada mod selamat apabila komunikasi terputus.
• membenarkan pekerja menghentikannya serta-merta.

Dengan cara ini, sistem belajar dalam ruang yang dibenarkan dan tidak mempunyai kebebasan untuk mentakrifkan semula keselamatan melalui eksperimen. Soalan praktikal sebelum menerima sesuatu sistem berasaskan pembelajaran pengukuhan Petani, pembeli, atau pengendali boleh bertanya:

• Apakah keputusan berurutan yang dipelajari oleh sistem untuk dibuat?
• Apakah maklumat yang menggambarkan keadaan semasa?
• Apakah yang berlaku jika sesuatu penderia penting rosak atau tertangguh?
• Apakah tindakan yang dibenarkan untuk diambil oleh sistem?
• Bagaimanakah skor berangka yang memandu pembelajaran itu dikira?
• Aspek manakah yang tidak dimasukkan ke dalam skor berangka ini?
• Apakah had yang tidak boleh dilampaui oleh sistem?
• Di manakah latihan itu dijalankan: dalam simulasi atau dalam operasi sebenar?
• Bagaimanakah jurang antara simulasi dengan ladang itu ditangani?
• Adakah sistem itu bermula dengan cadangan dan pemantauan sebelum pelaksanaan?
• Apakah yang berlaku apabila ia menghadapi situasi yang belum pernah dilihatnya?
• Adakah terdapat mekanisme henti setempat yang bebas daripada aplikasi?
• Siapakah yang mempunyai kuasa untuk meluluskan, mengatasi, dan kembali kepada mod manual?
• Adakah pembelajaran pengukuhan itu benar-benar diperlukan, atau adakah wujud pendekatan yang lebih mudah dan lebih jelas?

Untuk pembaca lanjutan: Penilaian sesuatu sistem pembelajaran pengukuhan tidak terhad kepada skor purata yang dicapainya semasa latihan. Tingkah lakunya dalam kes yang jarang berlaku, kestabilan prestasinya, kepekaannya terhadap cara objektif ditakrifkan, keupayaannya beroperasi dengan data yang tidak lengkap, kepatuhannya terhadap kekangan, jurang antara simulasi dengan realiti, dan keselamatan peralihan daripada cadangan kepada pelaksanaan — semuanya mesti diteliti. Kesimpulan Pembelajaran pengukuhan bukanlah suatu kaedah yang memberikan mesin kebebasan untuk bereksperimen di lapangan. Ia ialah satu pendekatan untuk mempelajari cara memilih tindakan berurutan dalam had yang direka bentuk oleh manusia. Nilainya bergantung kepada lima perkara:

1. Bahawa maklumat yang tersedia benar-benar menggambarkan keadaan yang berkaitan.
2. Bahawa skor berangka itu mewakili objektif pertanian tanpa menyusutkannya menjadi satu nombor yang mengelirukan.
3. Bahawa keselamatan kekal dalam peraturan bebas yang tidak boleh diatasi.
4. Bahawa peralihan daripada simulasi kepada operasi berlaku secara beransur-ansur dan boleh dipatah balik.
5. Bahawa manusia kekal sebagai pihak yang mempunyai kuasa untuk menghentikan sistem dan memberikan kelulusan akhir.

Dan peraturan yang patut dibawa pulang oleh pembaca ialah: Sistem tidak mempelajari objektif yang kita niatkan secara tersirat; ia mempelajari tingkah laku yang diganjari oleh nombor dan dibenarkan oleh kekangan. Oleh itu, objektif dan had mesti diuji sebelum kecerdasan algoritma itu diuji. Peraturan keselamatan terakhir boleh dinyatakan dengan lebih jelas seperti berikut: Ladang tidak sepatutnya menjadi tempat pertama pereka bentuk mendapati bahawa kaedah penilaian sistemnya tidak lengkap, atau bahawa mencuba sesuatu tindakan baharu boleh memudaratkan tanaman, orang, atau peralatan.

8. Model Bahasa, Penjanaan, dan Dapatan Semula: Daripada Soalan kepada Jawapan yang Bersandarkan Bukti

Seorang petani boleh bertanya kepada pembantu digital dalam bahasa biasa dan bukannya mencari-cari dalam menu yang panjang atau mengisi borang teknikal yang rumit. Mereka mungkin bertanya tentang maksud sesuatu amaran, meminta ringkasan sesuatu dokumen, meminta arahan diterjemahkan, membandingkan dua rekod, atau mengeluarkan sesuatu maklumat tertentu daripada sesuatu laporan. Kemudahan ini merupakan salah satu manfaat model bahasa yang paling penting, tetapi ia juga berpotensi menjadi punca salah faham. Jawapan yang ditulis dalam bahasa yang jelas dan yakin mungkin kelihatan seolah-olah datang daripada seorang pakar yang mengenali ladang, lokasi, dan produk itu, sedangkan pada hakikatnya sistem itu mungkin telah menggubahnya daripada corak bahasa atau daripada maklumat tidak lengkap yang tidak memadai untuk membuat keputusan. Maka tidak memadai untuk bertanya: Bolehkah sistem itu menulis jawapan yang boleh difahami? Kita juga mesti bertanya: Dari manakah datangnya maklumat dalam jawapan itu? Dan adakah ia terpakai bagi tanaman, tempat, masa, dan keputusan ini? Apakah yang dilakukan oleh model bahasa? Model bahasa ialah sebuah sistem yang dilatih pada kuantiti teks yang besar untuk mempelajari hubungan yang berulang antara perkataan, ayat, dan idea. Apabila ia diminta memberikan jawapan, ia membina teks itu sekeping demi sekeping berdasarkan soalan, arahan sistem, dan apa jua konteks yang tersedia kepadanya. Ia boleh digunakan untuk tugas seperti:

• Meringkaskan dokumen yang panjang.
• Menterjemahkan kandungan daripada satu bahasa ke bahasa lain.
• Menukarkan nota yang bertaburan menjadi laporan yang teratur.
• Mengeluarkan nama tanaman, lokasi, tarikh, atau unit daripada sesuatu rekod.
• Menerangkan istilah teknikal dalam bahasa yang lebih mudah.
• Membandingkan beberapa dokumen.
• Menguruskan dialog yang terdiri daripada lebih daripada satu soalan dan jawapan.
• Merumuskan jawapan dalam bahasa semula jadi yang boleh dibaca oleh pengguna.

Tetapi keupayaan ini tidak bermakna model itu mempunyai kefahaman pertanian yang tersendiri atau ingatan terkini tentang setiap peraturan, harga, dan produk. Ia mahir membina teks yang koheren, dan dalam berbuat demikian ia mungkin menggunakan maklumat yang betul, maklumat yang tidak lengkap, atau suatu kaitan yang kelihatan munasabah dari segi bahasa tetapi tidak berakar kukuh dalam sumber. Kelancaran, dengan itu, ialah sifat penggubahan kata jawapan, bukan bukti ketepatan kandungannya. Bagaimanakah sesuatu jawapan boleh meyakinkan namun tidak bersandarkan sokongan? Apabila model tidak mempunyai maklumat yang mencukupi, ia mungkin tidak membiarkan jurang itu kelihatan. Ia mungkin melengkapkan ayat itu dengan susunan kata yang kelihatan munasabah berdasarkan corak yang dipelajarinya daripada teks-teks terdahulu. Hal ini mungkin menghasilkan:

• Satu nombor yang tidak wujud dalam sumber.
• Satu punca yang tidak pasti yang dibingkaikan seolah-olah ia satu diagnosis.
• Satu dos yang kelihatan munasabah tetapi tidak terikat kepada sesuatu produk berdaftar.
• Satu nama produk yang tidak sesuai untuk tanaman atau negara berkenaan.
• Satu harga yang sudah lapuk, atau harga daripada pasaran lain.
• Satu petikan yang kelihatan rasmi tetapi tidak menyokong dakwaan itu.
• Satu terjemahan yang menggugurkan sesuatu kelayakan, menukar sesuatu unit, atau membesar-besarkan tahap kepastian.
• Satu jawapan umum yang disajikan seolah-olah ia satu cadangan khusus untuk ladang tersebut.

Ini tidak bermakna model itu sengaja cuba menipu. Masalahnya ialah ia direka bentuk untuk menghasilkan teks yang sepadan dengan konteks bahasa, bukan untuk menjamin bahawa setiap ayat telah disemak berbanding sesuatu sumber yang sah bagi keputusan ini. Peraturan asasnya: Keupayaan sesuatu sistem untuk melengkapkan sesuatu ayat tidak bermakna ia mempunyai bukti yang diperlukan untuk melengkapkan sesuatu keputusan. Soalan pertanian yang pendek mungkin menyembunyikan maklumat yang amat banyak Jika seorang petani bertanya: "Bintik-bintik telah muncul pada tanaman saya; apakah yang patut saya gunakan?" ayat itu mungkin kelihatan jelas dari segi bahasa, tetapi ia tidak lengkap dari segi pertanian. Ia tidak memberitahu kita:

• Apakah tanamannya?
• Apakah varietinya?
• Berapakah umur dan peringkat pertumbuhan tumbuhan itu?
• Di manakah ladang itu terletak?
• Bilakah gejalanya muncul?
• Adakah ia muncul pada daun muda atau daun tua?
• Adakah ia pada permukaan atas atau permukaan bawah?
• Adakah ia merebak di seluruh ladang, atau terhad kepada tompok-tompok tertentu?
• Adakah terdapat gejala pada batang, akar, atau buah?
• Bagaimanakah keadaan cuaca dan pengairan?
• Adakah sebarang rawatan terdahulu telah digunakan?
• Adakah imej itu jelas, dan adakah ia mewakili kes tersebut?
• Produk manakah yang berdaftar untuk tanaman dan perosak itu di negara penggunaan?
• Adakah terdapat sekatan berkaitan tempoh sebelum tuai atau kemasukan semula pekerja?

Jika sistem mengisi jurang ini dengan sendirinya, ia mungkin memberikan jawapan yang sesuai untuk kes yang dibayangkannya, bukan untuk kes yang sebenarnya wujud di ladang itu. Atas sebab ini, sistem yang bertanggungjawab sepatutnya berhenti apabila maklumat tidak cukup dan meminta apa yang diperlukannya sebelum mempersempit kemungkinan. Jawapan awal yang terbaik mungkin merupakan satu soalan penjelasan, bukan satu cadangan. Apakah perbezaan antara penjanaan dengan dapatan semula? Penjanaan ialah proses merumuskan satu jawapan baharu dalam bahasa semula jadi. Model mengambil soalan dan konteks yang tersedia, kemudian menyusunnya menjadi teks yang boleh dibaca oleh pengguna. Dapatan semula pula, sebaliknya, ialah pencarian dalam satu koleksi dokumen atau rekod untuk mendapatkan petikan yang mungkin berkaitan dengan soalan itu. Jika pengguna bertanya tentang tempoh menunggu yang diperlukan bagi sesuatu produk tertentu, sistem mungkin mencari dalam:

• Label produk yang diluluskan dan berkuat kuasa sekarang.
• Rekod pendaftaran produk.
• Dokumen yang dikeluarkan oleh pihak berkuasa kawal selia yang berwibawa.
• Panduan rasmi yang berkaitan dengan tanaman dan perosak itu.
• Edisi bertarikh bagi pangkalan pengetahuan yang diluluskan.

Dapatan semula tidak semestinya merumuskan jawapan akhir; sebaliknya ia menemukan bahan yang daripadanya jawapan itu boleh dibina. Apabila sistem menggabungkan pencarian sumber dengan perumusan jawapan berdasarkan apa yang telah didapatinya semula, aliran kerja ini dipanggil penjanaan berpertingkat dapatan semula, yang biasanya disingkatkan sebagai RAG. Apakah yang berlaku dalam penjanaan berpertingkat dapatan semula? Aliran kerja ini boleh dipermudahkan kepada enam peringkat:

1. Memahami soalan: menentukan apa yang ditanyakan oleh pengguna dan apakah maklumat yang tidak ada.
2. Menentukan skop pencarian: memilih set sumber yang sesuai dengan tanaman, lokasi, dan topik.
3. Menemukan petikan calon: mencari bahagian dokumen yang kelihatan berkaitan dengan soalan itu.
4. Menyemak kesahan: mengecualikan dokumen yang sudah lapuk, tidak rasmi, atau tidak sesuai dengan konteks.
5. Merumuskan jawapan: menggunakan petikan yang diterima untuk menulis jawapan yang jelas.
6. Menunjukkan sumber dan hadnya: membolehkan pengguna mengetahui dari mana datangnya maklumat itu dan apa yang tidak dapat ditetapkan oleh jawapan tersebut.

Laluan ini mungkin mengurangkan jawapan yang tidak bersandarkan sokongan, tetapi ia tidak menghalangnya secara automatik. Sistem mungkin tersilap pada mana-mana daripada enam peringkat itu. Dapatan semula tidak menanam pengetahuan kekal di dalam model Apabila sistem mendapatkan semula sesuatu dokumen pada waktu soalan diajukan, ia meletakkan sebahagian daripadanya di hadapan model untuk membantunya merumuskan jawapan. Itu tidak bermakna pengetahuan tersebut telah menjadi sebahagian yang kekal daripada model itu, atau bahawa semua jawapannya kemudian akan menggunakannya dengan betul. Dengan soalan baharu, pencarian baharu mungkin dijalankan dan petikan yang berbeza didapatkan semula. Oleh itu, kualiti setiap jawapan bergantung kepada:

• susunan kata soalan itu.
• set sumber yang tersedia.
• cara ia disusun dan diindeks.
• kriteria pencarian.
• petikan yang dikemukakan kepada model.
• arahan yang mengekang susunan katanya.
• keupayaan sistem untuk menahan diri apabila ia tidak menemukan sokongan yang mencukupi.

Ini bermakna menilai model bahasa sahaja tidak memadai; keseluruhan laluan pencarian, perumusan, dan pemetikan sumber mesti dinilai. Bagaimanakah laluan dapatan semula boleh tersasar? Laluan itu mungkin gagal dalam beberapa cara: 1\. Salah memahami soalan Ia mungkin mentafsirkan sesuatu perkataan tempatan sebagai nama sesuatu penyakit, atau mengelirukan nama sesuatu tanaman dengan nama sesuatu varieti, atau mengandaikan bahawa pengguna sedang bertanya tentang rawatan sedangkan sebenarnya pengguna sedang bertanya tentang pengenalpastian awal. 2\. Mencari dalam koleksi yang tidak sesuai Sistem mungkin mencari dalam artikel umum sedangkan soalan itu memerlukan dokumen tempatan rasmi, atau mencari panduan bagi tanaman yang berbeza. 3\. Mendapatkan semula dokumen lama Dokumen itu mungkin betul ketika ia dikeluarkan, tetapi pendaftaran produk, sekatan, harga, atau arahannya mungkin telah berubah selepas itu. 4\. Mendapatkan semula sumber yang sah bagi konteks yang berbeza Cadangan itu mungkin betul bagi negara lain, varieti lain, peringkat pertumbuhan lain, atau sistem pengeluaran yang berbeza. 5\. Memilih petikan yang berkongsi perkataannya tetapi bukan maknanya Petikan itu mungkin mengandungi nama penyakit dan nama tanaman, tetapi membincangkan pencegahan dan bukannya rawatan, atau memerihalkan sesuatu kajian penyelidikan dan bukannya arahan operasi. 6\. Melangkaui sumber semasa perumusan Sumber mungkin menyebut satu nota umum, dan model kemudiannya mungkin menukarkannya menjadi satu cadangan khusus yang tidak terdapat dalam sumber itu. 7\. Meletakkan petikan sumber yang betul selepas satu ayat yang tidak disokong oleh sumber itu Kehadiran nama sumber atau pautannya tidak memadai. Dakwaan itu sendiri mesti wujud dalam sumber, dengan darjah kepastian yang sama dan had yang sama. Maka sumber itu mungkin boleh dipercayai, dan dapatan semula mungkin berjaya pada peringkat teks, namun jawapan itu mungkin masih tidak sesuai untuk membuat keputusan pertanian. Keserupaan dalam susunan kata bukanlah kesesuaian untuk digunakan Andaikan sistem menemukan sebuah dokumen yang membincangkan bintik daun pada sesuatu tanaman tertentu. Dokumen itu mungkin kelihatan amat berkaitan dengan soalan tersebut, tetapi ia mungkin:

• berkaitan dengan sebuah negara yang pendaftaran produknya berbeza.
• berkenaan varieti atau persekitaran yang lain.
• merupakan kajian makmal dan bukan panduan lapangan.
• menerangkan simptom yang serupa dengan punca yang berlainan.
• sudah lama atau telah digantikan dengan versi yang lebih baharu.
• membincangkan pencegahan sedangkan pengguna bertanya tentang kes yang sedia berlaku.
• menyebut bahan aktif tanpa produk yang berdaftar di peringkat tempatan.
• merupakan terjemahan dan telah kehilangan sesuatu kelayakan penting.

Oleh itu, dapatan semula tidak sepatutnya bergantung kepada keserupaan perkataan semata-mata. Carian mesti dipersempit dengan menggunakan maklumat seperti:

• Tanaman.
• Varieti, jika perlu.
• Lokasi dan bidang kuasa undang-undang.
• Peringkat pertumbuhan.
• Tarikh.
• Jenis dokumen.
• Badan yang mengeluarkan.
• Status dokumen: berkuat kuasa, diarkibkan, draf, atau dibatalkan.
• Status pendaftaran produk.
• Jenis keputusan: maklumat umum, diagnosis, dos, atau tindakan yang dikawal selia.

Syarat-syarat ini kadangkala disebut penapis carian. Ia merupakan peraturan yang menghalang sistem daripada menganggap setiap teks yang serupa dari segi bahasa sebagai relevan kepada soalan itu. Siapakah yang meluluskan sumber? Ungkapan 'sumber yang diluluskan' tidak sepatutnya kekal kabur. Kita perlu mengetahui:

• Siapakah yang memilih sumber itu?
• Apakah jenis autoriti yang dimilikinya?
• Adakah ia sumber saintifik, kawal selia, atau komersial?
• Bilakah ia diterbitkan atau dikemas kini?
• Adakah ia masih berkuat kuasa?
• Untuk wilayah, tanaman dan sistem pengeluaran yang manakah ia terpakai?
• Dakwaan manakah yang boleh disokongnya?
• Apakah yang tidak boleh disimpulkan daripadanya?

Sesebuah artikel saintifik mungkin membantu dalam memahami sesuatu fenomena atau penemuan penyelidikan, tetapi ia tidak menetapkan pendaftaran sah sesuatu produk. Dan arahan penggunaan rasmi pula menetapkan syarat-syarat bagi produk yang berdaftar, tetapi ia dengan sendirinya tidak membuktikan sesuatu kesan ekonomi yang umum. Dan harga yang diterbitkan dalam sebuah pasaran rasmi mungkin betul bagi pasaran dan tarikh tersebut, tetapi ia tidak semestinya sama dengan apa yang diterima oleh seorang petani di wilayah lain selepas pengangkutan dan komisen. Maka autoriti sesuatu sumber berbeza mengikut soalannya. Tiga lapisan tidak selalunya memadai Berguna bagi sesuatu jawapan untuk membezakan antara apa yang dinyatakan oleh sumber, apa yang telah disimpulkan oleh sistem, dan apa yang memerlukan keputusan manusia. Tetapi dalam keputusan pertanian yang sensitif, lebih baik dipaparkan lima lapisan: 1\. Apa yang difahami oleh sistem daripada soalan itu Sebagai contoh: Saya faham bahawa anda bertanya tentang punca bintik-bintik yang muncul pada daun sesuatu tanaman tertentu pada peringkat pertumbuhan yang tertentu. Ini memberikan pengguna peluang untuk membetulkan kefahaman itu sebelum jawapan dibina. 2\. Apa yang dinyatakan oleh sumber Dakwaan yang disokong oleh sumber itu dipaparkan, berserta nama sumber, tarikh, dan skopnya. 3\. Apa yang telah dirangkumkan oleh sistem daripada beberapa maklumat Jika sistem menggabungkan lebih daripada satu sumber atau menyimpulkan sesuatu hubungan, ia mesti menyatakan bahawa ini ialah rumusan atau perbandingannya sendiri, bukan petikan langsung. 4\. Apa yang masih tidak diketahui Seperti ketiadaan imej yang jelas, ketiadaan ujian, tidak mengetahui negara, atau tidak mengesahkan sama ada dokumen itu masih sah. 5\. Apa yang memerlukan keputusan manusia atau pihak berkuasa yang berwibawa Seperti diagnosis muktamad, pemilihan bahan yang dikawal selia, kelulusan dos, atau pelaksanaan sesuatu intervensi yang mungkin memudaratkan tanaman atau manusia. Ini menghalang maklumat yang disokong daripada dicampuradukkan dengan inferens automatik atau pertimbangan profesional. Petikan sumber bukan hiasan Pengguna sepatutnya berupaya meneliti petikan sumber itu dan memahami kaitannya dengan jawapan. Petikan sumber yang baik menjelaskan:

• Nama dokumen atau badan yang mengeluarkannya.
• Tarikh pengeluaran atau kemas kini terakhir.
• Bahagian yang digunakan.
• Skop dokumen itu.
• Sama ada ia rasmi, saintifik, atau komersial.
• Sama ada sistem menerbitkan semula teks itu, meringkaskannya, atau menggabungkannya dengan sumber lain.

Meletakkan satu pautan umum selepas satu perenggan yang panjang tidak menunjukkan ayat yang manakah disokong oleh sumber itu. Ia mungkin memberikan rupa berdokumentasi kepada jawapan tanpa membolehkan pembaca menjejaki dakwaan itu. Peraturan: Tidak memadai bahawa sumber itu sekadar wujud; ia mesti relevan kepada soalan, ia mesti menyokong ayat itu, dan had ayat itu mesti kekal dalam had sumber tersebut. Apakah yang dilakukan oleh sistem apabila ia tidak menemui sokongan yang mencukupi? Menahan diri daripada menjawab bukanlah kegagalan dialog. Sistem boleh terus membantu pengguna tanpa mereka-reka jawapan. Ia mungkin berkata:

• Saya tidak dapat menemui sumber yang sah bagi produk ini di negara yang dinyatakan.
• Dokumen yang tersedia sudah lapuk dan tidak memadai untuk menetapkan dos.
• Imej itu tidak membolehkan punca-punca yang mungkin itu dibezakan.
• Soalan itu memerlukan nama tanaman, peringkat pertumbuhan, dan lokasi.
• Terdapat maklumat umum, tetapi ia tidak memadai untuk suatu cadangan rawatan.
• Pemeriksaan pakar atau sesuatu ujian diperlukan sebelum memilih intervensi.

Kemudian ia menawarkan langkah seterusnya yang selamat:

• Meminta imej tambahan.
• Menyatakan lokasi.
• Memberikan nama produk tepat seperti yang tertera pada bungkusan.
• Menyemak status pendaftaran.
• Menyemak arahan penggunaan rasmi yang terkini.
• Menghubungi khidmat pengembangan pertanian atau pakar yang berkelayakan.

Dengan cara ini, penahanan diri menjadi bukan jalan buntu tetapi satu laluan yang jelas untuk melengkapkan bukti. Contoh haluan yang tidak bertanggungjawab Pengguna bertanya: "Bintik-bintik telah muncul pada tanaman saya; apakah yang patut saya gunakan?" Sistem menjawab terus: "Gunakan produk X pada dos sekian dan sekian." Jawapan ini tidak bertanggungjawab kerana ia berpindah daripada satu perihalan umum kepada suatu bahan dan dos tanpa mengetahui:

• Tanaman itu.
• Negara.
• Diagnosis.
• Peringkat pertumbuhan.
• Status pendaftaran.
• Arahan penggunaan rasmi.
• Sela keselamatan.
• Sama ada terdapat punca lain bagi simptom itu.
• Keupayaan pengguna untuk melaksanakan rawatan itu dengan selamat.

Rangkap kata itu mungkin betul dari segi bahasa, namun ia tidak mempunyai asas bagi keputusan tersebut. Contoh jawapan yang bertanggungjawab Jawapannya mungkin berbunyi: "Maklumat semasa tidak memadai untuk menentukan punca bintik-bintik itu atau untuk memilih rawatan. Gejala ini mungkin bertindih antara penyakit, kekurangan nutrien, tekanan air, dan kerosakan berkaitan cuaca. Berikan nama tanaman dan varieti, jika diketahui, negara atau wilayah, peringkat pertumbuhan, dan di bahagian mana simptom itu muncul pada pokok, dan hantarkan imej yang jelas bagi permukaan atas dan bawah daun, serta imej yang menunjukkan sejauh mana meluasnya masalah itu di ladang. Saya kemudiannya boleh membandingkan simptom itu dengan sumber yang sesuai dan menghuraikan kemungkinan-kemungkinan serta maklumat yang tiada, tetapi menetapkan sesuatu produk atau dos memerlukan pengesahan diagnosis, pendaftaran produk itu bagi tanaman dan perosak berkenaan di negara penggunaan, dan arahan penggunaan rasmi yang terkini, dan ia mungkin memerlukan rujukan kepada pakar." Jawapan ini bukan sekadar menahan diri; sebaliknya, ia:

• Menerangkan mengapa maklumat itu tidak mencukupi.
• Menunjukkan bahawa lebih daripada satu tafsiran adalah mungkin.
• Meminta data tertentu.
• Menjelaskan apa yang boleh dilakukan oleh sistem.
• Mengenal pasti apa yang memerlukan sumber rasmi atau seorang pakar.
• Menghalang kelancaran bahasa daripada bertukar menjadi autoriti rawatan yang tidak berasas.

Satu lagi contoh: soalan tentang harga Jika seorang petani bertanya: "Berapakah harga tanaman saya hari ini?" tidak memadai bagi sistem untuk mendapatkan semula sesuatu angka yang mengandungi nama tanaman itu. Ia mesti mengetahui:

• Negara, wilayah, dan pasaran.
• Tarikh harga itu, dan waktunya jika perlu.
• Mata wang.
• Unit jualan.
• Varieti.
• Gred kualiti.
• Sama ada harga itu borong, runcit, atau di pintu ladang.
• Sama ada ia termasuk pengangkutan atau komisen.
• Entiti manakah yang menerbitkannya?

Dan jawapan yang bertanggungjawab tidak berkata: "Harganya sekian dan sekian." Sebaliknya, ia berkata, sebagai contoh: "Saya menemui satu harga yang diterbitkan dalam pasaran yang dinyatakan pada tarikh sekian dan sekian, bagi unit dan gred yang disebut. Harga yang diterima oleh petani mungkin berbeza bergantung kepada kualiti, pengangkutan, dan komisen, dan saya tidak mengesahkan sebarang transaksi tempatan di ladang anda." Ini menjelaskan bahawa dapatan semula memulangkan maklumat pasaran yang tertentu, bukan 'harga sebenar' di mana-mana sahaja. Terjemahan itu sendiri memerlukan tadbir urus Sesebuah model bahasa mungkin digunakan untuk menterjemah label produk atau panduan pertanian. Tetapi terjemahan yang lancar mungkin menyembunyikan kesilapan pada:

• Unit ukuran.
• Penafian.
• Tempoh menunggu.
• Nama perosak.
• Tanaman yang berdaftar.
• Darjah kewajipan.
• Amaran.
• Bidang kuasa undang-undang.

Oleh itu, terjemahan mesin bagi sesuatu dokumen keselamatan tidak sepatutnya menjadi autoriti alternatif kepada teks rasmi. Sistem boleh membantu dalam kefahaman, tetapi rujukan asal mesti dikekalkan, sumber dan versinya ditunjukkan, dan istilah yang sensitif disemak sebelum pelaksanaan. Bagaimanakah kita menilai sistem itu? Tidak memadai untuk menilai mutu gaya bahasa atau kepuasan pengguna. Setiap langkah dalam talian paip itu mesti diuji: Memahami soalan

• Adakah sistem mengenal pasti tanaman, lokasi, dan maksud yang dikehendaki?
• Adakah ia meminta maklumat yang tiada?

Dapatan semula

• Adakah ia menemui sumber yang sesuai?
• Adakah ia mengecualikan sumber yang lapuk atau bukan tempatan?
• Adakah ia mendapatkan semula bahagian yang menjawab soalan itu?

Rangkap kata

• Adakah jawapan itu berpegang kepada apa yang dinyatakan oleh sumber?
• Adakah ia menambah dakwaan yang tidak disokong?
• Adakah ia mengekalkan kekangan dan ketidakpastian?

Perujukan

• Bolehkah pembaca mengakses sumber itu?
• Adakah sumber itu benar-benar menyokong ayat berkenaan?
• Adakah tarikh dan status dokumen itu ditunjukkan?

Keselamatan

• Adakah sistem menahan diri daripada memberikan dos atau diagnosis apabila bukti tidak mencukupi?
• Adakah ia menjelaskan bila seorang pakar atau pihak berkuasa kawal selia patut dirujuk?
• Adakah ia menghalang maklumat umum daripada ditukarkan menjadi arahan yang boleh dilaksanakan?

Penerapan pertanian

• Adakah jawapan itu sah bagi tanaman, lokasi, dan masanya?
• Bolehkah pengguna memahaminya dan melaksanakannya?
• Adakah tanggungjawab manusia kekal jelas?

Sistem mungkin berjaya menemui dokumen yang betul, kemudian gagal mentafsirkannya. Ia mungkin merangka jawapan yang setia kepada satu petikan yang tidak sesuai. Ia mungkin memberikan rujukan yang tulen bagi satu ayat yang tidak disokong oleh sumber itu. Oleh itu, keseluruhan talian paip mesti dinilai, bukan model itu secara berasingan. Untuk pembaca lanjutan: dapatan semula mengurangkan pergantungan model kepada apa yang telah dipelajarinya sebelum ini, tetapi ia memindahkan sebahagian risiko kepada kualiti indeks, kefahaman soalan, penyusunan hasil, kesahihan dokumen, dan penjanaan yang berdisiplin. Atas sebab itu, kejayaan talian paip itu tidak diukur melalui kehadiran sesuatu sumber dalam jawapan semata-mata, tetapi melalui kesahihan hubungan antara soalan, sumber, dakwaan, konteks, dan keputusan. Peranan Bab Tujuh Rujukan kepada Bab Tujuh boleh dikekalkan, tetapi lebih baik dijelaskan apa yang akan ditambahnya: Bab Tujuh akan membincangkan dengan lebih terperinci cara membina sistem sokongan keputusan dan sistem dapatan semula pengetahuan, menyusun sumber, mengekang carian mengikut konteks, memaparkan rujukan, dan menghalang teks yang didapatkan semula daripada bertukar menjadi cadangan yang melebihi autoritinya. Ini memberikan fungsi yang jelas kepada rujukan itu, bukannya membiarkannya sekadar janji maklumat yang akan datang. Kesimpulan Sebuah model bahasa boleh memudahkan capaian kepada pengetahuan: ia menukarkan soalan harian menjadi satu carian, mengumpulkan petikan, meringkaskannya, dan merangka jawapan yang boleh difahami. Tetapi kelancaran bahasa tidak memendekkan laluan saintifik dan kawal selia antara soalan dengan keputusan. Maka sebuah sistem yang bertanggungjawab mesti mengetahui:

• Apa yang difahaminya daripada soalan itu.
• Apakah maklumat yang tiada padanya.
• Di mana ia mencari.
• Mengapa ia memilih sumber itu.
• Sama ada sumber itu terkini dan sah bagi konteks berkenaan.
• Apa yang diambilnya daripada sumber itu.
• Apa yang disimpulkannya.
• Di mana peranannya berakhir.
• Dan bilakah ia mesti menahan diri atau mengangkat keputusan itu kepada seorang manusia.

Mesej bahagian ini boleh diringkaskan dalam kenyataan berikut: Sebuah model bahasa boleh menjadi pintu masuk kepada pengetahuan, tetapi ia tidak menjadi sumber semata-mata kerana ia bertutur dengan lancar, dan ia juga tidak menjadi pembuat keputusan semata-mata kerana ia menemui teks yang hampir dengan soalan itu. Kenyataan penutup yang dicadangkan ialah: Jawapan yang boleh dipercayai bukan sekadar kelihatan betul; ia mendedahkan sumbernya, had kebolehterapannya, apa yang tiada, dan siapa yang mempunyai autoriti untuk menukarkannya menjadi tindakan.

9. Kecerdasan Buatan Boleh Dijelaskan

Apabila sistem menghasilkan sesuatu output, timbul satu soalan yang wajar: Mengapakah ia menghasilkan output ini? Model itu mungkin meramalkan kejatuhan hasil, meningkatkan tahap syak terhadap sesuatu penyakit, mengeluarkan amaran tentang tekanan air, atau mengelaskan sesuatu buah dalam gred kualiti tertentu. Tetapi output itu sendiri tidak memberitahu pengguna maklumat apakah yang menjadi sandaran sistem, dan tidak juga sama ada maklumat itu lengkap atau boleh dipercayai. Alat kecerdasan buatan boleh dijelaskan berusaha membantu pengguna memahami hubungan antara data yang disuap ke dalam model dengan output yang dihasilkannya. Ia mungkin menunjukkan, sebagai contoh:

• bahawa kelembapan tanah yang rendah merupakan antara faktor yang dikaitkan dengan anggaran risiko tekanan yang lebih tinggi.
• bahawa suhu yang diramalkan mempengaruhi anggaran keperluan pengairan.
• bahawa kultivar dan peringkat pertumbuhan muncul antara faktor yang dikaitkan dengan ramalan hasil.
• bahawa sebahagian tertentu daripada imej daun dikaitkan dengan pengelasannya sebagai mencurigakan.
• bahawa ketiadaan bacaan penderia, atau perubahan padanya, mempengaruhi keyakinan sistem.
• bahawa output itu hampir dengan ambang yang memisahkan dua kelas.

Tetapi alat-alat ini tidak menjawab setiap makna bagi perkataan 'mengapa'. Ia lazimnya menerangkan mengapa model menghasilkan output ini mengikut pengiraannya, tetapi tidak semestinya menetapkan mengapa fenomena itu berlaku di ladang. Tiga soalan berlainan tersembunyi dalam perkataan 'mengapa' Apabila pengguna bertanya 'mengapa?', mereka mungkin memaksudkan salah satu daripada tiga soalan: 1\. Mengapakah model menghasilkan output ini? Ini soalan tentang tingkah laku model. Jawapannya mungkin: Model meningkatkan anggaran risiko kerana bacaan kelembapan menurun, suhu yang diramalkan meningkat, dan tiada bacaan terkini tiba daripada salah satu penderia. Jawapan ini menunjukkan maklumat apakah yang digunakan oleh model. 2\. Mengapakah fenomena pertanian itu berlaku? Ini soalan tentang realiti pertanian. Jawapan yang mungkin berbunyi: Mungkin kelembapan menurun kerana permintaan air meningkat, atau kerana pengairan tidak sampai ke sektor itu dengan betul, atau kerana masalah tanah, atau kerana kesilapan penderia. Sesuatu alat tafsiran model dengan sendirinya tidak dapat menentukan yang manakah antara punca-punca ini yang betul. Hakikat bahawa model menggunakan bacaan kelembapan itu tidak membuktikan punca kemerosotannya, dan tidak juga membuktikan bahawa pokok itu sebenarnya berada dalam tekanan. 3\. Mengapakah kita perlu mengambil tindakan ini? Ini soalan tentang keputusan. Walaupun amaran model itu munasabah, ia tidak secara automatik bermakna tindakan yang betul ialah menambah pengairan. Penderia mungkin rosak, hujan mungkin dijangka turun, masalahnya mungkin terletak pada air yang hanya sampai ke kawasan yang terhad, atau peringkat tanaman mungkin berbeza daripada yang diandaikan oleh sistem. Maka satu pembezaan mesti dibuat antara: menerangkan output model ← menerangkan keadaan pertanian ← mewajarkan tindakan Dan berpindah daripada satu tahap ke tahap berikutnya memerlukan data dan bukti tambahan. Untuk siapakah penjelasan itu ditujukan? Tiada satu penjelasan tunggal yang sesuai untuk semua pengguna. Setiap pihak memerlukan tahap yang berbeza. Pembangun mahu mengetahui:

• Adakah model bersandar pada data yang sah?
• Adakah ia mempelajari sesuatu jalan pintas yang tidak betul?
• Adakah ia memberi tumpuan kepada latar belakang imej dan bukan kepada pokok?
• Adakah tingkah lakunya berubah selepas kemas kini data?
• Adakah outputnya stabil apabila berlaku sedikit perubahan pada input?

Pakar pertanian mahu mengetahui:

• Adakah faktor yang digunakan oleh model itu bermakna dari segi pertanian?
• Adakah ia terlepas pandang sesuatu pemboleh ubah penting?
• Adakah ia mengelirukan hubungan statistik dengan punca pertanian?
• Adakah keputusannya munasabah bagi kultivar, musim, dan lokasi ini?
• Apakah ukuran atau ujian yang boleh mengesahkannya atau menyangkalnya?

Petani atau pengendali memerlukan jawapan yang praktikal:

• Apakah yang dinyatakan oleh sistem?
• Maklumat apakah yang mendasari keputusan itu?
• Adakah maklumat ini terkini dan boleh dipercayai?
• Apakah yang tidak diketahui oleh sistem?
• Apakah langkah selamat yang seterusnya?

Penyemak atau pihak berkuasa yang bertanggungjawab memerlukan rekod yang boleh diaudit:

• Apakah versi model itu?
• Apakah data yang tersedia pada waktu keputusan dibuat?
• Apakah peraturan atau had yang diterapkan?
• Adakah seorang manusia mengatasi keputusan itu? Mengapa?
• Adakah sumber atau penderia itu sah pada waktu tersebut?

Paparan visual yang sesuai untuk penyelidik atau pembangun mungkin tidak berguna kepada pekerja yang perlu mengambil tindakan dalam beberapa minit. Oleh itu, penjelasan mesti direka bentuk untuk orang dan keputusan berkenaan, bukan hanya untuk apa yang boleh dipaparkan oleh alat itu. Dua jenis penjelasan Dua tahap utama boleh dibezakan: Penjelasan bagi satu kes tunggal Ia berusaha menjawab soalan: Mengapakah sistem memberikan keputusan ini sekarang, bagi imej ini atau ladang ini? Ia mungkin menunjukkan bahawa kelembapan tanah dan suhu merupakan dua faktor yang paling kuat dikaitkan dengan sesuatu amaran tertentu, atau bahawa sebahagian daripada imej daun dikaitkan dengan pengelasannya. Penjelasan ini berguna untuk menyemak sesuatu kes yang tertentu, tetapi ia tidak semestinya menggambarkan tingkah laku model dalam semua kes. Penjelasan tentang tingkah laku umum model Ia berusaha menjawab soalan seperti:

• Apakah jenis maklumat yang lazimnya menjadi sandaran model?
• Adakah ramalan hasil meningkat atau menurun apabila sesuatu pemboleh ubah berubah?
• Adakah tingkah lakunya berbeza antara kultivar atau wilayah?
• Pemboleh ubah manakah yang kerap muncul antara faktor yang berpengaruh?
• Adakah ia menjadi lemah apabila sesuatu jenis data tiada?

Tahap ini membantu dalam memahami model merentas satu set kes yang besar, tetapi dengan sendirinya ia tidak menjelaskan sesuatu keputusan individu. Model itu mungkin secara umumnya bergantung kepada cuaca dan tanah, sedangkan hasil bagi suatu ladang tertentu mungkin telah dipengaruhi terutamanya oleh bacaan luar biasa daripada satu penderia. Oleh itu, penjelasan umum tidak sepatutnya digunakan sebagai ganti kepada penjelasan kes, atau sebaliknya. Apakah bentuk yang boleh diambil oleh penjelasan? Terdapat pelbagai cara untuk mengemukakan penjelasan, dan setiap satunya mempunyai makna dan hadnya sendiri. 1\. Memaparkan faktor yang berkaitan dengan hasil Sistem mungkin memaparkan satu senarai seperti berikut:

• Kelembapan tanah yang rendah: meningkatkan anggaran risiko.
• Suhu ramalan yang tinggi: meningkatkan anggaran itu.
• Kebarangkalian hujan: mengurangkan anggaran itu.
• Tiada bacaan terkini: mengurangkan keyakinan.

Senarai ini menunjukkan bagaimana model mengendalikan maklumat tersebut, tetapi ia tidak membuktikan bahawa faktor-faktor ini menyebabkan keadaan pertanian itu. 2\. Menyerlahkan sebahagian daripada imej Sesuatu alat kebolehjelasan mungkin mewarnakan bahagian-bahagian imej daun untuk menunjukkan kawasan yang paling kuat berkaitan dengan keputusan itu. Ini mungkin membantu mendedahkan bahawa model itu menumpukan pada:

• Bintik yang berkaitan.
• Pinggir daun.
• Latar belakang imej.
• Tanda label yang diletakkan di sebelah tumbuhan.
• Bayang atau pantulan yang tidak berkaitan dengan keadaan itu.

Tetapi kawasan berwarna itu tidak bermakna model itu 'melihat penyakit' sebagaimana seorang pakar akan melihatnya, dan ia juga tidak membuktikan bahawa bahagian yang diserlahkan itu menyebabkan pengelasan tersebut. Ia merupakan satu tanda hubungan pengiraan dalam model yang memerlukan tafsiran yang berhati-hati. 3\. Membandingkan keputusan dengan kes yang serupa Sistem mungkin menyatakan: Kes ini menyerupai contoh-contoh terdahulu yang dikelaskan dalam kategori yang sama. Perbandingan ini membantu pengguna melihat asas kesamaan itu. Tetapi pengguna sepatutnya mengetahui:

• Adakah contoh-contoh terdahulu itu didokumentasikan?
• Adakah ia datang daripada tanaman, kultivar, dan persekitaran yang serupa?
• Adakah kesamaan itu pada gejalanya, atau pada latar belakang dan pencahayaannya?
• Adakah terdapat contoh serupa yang membawa kepada keputusan yang berbeza?

4\. Menyatakan apa yang akan mengubah keputusan Alat itu mungkin menyatakan: Jika bacaan kelembapan lebih tinggi dalam pengiraan model, anggaran risiko akan menjadi lebih rendah. Ini menunjukkan kepekaan model terhadap perubahan pada input, tetapi ia tidak membuktikan bahawa meningkatkan kelembapan secara sebenar akan menghalang risiko itu di ladang. Ia memerihalkan perubahan dalam pengiraan model, bukan kesan sesuatu intervensi pertanian yang sebenar. Di sini sekali lagi, perbezaan itu muncul antara: Apakah yang mengubah keputusan model? dengan: Apakah yang mengubah realiti pertanian? Tafsiran mungkin merupakan penghampiran, bukan pendedahan penuh Sesetengah model agak mudah, dan kaedah pengiraannya boleh dijejaki secara langsung. Namun dengan sesetengah model yang kompleks, satu alat lain digunakan selepas keputusan dihasilkan untuk cuba menghampiri sebab-sebab di sebaliknya. Dalam kes kedua, tafsiran itu bukanlah satu tingkap lengkap kepada segala yang berlaku di dalam model. Ia mungkin merupakan penyederhanaan atau penghampiran kepada perilakunya. Oleh itu, tafsiran itu sendiri sepatutnya diuji:

• Adakah ia berubah dengan ketara jika data berubah sedikit sahaja?
• Adakah ia memberikan tafsiran yang serupa bagi keputusan yang bercanggah?
• Adakah ia benar-benar mencerminkan apa yang digunakan oleh model?
• Bolehkah ia membezakan faktor yang penting daripada faktor yang sekadar berkaitan dengannya?
• Adakah tafsiran itu kekal stabil selepas model dikemas kini?

Maka jika senarai 'faktor paling penting' berubah secara radikal selepas satu perubahan kecil yang tidak mengubah keputusan, tafsiran itu mungkin tidak stabil, walaupun grafiknya kelihatan meyakinkan. Faktor yang berkaitan antara satu sama lain Data mungkin mengandungi pemboleh ubah yang bergerak bersama, seperti:

• Suhu dan penyejatan.
• Musim dan panjang hari.
• Jenis tanah dan saliran.
• Saiz ladang dan jenis peralatan.
• Pengalaman dan kualiti penyimpanan rekod.

Apabila pemboleh ubah berkorelasi dengan kuat, alat kebolehjelasan mungkin mengagihkan kepentingan antaranya dengan cara yang berbeza-beza. Satu daripadanya mungkin muncul hampir di puncak walaupun satu lagi membawa maklumat yang serupa. Oleh itu, susunan faktor tidak sepatutnya dibaca sebagai satu susunan tetap punca-punca pertanian. Seorang pakar mungkin perlu meneliti hubungan antara faktor-faktor itu, dan sama ada model itu menggunakan satu daripadanya sebagai pengganti kepada yang lain. Had asas kebolehjelasan Kebolehjelasan mempunyai had yang mesti kekal kelihatan:

• Ia memerihalkan apa yang digunakan oleh model, dan tidak semestinya menetapkan apa yang menyebabkan fenomena itu di ladang.
• Ia mungkin merupakan penghampiran kepada perilaku model, bukan perihalan lengkap tentang cara ia mengira.
• Ia tidak menukarkan model yang salah menjadi model yang betul.
• Ia tidak menggantikan data yang tidak mencukupi atau ukuran yang rosak.
• Ia tidak membuktikan bahawa data latihan mewakili ladang yang baharu.
• Ia tidak membuktikan bahawa kebarangkalian itu tertentukur atau bahawa keputusan itu tepat.
• Ia tidak secara automatik mewajarkan tindakan yang dicadangkan.
• Ia mungkin kelihatan meyakinkan walaupun ketika kes itu terletak di luar julat apa yang telah dipelajari oleh model.
• Ia mungkin berubah apabila alat kebolehjelasan yang berbeza digunakan.
• Ia mungkin menyembunyikan ketidakstabilan di sebalik grafik yang jelas dan menarik.

Kebolehjelasan, dengan itu, ialah alat untuk penelitian dan kebertanggungjawaban, bukan satu sijil validasi. Kebolehjelasan tidak membaiki kesilapan data Andaikan sebuah penderia kelembapan tanah tidak menghantar bacaan terkini, lalu sistem menggunakan bacaan terakhir yang tersimpan dari enam jam sebelumnya. Sesuatu alat kebolehjelasan mungkin menunjukkan bahawa kelembapan merupakan faktor penting dalam keputusan itu, tetapi ia tidak menjadikan bacaan lama itu terkini. Begitu juga, jika imej latihan tidak mewakili suatu kultivar atau wilayah tertentu, sistem mungkin menjelaskan keputusan bagi imej baharu itu, tetapi penjelasan tersebut tidak membuktikan bahawa model itu sah bagi persekitaran berkenaan. Kebolehjelasan sepatutnya mengemukakan kualiti data bersama-sama kesannya, seperti:

• Masa bacaan yang terkini.
• Kewujudan nilai yang hilang.
• Status penentukuran penderia.
• Sumber data.
• Sejauh mana kes itu menyerupai data latihan.
• Sama ada keputusan itu berada dalam julat yang mana model itu telah diuji.

Sesuatu faktor yang berpengaruh tidak berguna jika nilainya sendiri tidak boleh dipercayai. Kebolehjelasan tidak membuktikan kausaliti Jika sistem menunjukkan bahawa kelembapan merupakan faktor yang berpengaruh dalam ramalan hasil, itu bermakna model telah menggunakan maklumat kelembapan semasa mengira keputusan itu. Tetapi ia tidak membuktikan bahawa mengubah kelembapan sahaja akan mengubah hasil dengan kadar yang sama. Kelembapan mungkin berkaitan dengan faktor-faktor lain, seperti:

• Jenis tanah.
• Sistem pengairan.
• Cuaca.
• Peringkat pertumbuhan.
• Pengurusan ladang.
• Kultivar.

Untuk menentukan kesan sesuatu intervensi tertentu, kita memerlukan satu eksperimen atau reka bentuk kausal, berserta pengetahuan pertanian yang sesuai, sebagaimana yang telah dijelaskan dalam bahagian sebelumnya. Satu peraturan utama: kebolehjelasan model memberitahu kita bagaimana pengiraannya berubah, bukan bagaimana ladang itu semestinya akan berubah jika kita mengubah salah satu daripada inputnya. Had inferens daripada kajian ramalan hasil Kajian ramalan hasil [SRC006] memberikan satu contoh penggunaan model regresi dengan alat yang membantu mentafsir keputusannya dalam suatu tetapan penyelidikan yang tertentu. Kajian itu boleh digunakan untuk memahami:

• Jenis data yang disalurkan ke dalam model-model itu.
• Kaedah ramalan yang digunakan dalam kajian itu.
• Bagaimana alat kebolehjelasan diterapkan dalam tetapan tersebut.
• Keputusan yang dilaporkan oleh para penyelidik dalam had data dan reka bentuk kajian mereka.

Tetapi susunan pemboleh ubah atau kepentingannya dalam kajian itu tidak boleh ditukarkan menjadi satu kaedah kausal umum bagi setiap ladang. Jika sesuatu pemboleh ubah tertentu kelihatan berpengaruh dalam ramalan model, itu tidak membuktikan:

• bahawa ia merupakan punca utama hasil dalam semua persekitaran.
• bahawa mengubah pemboleh ubah ini akan menghasilkan kesan yang sama di ladang yang lain.
• bahawa susunan faktor akan kekal stabil dalam varieti atau musim yang lain.
• bahawa model itu sesuai untuk membuat suatu cadangan intervensi secara langsung.
• bahawa keputusan pengiraan itu membayangkan suatu impak ekonomi atau impak di ladang secara umum.

Kesimpulan yang dibenarkan kekal dalam had kajian dan tetapan penilaian yang digunakannya. Apakah yang diperlukan oleh petani daripada penjelasan? Penjelasan yang berguna bagi petani tidak bermula dengan rajah teknikal atau senarai panjang pemboleh ubah. Sebaliknya, ia menjawab enam soalan:

1. Apakah keputusannya?

Apakah sebenarnya yang dinyatakan oleh sistem itu?

2. Apakah maklumat yang menjadi sandarannya?

Bacaan, imej, atau rekod yang manakah mempengaruhi keputusan itu?

3. Apakah keadaan maklumat ini?

Adakah ia terkini, lengkap, dan tertentukur, ataupun adakah terdapat bacaan yang lama atau yang hilang?

4. Apakah darjah ketidakpastiannya?

Adakah keputusan itu jelas, hampir dengan ambang, atau berada di luar julat pengalaman model?

5. Apakah yang tidak ditetapkan oleh penjelasan itu?

Adakah keputusan itu suatu amaran awal, suatu diagnosis, atau sekadar suatu ramalan?

6. Apakah langkah seterusnya yang selamat?

Apakah ukuran, pemeriksaan, atau semakan yang diperlukan sebelum keputusan itu diubah?

Dengan cara ini, penjelasan menjadi satu alat kerja, bukan satu paparan teknikal yang terpisah daripada keputusan. Membingkai semula contoh itu Daripada menyatakan: "Risiko tekanan air meningkat kerana kelembapan lapisan permukaan menurun sepanjang tiga hari dan suhu ramalan meningkat..." —suatu ungkapan yang mungkin difahami sebagai bukti kausal—kita boleh menyatakan: "Sistem meningkatkan anggarannya tentang kebarangkalian tekanan air kerana bacaan kelembapan lapisan permukaan menurun sepanjang tiga hari yang lalu, dan kerana ramalan suhu meningkat. Tetapi penderia di sektor 4 tidak menghantar bacaan baharu selama enam jam, maka anggaran itu mungkin berasaskan data yang tidak lengkap. Sebelum melaraskan jadual pengairan, periksa penderia itu, ambil satu ukuran bebas daripada sektor tersebut, dan bandingkan keputusannya dengan sektor bersebelahan dalam keadaan yang serupa." Ungkapan ini menjelaskan:

• bahawa perbincangan itu berkenaan anggaran model, bukan suatu punca yang disahkan.
• data yang manakah mempengaruhi anggaran itu.
• bahawa satu input data adalah tidak lengkap.
• bagaimana kekurangan itu menjejaskan keyakinan.
• apakah langkah seterusnya.
• bahawa melaraskan pengairan tidak ditukarkan menjadi suatu arahan automatik.

Satu contoh daripada imej daun Sistem mungkin menyatakan: "Model mengelaskan imej itu sebagai kes yang disyaki, dan keputusan itu berkaitan terutamanya dengan bintik-bintik berhampiran pinggir daun. Tetapi imej itu tidak menunjukkan bahagian bawahnya, dan model tidak membezakan dengan yakin antara kemungkinan penyakit dengan kekurangan nutrien. Hantarkan imej yang lebih jelas bagi kedua-dua belah, dan nyatakan di manakah gejala itu muncul pada tumbuhan dan bagaimana ia tertabur di ladang sebelum beralih kepada suatu diagnosis atau rawatan." Penjelasan ini lebih baik daripada peta berwarna semata-mata, kerana ia menunjukkan:

• Di manakah model itu menumpukan perhatian.
• Kemungkinan-kemungkinan yang manakah bertindih.
• Apakah maklumat yang hilang.
• Apakah langkah seterusnya.
• Bahawa pengelasan itu bukanlah suatu diagnosis muktamad.

Satu contoh daripada ramalan hasil Sistem mungkin menyatakan: "Hasil yang diramalkan berada di bawah purata sejarah ladang ini. Dalam model, faktor-faktor yang paling kuat berkaitan dengan ramalan yang lebih rendah itu ialah penanaman yang tertangguh, kelembapan tanah yang rendah dalam suatu tempoh tertentu, dan suhu ramalan yang lebih tinggi. Tetapi rekod itu tidak mengandungi maklumat lengkap tentang rawatan yang terkini, dan model itu belum diuji di ladang ini semasa suatu musim yang amat panas. Keputusan itu sepatutnya dianggap sebagai suatu senario perancangan, bukan suatu nilai yang terjamin." Ungkapan ini menghalang penjelasan itu daripada ditukarkan menjadi:

• Suatu punca yang disahkan.
• Suatu janji hasil.
• Suatu cadangan intervensi.
• Suatu generalisasi melangkaui skop ujian.

Bilakah penjelasan itu tidak mencukupi? Penjelasan itu sendiri tidak sepatutnya dijadikan sandaran apabila:

• Data kritikal hilang atau sudah lapuk.
• Kes itu terletak di luar tanaman atau varieti yang mana model itu telah diuji.
• Keputusan itu hampir dengan ambang keputusan.
• Beberapa penderia bercanggah antara satu sama lain.
• Kesilapan yang berpotensi berlaku berkaitan dengan keselamatan manusia atau haiwan.
• Keputusan itu membawa kepada suatu dos atau suatu bahan yang dikawal selia.
• Sistem itu mengawal sebuah mesin yang bergerak.
• Pengguna tidak dapat memeriksa penjelasan itu atau sumbernya.
• Penjelasan itu berubah secara radikal dengan perubahan kecil pada data.
• Terdapat jurang antara apa yang dijelaskan oleh model dengan apa yang perlu ditetapkan oleh keputusan itu.

Dalam kes-kes ini, penjelasan itu sepatutnya membawa kepada pemeriksaan atau eskalasi, bukan sekadar kepada keyakinan yang lebih besar. Soalan praktikal untuk menilai penjelasan Pembaca atau pembeli boleh bertanya:

• Adakah sistem itu menjelaskan hasil sesuatu kes tunggal, atau perilaku umumnya?
• Adakah ia menjelaskan data yang manakah menjadi sandarannya, dan bila data itu diambil?
• Adakah ia menunjukkan data yang hilang atau yang tidak boleh dipercayai?
• Adakah penjelasan itu suatu perihalan langsung tentang model, atau suatu penghampiran yang dihasilkan oleh alat lain?
• Adakah penjelasan itu berubah dengan perubahan kecil pada input?
• Adakah pembangunnya telah meneliti kemungkinan bahawa model itu bergantung kepada latar belakang atau kepada peranti?
• Adakah sistem itu membezakan antara korelasi dengan kausaliti?
• Adakah ia menjelaskan julat tanaman, lokasi, dan musim yang mana ia telah diuji?
• Bolehkah pengguna memahami penjelasan itu tanpa kepakaran pengaturcaraan?
• Adakah penjelasan itu membawa kepada suatu langkah yang selamat dan boleh dilaksanakan?
• Bolehkah seorang manusia membantah keputusan itu atau mengatasinya?
• Adakah data dan versi yang menghasilkan penjelasan itu disimpan untuk semakan kemudian?

Untuk pembaca lanjutan: penjelasan itu sepatutnya dinilai dari segi sejauh mana setianya ia mewakili perilaku model, sejauh mana ia kekal stabil di bawah perubahan kecil, sejauh mana ia boleh difahami, dan sejauh mana ia sesuai dengan pengguna dan keputusan itu. Sebuah model yang lebih mudah dan lebih jelas mungkin lebih baik bagi sesuatu keputusan sensitif berbanding sebuah model yang mendapat skor sedikit lebih tinggi pada suatu metrik makmal tetapi memerlukan suatu penjelasan hampiran yang tidak stabil. Kesimpulan Kecerdasan buatan boleh dijelaskan tidak menjadikan model itu sedar akan sebab-sebabnya, tidak menukarkan suatu hubungan statistik menjadi suatu punca pertanian, dan tidak secara automatik memberikan kesahihan kepada keputusan itu. Peranannya yang terbaik ialah membantu kita bertanya:

• Apakah maklumat yang digunakan oleh model?
• Adakah maklumat itu tepat dan terkini?
• Adakah ia menumpukan pada apa yang sepatutnya ditumpukan?
• Apakah yang tidak diambil kiranya?
• Apakah had keyakinannya?
• Dan apakah yang perlu disahkan sebelum mengambil tindakan?

Mesej bahagian ini boleh diringkaskan dalam ungkapan berikut: Suatu penjelasan yang baik bukan sekadar memberitahu kita mengapa angka itu terhasil sedemikian; ia mendedahkan data yang menghasilkannya, had yang mengekangnya, dan langkah yang menghalangnya daripada ditukarkan menjadi suatu keputusan yang buta.

10. Sistem Pertanian Pintar Ialah Satu Sistem Bersepadu, Bukan Model yang Berdiri Sendiri

Apabila kita menyatakan bahawa sesebuah ladang menggunakan suatu 'model pengairan pintar' atau suatu 'sistem pengesanan penyakit pintar', pembaca mungkin membayangkan satu program tunggal yang menerima data lalu mengeluarkan keputusan. Tetapi sistem pertanian yang berguna umumnya tidak berfungsi dengan cara yang dipermudahkan sebegini. Ia lebih menyerupai suatu rantaian yang saling berhubung: ia bermula dengan mengukur apa yang sedang berlaku di ladang, melalui pemeriksaan dan penganalisisan data serta perbandingannya dengan kekangan pertanian, dan berakhir dengan mengemukakan suatu cadangan kepada seorang manusia atau dengan melaksanakan suatu tindakan automatik dalam had yang ditentukan. Atas sebab ini, ia diperihalkan sebagai suatu sistem hibrid: ia tidak bergantung kepada satu jenis kecerdasan buatan sahaja, dan ia tidak menyerahkan keputusan kepada suatu model yang berdiri sendiri. Sebaliknya, ia menggabungkan penderia, model yang dilatih pada data, peraturan yang ditetapkan oleh pakar, alat untuk memilih antara alternatif, peralatan, dan manusia yang bertanggungjawab ke atas keputusan itu. Sistem bersepadu ini mungkin terdiri daripada lapisan-lapisan berikut:

1. Pengumpulan maklumat:

Rantaian itu bermula dengan sebuah penderia yang mengukur kelembapan atau suhu tanah, atau dengan satu imej yang dirakam oleh telefon atau dron, atau dengan satu rekod yang padanya pekerja mencatatkan apa yang berlaku di ladang. Lapisan ini tidak memberikan suatu keputusan; sebaliknya, ia menyampaikan suatu perihalan separa tentang realiti, yang mungkin tepat atau tidak lengkap, atau terjejas oleh kerosakan peranti atau oleh kaedah pengukuran.

2. Memeriksa kualiti data:

Sebelum sistem menggunakan sesuatu bacaan, ia memeriksa sama ada bacaan itu munasabah. Jika sebuah penderia kelembapan melaporkan suatu lonjakan mengejut yang tidak sepadan dengan hujan atau pengairan, atau sebuah peranti berhenti menghantar, atau sebahagian bacaan tiba dalam unit yang berbeza, nilai-nilai itu tidak sepatutnya dilepaskan kepada bahagian lain sistem seolah-olah ia merupakan fakta yang boleh dipercayai. Sistem mungkin mengecualikannya, menurunkan keyakinannya terhadapnya, atau meminta agar peranti itu diperiksa.

3. Membentuk suatu anggaran atau suatu ramalan:

Sebuah model analitik menggunakan data yang ada untuk menganggarkan suatu keadaan yang tidak boleh diukur secara langsung, atau untuk meramalkan apa yang mungkin berlaku kemudian. Ia mungkin menganggarkan kebarangkalian sesuatu tumbuhan berpenyakit daripada satu imej, meramalkan perubahan kelembapan tanah sepanjang beberapa jam akan datang, atau menganggarkan isi padu permintaan air pada hari berikutnya. Output ini kekal sebagai suatu anggaran, yang dikawal oleh kualiti data dan had apa yang telah dipelajari oleh model.

4. Menerapkan peraturan pertanian dan kawal selia:

Bukan setiap keputusan yang diramalkan ditukarkan menjadi suatu cadangan automatik. Mungkin terdapat suatu peraturan yang menghalang pengairan apabila kelajuan angin melebihi suatu ambang tertentu, atau menghalang pencadangan suatu bahan yang tidak berdaftar bagi tanaman atau wilayah itu, atau menghendaki kes itu dirujuk kepada seorang pakar apabila diagnosisnya tidak muktamad. Peraturan-peraturan ini tidak semestinya dipelajari daripada data; ia ditetapkan untuk melindungi tanaman, pekerja, dan alam sekitar, serta untuk mematuhi arahan rasmi.

5. Menimbang alternatif yang ada:

Jika beberapa pelan yang mungkin tersedia, sistem menggunakan suatu alat pengiraan untuk membandingkannya dan memilih pelan yang paling sesuai dalam kekangan yang ada. Ia mungkin, sebagai contoh, cuba mengagihkan suatu kuantiti air yang terhad antara beberapa sektor sambil mengambil kira keperluan tanaman, kapasiti pam, waktu operasi, dan kos tenaga. Di sini, 'paling sesuai' tidak bermakna wujudnya suatu penyelesaian ideal yang mutlak; ia bermakna penyelesaian terbaik berdasarkan objektif dan kekangan yang dimasukkan ke dalam sistem.

6. Mengemukakan keputusan, asasnya, dan hadnya:

Antara muka sepatutnya menjelaskan kepada pengguna apa yang dicadangkan oleh sistem, data yang manakah menjadi sandarannya, sejauh mana keyakinannya, dan kekangan atau bacaan yang hilang yang manakah mungkin menjejaskan keputusan itu. Satu jadual yang menyatakan 'Jalankan pengairan selama dua jam' adalah kurang berguna dan kurang selamat berbanding suatu paparan yang menentukan sektor yang berkenaan, sebab cadangan itu, masa pengukuran, status penderia, dan sama ada pelan itu memerlukan kelulusan.

7. Semakan atau pelaksanaan:

Dalam sesetengah sistem, petani atau penyelia menyemak cadangan itu sebelum ia dilaksanakan. Dalam sistem yang lain, arahan mungkin dihantar secara automatik kepada pam atau injap, tetapi dalam had operasi dan keselamatan yang ditetapkan terlebih dahulu. Manusia mesti mengekalkan kuasa untuk menghentikan sistem itu atau mengatasi keputusannya apabila mereka menyedari sesuatu yang tidak tertangkap oleh data.

Mari kita pertimbangkan contoh pengairan. Prosesnya mungkin bermula dengan bacaan kelembapan tanah, data cuaca, dan peringkat pertumbuhan tanaman. Sistem mula-mula menyemak bacaan tersebut untuk memastikan penderia berfungsi dan unit ukurannya betul. Kemudian ia menggunakan satu model yang menjejaki perubahan kelembapan dari semasa ke semasa untuk meramalkan keperluan air setiap sektor pada hari berikutnya. Namun ramalan itu sahaja tidak menentukan pelan pengairan. Peraturan pertanian mungkin menambah kekangan yang menghalang penambahan air pada tanah yang salirannya lemah, atau memberikan keutamaan kepada tanaman yang sedang melalui peringkat pertumbuhan yang sensitif. Selepas itu, satu program perancangan membandingkan alternatif yang mungkin dan mengagihkan kapasiti pam serta masa operasi merentas sektor yang berlainan. Sebelum pelaksanaan, lapisan keselamatan menyemak bahawa tiada percanggahan antara penderia, dan bahawa tekanan rangkaian serta status injap membenarkan pelan itu. Kemudian ia mengemukakan keputusan itu kepada operator untuk kelulusan, atau melaksanakannya secara automatik jika ia berada dalam had yang dibenarkan. Dalam contoh ini, 'kecerdasan buatan' tidak membuat keputusan itu dengan sendirinya. Model memberikan ramalan, peraturan mengenakan kekangan, alat perancangan memilih antara alternatif, lapisan keselamatan menyemak sama ada pelaksanaan itu boleh dilakukan, dan operator kekal bertanggungjawab terhadap keputusan akhir. Oleh itu, menggambarkan keseluruhan sistem itu sebagai 'model pengairan AI' menyembunyikan bahagian-bahagian penting tentang cara ia berfungsi dan menyukarkan penentuan di mana kesilapan itu berlaku dan siapa yang bertanggungjawab terhadapnya. Sesuatu model mungkin tepat, sedangkan sistemnya gagal pada peringkat yang lain. Contohnya termasuk yang berikut:

• Satu penderia menghantar bacaan dalam unit yang berbeza daripada yang dijangkakan oleh sistem.
• Ramalan itu bergantung kepada data lama yang tiba selepas tetingkap keputusan berlalu.
• Suatu keputusan yang berkaitan dengan sektor timur dihubungkan kepada injap bagi sektor barat.
• Alat perancangan memilih satu pelan yang kukuh dari segi pengiraan tetapi melebihi kapasiti sebenar pam.
• Antara muka memaparkan satu nombor tanpa menyatakan masa pengukuran atau darjah keyakinan terhadapnya.
• Sistem menghantar arahan yang betul, tetapi injap tidak melaksanakannya dan tidak memulangkan isyarat yang mengesahkan statusnya.
• Keputusan dilaksanakan secara automatik tanpa memberikan operator satu cara yang jelas untuk menghentikannya.

Satu ulasan tentang pendigitalan pertanian menggambarkan satu laluan yang saling berhubung yang bermula dengan penderiaan, melalui data, konteks, dan pembuatan keputusan, dan berakhir dengan tindakan dalam dunia sebenar [SRC035]. Kepentingan konsepsi ini terletak pada hakikat bahawa kualiti setiap peringkat bergantung kepada apa yang sampai kepadanya daripada peringkat sebelumnya, dan bahawa satu kesilapan kecil mungkin diperbesar apabila ia bergerak melalui rantaian itu. Jika bacaan kelembapan itu salah, ia mungkin menghasilkan ramalan yang salah. Jika ramalan itu betul tetapi dihantar terlalu lewat, pelan itu mungkin menjadi tidak sesuai pada masa ia dilaksanakan. Jika pelan itu betul tetapi diarahkan kepada injap yang salah, satu sektor yang tidak memerlukan air mungkin terjejas sementara sektor yang benar-benar memerlukannya kekal tidak diairi. Itulah sebabnya menyemak sambungan antara komponen sistem mungkin lebih penting daripada mencapai peningkatan yang sedikit pada ketepatan algoritma itu sendiri. Bagi pembaca yang mendalam: Tidak memadai untuk menilai model itu secara terasing daripada sistem tempat ia beroperasi. Kesilapan perlu dijejaki bermula daripada pengukuran pertama hinggalah kepada impak ladang yang terakhir: berapa besarkah ralat penderia? Bagaimanakah nilai yang hilang dikendalikan? Adakah ramalan itu tiba tepat pada masanya? Bagaimanakah ia ditukarkan menjadi satu peraturan keputusan? Adakah alat perancangan mengambil kira kekangan sebenar? Adakah arahan itu dilaksanakan pada peralatan yang dimaksudkan? Dan apakah impak pertanian yang terhasil daripadanya? Sesuatu model mungkin kelihatan lebih baik dalam ujian pengiraan, sedangkan sistem yang menggunakan model yang lebih ringkas mungkin lebih boleh dipercayai kerana kualiti datanya, kejelasan peraturannya, dan kekuatan lapisan keselamatannya. Bukan setiap lapisan dalam sistem itu wajar menjadi 'pintar' semata-mata kerana perkara itu boleh dilakukan dari segi teknikal. Di sesetengah tempat, satu peraturan tetap adalah lebih jelas, lebih mudah diuji, dan lebih selamat daripada sebuah model yang dipelajari. Menghalang sebuah mesin daripada beroperasi apabila pengadang keselamatan terbuka tidak memerlukan model yang meramalkan sama ada operasi itu berbahaya; ia memerlukan satu peraturan eksplisit yang tidak boleh diketepikan. Sebaliknya, pembelajaran mungkin berguna dalam menganalisis imej yang kompleks atau menjangkakan perubahan yang sukar digambarkan dengan satu set peraturan yang ringkas. Kejuruteraan yang matang tidak bermula dengan soalan, 'Di manakah kita boleh menambah kecerdasan buatan?' Sebaliknya, ia bermula dengan soalan yang lebih tepat:

• Bahagian manakah dalam masalah itu yang perlu belajar daripada data?
• Bahagian manakah yang memerlukan peraturan pertanian atau kawal selia yang eksplisit?
• Keputusan manakah yang boleh dilaksanakan secara automatik, dan yang manakah memerlukan kelulusan manusia?
• Di manakah sambungan antara komponen mungkin gagal?
• Bagaimanakah pengguna tahu bahawa data itu tidak lengkap atau bahawa pelaksanaan tidak berlaku seperti yang dirancang?
• Siapakah yang mempunyai kuasa untuk menghentikan sistem itu dan mengatasinya apabila timbul keadaan yang tidak dijangka?

Peraturan yang mengawal: Kualiti sesebuah sistem pertanian tidak diukur berdasarkan model paling pintar di dalamnya, tetapi berdasarkan keselamatan keseluruhan rantaian, bermula daripada bacaan pertama di ladang hinggalah kepada tindakan akhir yang dilaksanakan di sana.

11. Panduan Awal untuk Menghubungkan Tugas, Kaedah dan Pengesahsahihan

Kaedah yang sesuai tidak bermula dengan nama algoritma, tetapi dengan soalan yang kita ingin jawab dan tindakan yang mungkin berasaskan jawapan itu. Imej yang sama mungkin berfungsi sebagai input untuk mengelaskan keadaan sehelai daun, mengesan lokasi rumpai, atau mengukur keluasan kerosakan, tetapi setiap tugas ini memerlukan data rujukan yang berbeza, menghasilkan output yang berbeza, dan dinilai dengan metrik yang berbeza. Panduan berikut bukanlah resipi automatik untuk memilih algoritma, dan ia juga tidak bermakna bahawa setiap masalah pertanian tergolong dalam satu kategori tunggal. Ia ialah satu peta awal yang membantu pembaca menghubungkan enam perkara:

1. Tugas: Apakah soalan pertanian yang kita ingin jawab?
2. Data: Apakah maklumat yang diperlukan untuk menjawabnya?
3. Keluarga kaedah: Apakah jenis analisis yang boleh menangani soalan itu?
4. Output: Apakah keputusan yang sepatutnya diberikan oleh sistem?
5. Metrik prestasi: Bagaimanakah kita tahu bahawa keputusan itu berguna, bukan sekadar kelihatan baik?
6. Soalan keselamatan dan pengesahsahihan: Apakah yang mesti disemak sebelum keputusan itu ditukarkan menjadi sesuatu keputusan atau tindakan?

Jawapan kepada soalan-soalan ini tidak lengkap sehinggalah tanaman, persekitaran, masa keputusan, kos kesilapan, dan keupayaan pengguna untuk bertindak balas telah ditentukan. 1\. Mengelaskan keadaan sehelai daun daripada imej Tugas: Menentukan kelas manakah yang paling sepadan dengan imej daun itu, seperti sihat, terjejas oleh sesuatu keadaan tertentu, atau tidak dapat ditentukan. Data yang diperlukan: Imej yang pelbagai bagi tisu yang sihat dan keadaan berpenyakit, setiap satunya dihubungkan kepada kelas rujukan yang disahkan oleh pakar atau satu ujian yang boleh dipercayai. Tidak memadai imej itu sekadar banyak; ia juga mesti mewakili variasi dalam kultivar, peringkat pertumbuhan, pencahayaan, peranti pengimejan, dan keterukan simptom. Keluarga kaedah: Model pengelasan imej. Output yang dimaksudkan: Nama keadaan yang paling berkemungkinan dan satu skor keyakinan, dengan pilihan untuk sistem menyatakan 'tidak dapat ditentukan' atau meminta imej tambahan apabila bukti tidak mencukupi. Apakah yang kita ukur? Kadar kejayaan keseluruhan tidak memadai. Kita sepatutnya mengukur keupayaan sistem untuk mengesan setiap keadaan yang penting, bilangan kes yang terlepas olehnya, bilangan amaran palsu, dan kes-kes yang dikelirukannya antara satu sama lain. Soalan keselamatan dan pengesahsahihan: Apakah yang dilakukan oleh sistem jika ia menemui penyakit yang tidak pernah dipelajarinya, simptom yang timbul daripada lebih daripada satu punca, atau imej yang berkualiti rendah? Adakah ia merujukkan kes yang tidak jelas kepada pakar, ataupun memaksanya masuk ke dalam salah satu kelas yang diketahui? 2\. Mengesan lokasi rumpai sebagai persediaan untuk menanganinya Tugas: Mengesan rumpai dalam imej dan menentukan lokasinya dengan kepersisan yang cukup untuk mengarahkan seorang pekerja atau sebuah mesin kepadanya. Data yang diperlukan: Imej atau klip video yang menunjukkan lokasi rumpai dan tanaman, dengan anotasi rujukan tentang kedudukannya. Jika sistem itu hendak memandu sebuah mesin, ia juga memerlukan maklumat penentukuran yang menghubungkan kedudukan objek dalam imej dengan kedudukan sebenarnya di hadapan alat tersebut. Keluarga kaedah: Kerja bermula dengan pengesanan objek atau penggarisan sempadan objek dalam imej; keputusannya kemudian dihantar kepada satu sistem kawalan yang menentukan pergerakan alat itu. Output yang dimaksudkan: Lokasi rumpai, sempadannya, dan skor keyakinan bagi pengesanannya, diikuti oleh koordinat yang boleh digunakan oleh mesin itu tepat pada masanya. Apakah yang kita ukur? Kita mengukur rumpai yang manakah telah dikesan dan yang manakah terlepas, ketepatan penentuan lokasinya, kepantasan keputusan itu tiba, dan bilangan pokok tanaman yang rosak semasa pelaksanaan. Soalan keselamatan dan pengesahsahihan: Adakah alat itu berhenti jika sistem kehilangan keyakinan, jika seseorang atau seekor haiwan memasuki kawasan kerja, atau jika menjadi mustahil untuk membezakan rumpai daripada tanaman? Dan adakah keseluruhan rantaian itu telah diuji, bermula daripada kamera hinggalah kepada pergerakan alat, bukannya model imej itu sahaja? 3\. Ramalan hasil Tugas: Menganggarkan kuantiti tanaman yang dijangka dituai daripada sesuatu kawasan yang ditentukan. Data yang diperlukan: Ukuran hasil yang terdahulu, dan data tentang cuaca, tanah, kultivar, peringkat pertumbuhan, dan amalan pertanian, dengan sumber bagi setiap nilai dan unit ukurannya dinyatakan dengan jelas. Keluarga kaedah: Model regresi, atau model yang mengkaji bagaimana data berubah dari semasa ke semasa; model ruangan boleh ditambah jika keadaan berbeza di dalam ladang atau antara wilayah. Output yang dimaksudkan: Satu anggaran hasil dalam unit yang boleh difahami, seperti kilogram bagi setiap hektar, disertai satu julat yang menunjukkan darjah ketidakpastian dan bukannya satu nombor tunggal yang membayangkan kepersisan yang palsu. Apakah yang kita ukur? Ralat diukur dalam unit yang sama dengan hasil, sambil turut menyemak sama ada julat keyakinan yang dinyatakan itu selari dengan keputusan sebenar. Jika sistem menyatakan bahawa hasil berkemungkinan jatuh dalam julat tertentu, kita sepatutnya menguji seberapa kerap hal itu benar-benar berlaku. Soalan keselamatan dan pengesahsahihan: Adakah model itu telah diuji di ladang, musim, atau wilayah yang bukan sebahagian daripada latihannya? Dan adakah pengguna memahami bahawa ramalan itu berasaskan keadaan lampau yang mungkin tidak mewakili suatu musim yang luar biasa atau kultivar yang baharu? 4\. Menyediakan jadual pengairan Tugas: Menentukan bila sektor-sektor itu perlu diairi dan berapa banyak air yang perlu diterima oleh setiap sektor, sambil mengambil kira keperluan tanaman dan kapasiti rangkaian pengairan. Data yang diperlukan: Kelembapan tanah, cuaca, peringkat pertumbuhan tanaman, sifat tanah, sumber air, kapasiti pam, status injap, serta kekangan masa dan operasi. Keluarga kaedah: Sistem boleh menggabungkan satu model yang meramalkan keperluan air, peraturan pertanian yang menghalang keputusan yang tidak selamat, dan satu program perancangan yang membandingkan alternatif dan mengagihkan sumber yang ada. Output yang dimaksudkan: Satu jadual boleh laksana yang menetapkan sektor, masa, kuantiti, dan tempoh operasi, berserta satu pelan sandaran jika air menjadi terhad atau sesuatu peralatan gagal. Apakah yang kita ukur? Kejayaan tidak diukur dengan pengurangan penggunaan air semata-mata, tetapi juga dengan keadaan tumbuhan, hasil, penggunaan tenaga, keseragaman pengagihan, masa penyampaian air, dan sama ada pelan itu boleh dilaksanakan dengan peralatan yang ada. Soalan keselamatan dan pengesahsahihan: Apakah yang berlaku apabila data terganggu atau salah satu penderia gagal? Adakah sistem bertukar kepada mod manual atau satu pelan luar jangka yang selamat, ataupun ia terus mengeluarkan arahan berdasarkan maklumat yang tidak lengkap? 5\. Mengeluarkan amaran tentang keadaan seekor haiwan Tugas: Mengesan sesuatu perubahan yang mungkin menunjukkan penyakit, kecederaan, atau gangguan dalam pergerakan atau pemakanan. Data yang diperlukan: Data itu mungkin berupa bunyi, imej, klip video, atau bacaan aktiviti, suhu, dan pengambilan makanan. Ia sepatutnya dihubungkan, setakat yang mungkin, kepada kes yang disemak oleh doktor haiwan atau pakar lain. Keluarga kaedah: Mengesan kes yang luar biasa apabila kita tidak mempunyai takrifan lengkap bagi setiap penyakit, atau pengelasan apabila kita mempunyai kes berdokumentasi yang boleh dipelajari oleh sistem. Output yang dimaksudkan: Satu amaran yang mengenal pasti haiwan itu, masanya, dan sebab kebimbangan, dengan amaran disusun mengikut keutamaan. Apakah yang kita ukur? Bilangan kes penting yang gagal dikesan oleh sistem, bilangan amaran palsu bagi setiap haiwan atau setiap hari, dan selang masa antara permulaan perubahan itu dengan pengeluaran amaran. Soalan keselamatan dan pengesahsahihan: Siapakah yang mengesahkan keadaan itu secara profesional sebelum rawatan? Dan berapa banyakkah amaran yang benar-benar mampu diperiksa oleh pasukan itu? Sebuah sistem yang menghantar beratus-ratus amaran tanpa susunan keutamaan mungkin menyembunyikan kes yang berbahaya dalam kebisingan. 6\. Menganggarkan keluasan simptom dan menjejaki penyebarannya Tugas: Mengukur kawasan yang terjejas pada tumbuhan atau ladang, kemudian menentukan sama ada simptom itu meluas atau menyusut dari semasa ke semasa. Data yang diperlukan: Imej atau peta berturutan yang dirakam pada masa yang berbeza, berserta maklumat tentang lokasi, ketinggian, sudut, dan keadaan pencahayaan ketika rakaman imej, supaya perbandingan yang adil dapat dibuat. Keluarga kaedah: Menggariskan sempadan tisu atau kawasan yang terjejas dalam imej, kemudian menganalisis bagaimana ia berubah merentas titik masa yang berlainan. Output yang dimaksudkan: Satu anggaran keluasan atau peratusan kerosakan, arah dan kelajuan perubahan, berserta satu petunjuk tentang darjah keyakinan terhadap perbandingan itu. Apakah yang kita ukur? Ralat dalam menganggarkan keluasan, kestabilan keputusan apabila pengimejan diulang, dan keupayaan sistem untuk menjejaki kawasan yang sama dari satu masa ke masa yang lain. Soalan keselamatan dan pengesahsahihan: Adakah kerosakan itu benar-benar bertambah, ataupun cahaya, sudut pengimejan, atau ketinggian kamera yang berubah, lalu menjadikan kawasan itu kelihatan lebih besar atau lebih kecil? Dan adakah imej-imej itu dibandingkan berasaskan satu piawaian rujukan yang tunggal? 7\. Memberikan jawapan khidmat nasihat Tugas: Menjawab satu soalan pertanian dalam bahasa yang jelas, dengan bersandar kepada sumber berwibawa yang sesuai dengan konteks pengguna. Data yang diperlukan: Soalan pengguna, maklumat tentang tanaman, lokasi, peringkat pertumbuhan, dan keadaan, berserta sumber yang boleh dipercayai dan terkini yang boleh dirujuk oleh sistem. Keluarga kaedah: Mencari sumber berwibawa dan mendapatkan semula petikan yang berkaitan, kemudian menggunakan satu model bahasa untuk merumuskan jawapan, dengan peraturan yang menghalang dakwaan atau cadangan yang tidak disokong oleh bukti. Output yang dimaksudkan: Satu jawapan yang membezakan antara maklumat umum dengan cadangan yang berkelayakan, memetik sumbernya, dan meminta maklumat tambahan atau enggan menjawab apabila bukti tidak mencukupi. Apakah yang kita ukur? Adakah sumber itu menyokong dakwaan yang dibuat dalam jawapan tersebut? Adakah rujukannya tepat dan boleh disahkan? Adakah jawapan itu sesuai dengan tanaman, lokasi, dan masanya, dan bolehkah pengguna memahami langkah seterusnya tanpa didorong ke arah tindakan yang tidak selamat? Soalan keselamatan dan pengesahsahihan: Adakah sistem itu menahan diri daripada mereka-reka dos, bahan, pendaftaran rasmi, atau harga yang tidak berdokumentasi? Adakah ia menjelaskan bahawa kelulusan sesuatu produk atau syarat penggunaannya mesti disahkan terhadap label produk diluluskan yang semasa dan peraturan tempatan? 8\. Mengagihkan sumber yang terhad Tugas: Mengagihkan kuantiti air, baja, buruh, atau masa mesin yang terhad dalam kalangan beberapa ladang atau sektor. Data yang diperlukan: Skala permintaan, sumber yang ada, keutamaan, kekangan teknikal dan masa, serta ramalan berkaitan hasil, kos, atau pulangan. Keluarga kaedah: Perancangan matematik dan pertukaran timbal balik antara alternatif, yang dikenali dalam bidang khusus sebagai pengoptimuman dan penyelidikan operasi. Kaedah-kaedah ini mencari satu pelan yang mencapai objektif setakat yang mungkin tanpa melanggar kekangan yang ditetapkan. Output yang dimaksudkan: Satu pelan boleh laksana, berserta pernyataan tentang apa yang diterima oleh setiap pihak dan apa yang berubah jika keutamaan beralih atau sumber itu menjadi semakin terhad. Apakah yang kita ukur? Adakah pelan itu menghormati semua kekangan? Bolehkah ia benar-benar dilaksanakan? Dan apakah kesannya terhadap kos, hasil, masa, dan keadilan antara sektor atau penerima manfaat? Soalan keselamatan dan pengesahsahihan: Siapakah yang menentukan objektif yang cuba dimaksimumkan oleh alat itu? Dan siapakah yang menetapkan keutamaan serta tahap minimum yang boleh diterima bagi setiap sektor? Sesuatu pelan mungkin betul dari segi matematik namun tidak adil atau tidak boleh diterima dari segi pertanian jika objektifnya diringkaskan kepada satu nombor tunggal. 9\. Mengawal satu jujukan tindakan Tugas: Memilih satu jujukan tindakan yang selepasnya keadaan sistem itu berubah, seperti melaraskan pengudaraan dan pemanasan dalam sebuah struktur terlindung, atau memandu sebuah mesin yang bergerak antara barisan tanaman. Data yang diperlukan: Satu perihalan keadaan semasa, set tindakan yang mungkin, dan data tentang apa yang berlaku selepas setiap tindakan, berserta had operasi dan keselamatan. Keluarga kaedah: Sistem boleh menggunakan kawalan konvensional yang berasaskan peraturan dan persamaan yang diketahui, pembelajaran pengukuhan yang mempelajari satu strategi pemilihan tindakan daripada simulasi atau pengalaman, atau campuran kedua-duanya. Output yang dimaksudkan: Satu strategi yang menentukan tindakan yang sesuai bagi setiap keadaan, diikuti oleh arahan operasi yang jelas untuk peralatan itu. Dalam istilah teknikal, strategi ini dirujuk sebagai satu 'dasar pemilihan tindakan'. Apakah yang kita ukur? Kestabilan sistem, kepantasan tindak balasnya, bilangan kali kekangan dilampaui, penggunaan sumber, kesan tindakan terhadap tumbuhan, haiwan, atau peralatan, dan keupayaannya mengendalikan keadaan yang tidak dijangka. Soalan keselamatan dan pengesahsahihan: Apakah had yang tidak dibenarkan dilampaui oleh sistem itu, apa pun objektifnya? Siapakah yang mempunyai kuasa untuk menghentikannya? Dan kepada keadaan selamat yang manakah peralatan itu beralih jika komunikasi terputus, data gagal, atau keadaannya berada di luar julat yang telah diuji? Peta ini menunjukkan bahawa satu tugas pertanian tunggal mungkin memerlukan lebih daripada satu kaedah, dan bahawa kejayaan pada setiap peringkat tidak menjamin kejayaan bagi rantaian itu secara keseluruhan. Mengenal pasti lokasi rumpai tidak memadai jika mesin itu tidak dapat mencapainya dengan selamat; meramalkan permintaan air tidak memadai jika pelan pengairan itu melebihi kapasiti pam; dan mendapatkan semula sumber yang betul tidak memadai jika ia berkaitan dengan tanaman, negara, atau tarikh yang berbeza. Ia juga menunjukkan bahawa metrik teknikal dan soalan keselamatan bukanlah perkara yang berasingan. Metrik itu menunjukkan sebaik mana prestasi sistem dalam ujian, manakala soalan keselamatan pula menunjukkan apa yang mungkin berlaku apabila sistem itu tersilap di ladang. Sesuatu algoritma mungkin mencapai keputusan purata yang tinggi, sedangkan kesilapannya yang jarang berlaku itu jatuh pada kes yang paling berisiko tinggi. Bagi pembaca yang mencari kedalaman: Pemilihan kaedah bermula dengan merumuskan keputusan itu dan kos bagi corak kesilapan yang berbeza, bukan dengan membandingkan nama-nama model. Kaedah yang sesuai mungkin berubah jika output yang dimaksudkan berubah, walaupun datanya kekal sama. Sistem itu juga sepatutnya dinilai pada tiga tahap: kualiti anggaran, kualiti menukarkan anggaran itu menjadi satu keputusan, dan kualiti melaksanakan keputusan itu dalam realiti. Penambahbaikan pada tahap pertama tidak menampung kegagalan pada dua tahap yang lain. Dan apabila menilai mana-mana aplikasi baharu, matriks itu boleh diringkaskan dalam soalan-soalan berikut:

• Apakah soalan pertanian khusus yang cuba dijawab oleh sistem itu?
• Apakah data yang diperlukannya, dan siapakah yang mengesahkan ketepatannya?
• Apakah output yang akan dihasilkannya, dan dalam unit apa atau dengan darjah keyakinan yang bagaimana?
• Apakah keputusan atau tindakan yang akan berasaskan output ini?
• Jenis kesilapan yang manakah lebih berbahaya: kes yang terlepas pandang oleh sistem atau amaran palsu?
• Adakah sistem itu telah diuji dalam persekitaran bebas yang menyerupai suasana penggunaannya yang sebenar?
• Apakah yang berlaku apabila data tidak lengkap atau kesnya tidak dikenali?
• Siapakah yang menyemak keputusannya, dan siapakah yang mempunyai kuasa untuk menghentikannya atau mengatasinya?

Prinsip menyeluruhnya: sesuatu kaedah dipilih bukan kerana ia yang terbaharu atau yang paling terkenal, tetapi kerana ia menghasilkan output yang dituntut oleh keputusan itu, boleh disahkan menggunakan metrik yang sesuai, dan kekal selamat apabila data tidak lengkap atau keputusannya salah.

12. Bagaimana Kita Membandingkan Model dan Sistem? Daripada Ketepatan Ujian kepada Nilai di Ladang

Apabila seorang pembangun atau sebuah syarikat memperkenalkan sistem baharu, soalan pertama yang sering diajukan ialah: Sejauh manakah ketepatannya? Itu soalan yang sah, tetapi ia tidak memadai untuk menilai kegunaannya. Dua sistem mungkin mencapai skor yang sama dalam ujian makmal, namun sangat berbeza dari segi jenis kesilapan yang dilakukannya, kelajuan tindak balasnya, kos operasinya, keupayaannya berfungsi di ladang, serta magnitud mudarat yang mungkin berlaku apabila ia tersilap. Bayangkan dua model, masing-masing mencapai skor keseluruhan 92% dalam mengklasifikasikan imej daun. Yang pertama mungkin baik dalam mengesan kes yang sihat, namun terlepas pandang peringkat awal sesuatu penyakit berbahaya. Yang kedua mungkin mengesan kebanyakan kes berpenyakit, tetapi menghasilkan begitu banyak amaran palsu sehingga pengguna hilang keyakinan terhadapnya. Skor keseluruhannya kelihatan sama, tetapi nilai kedua-dua model itu di ladang tidaklah sama. Model itu sendiri mungkin baik, sedangkan sistem yang mengandunginya tetap lemah. Model mungkin menganalisis imej dengan betul, tetapi aplikasi memampatkannya sehingga perincian hilang, atau melewatkan penghantaran keputusan, atau memaparkannya tanpa menunjukkan tahap keyakinan, atau menghubungkannya dengan cadangan yang tidak sesuai untuk wilayah berkenaan. Oleh itu kita perlu membezakan tiga perkara:

• Prestasi model: sejauh manakah baiknya anggaran atau klasifikasi yang dihasilkannya.
• Prestasi sistem: sejauh manakah baiknya prestasi keseluruhan rantaian, daripada pengumpulan data sehingga memaparkan keputusan atau melaksanakan tindakan.
• Impak pertanian: sama ada penggunaan sistem itu benar-benar menambah baik keputusan dan hasil di ladang.

Sesuatu perbandingan hanya adil dan berguna jika ia menyentuh tahap-tahap berikut. A. Mulakan dengan apa yang kita lakukan sekarang: garis dasar bagi perbandingan Garis dasar ialah kaedah yang kita gunakan sebagai titik rujukan sebelum memperkenalkan sistem baharu. Lebih mudahnya, kita bertanya bukan sahaja, 'Adakah model itu berfungsi?', tetapi juga: Adakah ia berfungsi lebih baik daripada apa yang kita lakukan hari ini, dan sejauh mana yang memadai untuk mewajarkan kos perubahan itu? Garis dasar itu mungkin:

• satu pemeriksaan yang dijalankan oleh seorang pakar atau pegawai khidmat pengembangan pertanian.
• satu peraturan mudah yang dirangka oleh pakar tempatan.
• purata hasil sepanjang musim-musim terdahulu.
• andaian bahawa bacaan esok akan hampir dengan bacaan hari ini.
• satu jadual pengairan tetap yang ditentukurkan mengikut keadaan tempatan.
• sistem digital lama yang hendak digantikan oleh sistem baharu itu.

Jadi jika matlamatnya ialah meramal hasil, model itu boleh dibandingkan dengan purata hasil ladang tersebut sepanjang musim-musim terdahulu. Jika matlamatnya ialah mengesan sesuatu penyakit daripada imej, ia boleh dibandingkan dengan prestasi pemeriksaan semasa, sambil menjelaskan sama ada pemeriksaan itu dijalankan oleh seorang petani, juruteknik, atau pakar. Jika matlamatnya ialah menguruskan pengairan, ia boleh dibandingkan dengan jadual yang sedang digunakan dari segi air, tenaga, keadaan tumbuhan, dan hasil. Kaedah rujukan yang lemah tidak sepatutnya dipilih dengan sengaja semata-mata untuk menjadikan model baharu itu kelihatan lebih unggul. Sistem yang kompleks mungkin mengatasi peraturan yang naif, namun gagal mengatasi pengalaman petani atau sistem mudah yang ditentukurkan secara tempatan. Dalam keadaan itu, pulangan teknikalnya terhad dan mungkin tidak mewajarkan kos perkakasan, sambungan, penyelenggaraan, dan latihan. Perbandingan juga tidak sepatutnya terhad kepada soalan, 'Siapakah yang mencapai angka lebih tinggi?' Ia juga sepatutnya merangkumi:

• magnitud penambahbaikan berbanding kaedah semasa.
• kekonsistenan penambahbaikan itu merentas ladang dan musim.
• jenis kesilapan yang berkurangan atau bertambah.
• kos untuk mencapai penambahbaikan itu.
• sejauh mana pengguna benar-benar berupaya memperoleh manfaat daripadanya.

Maksud praktikal garis dasar: mula-mula kita menentukan tahap prestasi yang kita miliki tanpa sistem baharu itu, kemudian kita menguji sama ada sistem itu menambah nilai sebenar melampauinya. B. Jadikan ujian itu hampir dengan keadaan penggunaan sebenar Sesuatu model belajar daripada satu set contoh yang dipanggil data latihan. Setelah pembelajaran selesai, ia mesti diuji pada contoh-contoh bebas yang belum pernah digunakannya sebelum ini. Tujuannya bukan untuk mengetahui sejauh mana baiknya ia mengingati contoh terdahulu, tetapi sama ada ia boleh mengendalikan kes-kes baharu yang menyerupai apa yang akan ditemuinya di ladang. Jika sistem itu akan digunakan merentas pelbagai ladang, ujian itu sepatutnya merangkumi ladang yang tidak menjadi sebahagian daripada latihan. Jika ia akan beroperasi merentas musim yang berbeza, tidak memadai untuk mengujinya pada imej daripada musim yang sama. Jika pengguna mengambil gambar dengan telefon yang berbeza-beza kualitinya, tidak sah untuk menilainya sepenuhnya pada imej yang dirakam oleh satu kamera tunggal dalam keadaan ideal. Pembahagian data secara rawak mungkin memberikan gambaran yang mengelirukan. Jika sepuluh imej serupa diambil bagi tumbuhan yang sama, kemudian sebahagiannya dimasukkan ke dalam latihan dan yang lain ke dalam ujian, model itu mungkin mengecam tumbuhan, latar belakang, atau keadaan pengimejan itu dan bukannya tanda-tanda pertanian yang kita mahu ia pelajari. Ujian yang lebih kukuh mengasingkan, bergantung kepada sifat tugas itu, antara:

• tumbuhan yang berbeza.
• petak atau ladang yang berbeza.
• ladang atau wilayah yang berbeza.
• musim atau tahun yang berbeza.
• varieti dan peringkat pertumbuhan yang berbeza.
• peranti pengimejan atau jenis penderia yang berbeza.
• bahasa atau dialek yang berbeza, dan rumusan soalan yang berbeza dalam sistem perbualan.

Ini tidak bermakna setiap ujian mesti meliputi seluruh dunia, tetapi ia mesti mewakili dengan setia persekitaran tempat sistem itu bakal digunakan. Jika sistem itu diuji dalam persekitaran yang terhad, had-had tersebut mesti dinyatakan, bukan keputusannya dipersembahkan seolah-olah ia sah bagi setiap tanaman, ladang, dan musim. Model-model calon juga sepatutnya tertakluk kepada ujian yang sama, dalam keadaan yang sama, dan dengan data yang sama. Perbandingan itu tidak adil jika satu diuji pada imej yang bersih sementara satu lagi diuji pada imej ladang yang sukar, atau jika satu diukur pada peranti pantas dan yang satu lagi pada telefon berkuasa rendah. Maksud praktikal pengujian bebas: kita meletakkan sistem itu di hadapan kes-kes baharu yang mencerminkan realiti penggunaannya, kemudian melihat sama ada ia mengekalkan prestasinya setelah segala kemudahan makmal itu tiada. C. Hubungkan metrik dengan akibat kesilapan Bukan semua kesilapan itu sama. Sesuatu sistem mungkin tersilap dengan membangkitkan amaran tentang jangkitan yang tidak wujud, atau dengan menganggap tumbuhan yang dijangkiti sebagai sihat. Kedua-duanya kesilapan, tetapi akibatnya mungkin berbeza. Amaran palsu mungkin membazirkan masa pemeriksaan, mendorong analisis tambahan, atau menjengkelkan pengguna. Sebaliknya, terlepas pandang jangkitan yang serius mungkin melewatkan campur tangan sehingga kerosakan merebak. Dalam aplikasi lain, seperti mengendalikan sesebuah jentera, amaran palsu mungkin kurang berbahaya berbanding gerakan yang salah yang mencederakan tanaman atau pekerja. Oleh itu, purata keseluruhan tidak boleh menyembunyikan jenis kesilapan yang lebih penting. Sesuatu perbandingan sepatutnya bertanya:

• Berapa banyakkah kes berbahaya yang terlepas pandang oleh sistem itu?
• Berapa banyakkah amaran palsu yang dikeluarkannya?
• Pada varieti atau peringkat pertumbuhan yang manakah kesilapan lebih kerap berlaku?
• Adakah ia lebih banyak tersilap dalam kes awal berbanding kes yang jelas?
• Berapakah kos bagi setiap jenis kesilapan?
• Bolehkah pasukan itu mengendalikan bilangan amaran yang terhasil?

Dan jika tugasnya ialah meramal sesuatu angka, kesilapan itu sepatutnya dinyatakan dalam unit yang boleh difahami oleh pembuat keputusan. Daripada mengatakan bahawa 'purata kesilapannya ialah 0.12' tanpa penerangan, seseorang boleh mengatakan bahawa ramalan hasil itu tersasar secara purata sebanyak sekian kilogram atau tan bagi setiap hektar. Apabila merancang penyimpanan atau pengangkutan juga, hendaklah dijelaskan sama ada kesilapan kecil yang lazim itu menyembunyikan sebilangan kecil kesilapan besar yang boleh mengganggu keseluruhan pelan. Tidak memadai juga perbezaan antara dua model itu terserlah dalam satu angka tunggal. Kelebihan itu mungkin terlalu tipis sehingga boleh berbalik jika kita mengulangi ujian pada musim lain atau pada sampel lain. Oleh itu, seseorang sepatutnya melihat kepada magnitud variasi merentas ujian, bukan sekadar keputusan tunggal yang terbaik. Maksud praktikal metrik: kita memilih kaedah pengukuran mengikut keputusan yang akan terkesan oleh hasilnya, dan menterjemahkan kesilapan itu menjadi kesan yang boleh difahami oleh petani, pakar, atau pengurus operasi. D. Uji bagaimana sistem menyatakan ketidakpastian, dan bila ia menahan diri daripada membuat pertimbangan Model tidak memiliki darjah pengetahuan yang sama dalam setiap kes. Imej mungkin jelas dan serupa dengan apa yang dipelajarinya, atau ia mungkin gelap, tidak lengkap, atau daripada suatu kes yang belum pernah dilihatnya. Bacaan penderia mungkin lengkap dan konsisten, atau sebahagiannya mungkin hilang sementara yang selebihnya bercanggah. Variasi ini dipanggil ketidakpastian: bukti yang tersedia tidak menyokong semua kesudahan pada darjah yang sama. Sistem boleh menyatakan hal ini dalam beberapa cara, antaranya:

• Memaparkan skor keyakinan dan bukannya mengeluarkan pertimbangan yang muktamad.
• Mengemukakan beberapa kemungkinan yang disusun mengikut kedudukan.
• Memaparkan julat jangkaan dan bukannya satu angka tunggal.
• Menunjukkan data yang hilang atau bercanggah.
• Meminta imej, bacaan, atau maklumat tambahan.
• Merujuk kes itu kepada seorang pakar apabila buktinya tidak mencukupi.

Dalam meramal hasil, mengatakan bahawa hasil yang dijangkakan terletak antara 4.2 dan 5.1 tan bagi setiap hektar mungkin lebih jujur dan lebih berguna daripada memberikan satu angka tunggal 4.7 tan, terutamanya jika data cuaca masa hadapan tidak stabil. Dalam mendiagnosis imej daun, mungkin lebih wajar bagi sistem untuk mengatakan bahawa imej itu tidak mencukupi untuk membezakan antara dua punca, lalu meminta imej bahagian bawah daun itu. Tetapi skor keyakinan yang dipaparkan oleh model bukanlah kebenaran yang terjamin. Ia mungkin mengatakan ia yakin 80% sedangkan keputusan sebenarnya jauh lebih buruk. Itulah sebabnya penentukuran keyakinan diperiksa: menguji sama ada angka keyakinan itu sejajar dengan realiti. Jika kita mengumpulkan sejumlah besar kes yang diberikan keyakinan sekitar 80% oleh sistem, keputusannya sepatutnya betul pada kadar yang hampir dengan itu, bukan betul hanya pada separuh daripadanya. Kes di luar skop apa yang telah dipelajari oleh sistem ialah kes yang jelas berbeza daripada contoh latihannya: sesuatu varieti baharu, kamera yang berlainan, penyakit yang tidak termasuk dalam data, keadaan pencahayaan yang sangat berbeza, atau soalan dalam bahasa yang ia tidak diuji padanya. Model mungkin menjawab dengan yakin walaupun dalam kes sebegitu, dan itulah sebabnya keupayaannya untuk mengesan bahawa sesuatu input itu tidak dikenali mesti diuji. Penahanan diri bermaksud sistem tidak memaksa dirinya mengeluarkan diagnosis atau cadangan apabila buktinya tidak mencukupi. Ia bukan penghentian rawak dan bukan pula tanda kegagalan, tetapi suatu perilaku yang disengajakan, seperti mengatakan: 'Imej semasa tidak mencukupi untuk menentukan keadaan itu dengan selamat. Ambil imej yang lebih jelas bagi bahagian bawah daun, dan nyatakan tanaman serta peringkat pertumbuhannya, atau rujuk kes itu kepada seorang pakar.' Penahanan diri itu sendiri juga mesti dinilai. Jika sistem menahan diri dalam kebanyakan kes, ia mungkin kelihatan selamat sedangkan ia kurang berguna. Jika ia tidak pernah menahan diri, ia mungkin memberikan jawapan yang yakin dalam kes-kes yang tidak diketahuinya. Apa yang diperlukan ialah suatu keseimbangan yang sesuai dengan keseriusan tugas itu dan kapasiti pasukan untuk menyemak kes yang dirujuk. Maksud praktikal ketidakpastian dan penahanan diri: kita bertanya bukan sahaja sama ada sistem itu menjawab, tetapi sama ada ia mengenal pasti had buktinya, sama ada ia meminta bantuan pada waktu yang tepat, dan sama ada permintaan itu sampai kepada orang yang berupaya membuat susulan. E. Ukur prestasi sistem dalam operasi, bukan hanya dalam demonstrasi Sesuatu sistem mungkin berfungsi dengan baik dalam demonstrasi awam yang singkat, atau pada komputer berkuasa tinggi yang bersambung kepada rangkaian yang stabil, kemudian menghadapi kesukaran apabila digunakan hari demi hari di ladang. Atas sebab ini, perbandingan itu merangkumi aspek yang tidak terserlah dalam satu angka ketepatan, seperti:

• Masa antara kemasukan data dan kemunculan keputusan.
• Keupayaan sistem untuk beroperasi pada telefon atau peranti yang benar-benar tersedia.
• Penggunaan tenaga dan jumlah data yang dihantar.
• Keperluan kepada sambungan internet yang berterusan.
• Apa yang berlaku apabila rangkaian lemah atau bekalan kuasa terputus.
• Kos kamera, penderia, pelayan, dan langganan.
• Masa yang diperlukan untuk memasang, menentukur, dan menyelenggara peralatan.
• Sejauh mana mudahnya perisian itu boleh dikemas kini tanpa mengganggu kerja.
• Kejelasan antara muka dan keupayaan pengguna untuk memahami keputusannya.
• Ketersediaan sokongan teknikal dan alat ganti.
• Keupayaan untuk membetulkan kesilapan atau kembali kepada cara bekerja secara manual.

Sesuatu model yang prestasinya sedikit lebih rendah dalam ujian makmal mungkin lebih berguna di ladang jika ia beroperasi dengan pantas pada telefon yang tersedia, mempersembahkan keputusan yang boleh difahami, dan terus melaksanakan fungsi asasnya apabila sambungan lemah. Sebaliknya, model yang lebih tepat mungkin tidak praktikal jika ia memerlukan peranti yang mahal, sambungan yang berterusan, atau masa tindak balas yang lebih panjang daripada tetingkap campur tangan. Jika sesuatu sistem pengesanan rumpai menghantar keputusan setelah jentera itu sudah pun melintasi lokasi rumpai tersebut, ketepatan imej yang tinggi tidak berguna baginya. Jika sesuatu amaran penyakit tiba beberapa hari selepas data dirakam, ia mungkin kehilangan nilainya walaupun diagnosisnya betul. Maksud praktikal prestasi operasi: sistem yang berguna ialah sistem yang bersesuaian dengan keadaan kerja harian, bukan sistem yang berjaya hanya apabila keadaan demonstrasi yang ideal tersedia. F. Pantau keadaan yang berubah dan prestasi yang merosot selepas pelaksanaan Keputusan yang baik semasa sistem dilancarkan bukanlah jaminan bahawa ia akan berterusan. Persekitaran pertanian berubah: varieti baharu muncul, tarikh penanaman beralih, kamera dan penderia diganti, amalan berubah, dan sesuatu perosak atau keadaan yang tidak terwakili dalam data asal mungkin merebak. Apabila sifat data yang diterima oleh sistem berubah daripada data yang menjadi asas latihan dan ujiannya, ini dipanggil hanyutan data. Maksudnya bukanlah data itu benar-benar berpindah, tetapi sifat-sifat realiti yang dilihat oleh sistem itu tidak lagi seperti dahulu. Antara contohnya ialah:

• Melatih sesuatu model pada imej daripada kamera tertentu kemudian menggantikannya dengan kamera yang berbeza warna dan pemprosesan imejnya.
• Varieti yang ditanam berubah, lalu gejalanya muncul secara berbeza.
• Iklim atau masa musim berubah, lalu hubungan antara cuaca dan hasil turut berubah.
• Mengubah suai sistem pemberian makanan atau pencahayaan dalam rumah hijau.
• Kaedah memasukkan rekod, atau nama medan dalam aplikasi, berubah.
• Soalan dan dialek baharu muncul dalam sistem khidmat nasihat berbentuk perbualan.

Mungkin juga berlaku bahawa data itu kekal serupa secara zahirnya sedangkan hubungan antara data dan kesudahannya berubah. Sesuatu suhu tertentu mungkin pernah dikaitkan dengan tekanan tumbuhan di bawah sistem pengairan yang terdahulu, kemudian hubungan itu berubah setelah pengudaraan diperbaiki atau pelindung teduhan baharu dipasang. Oleh itu, selepas pelaksanaan sistem itu memerlukan pemantauan yang merangkumi:

• Membandingkan data baharu dengan data yang menjadi asas pengujiannya.
• Merekodkan kes luar biasa atau kes yang keyakinannya telah merosot.
• Menyemak sampel keputusan di ladang.
• Menjejaki bilangan amaran palsu dan kes yang terlepas pandang.
• Menetapkan ambang yang mencetuskan penilaian semula.
• Menentukan siapa yang memutuskan sama ada hendak mengemas kini atau melatih semula model itu.
• Menguji versi baharu sebelum meluluskannya.
• Mengekalkan keupayaan untuk kembali kepada versi terdahulu jika sesuatu masalah timbul.

Latihan semula bukanlah penyelesaian automatik kepada setiap kemerosotan; kesilapan atau kesudahan yang tidak berdokumentasi mungkin memasuki data baharu itu, lalu sistem mungkin mempelajarinya dan menjadi lebih buruk. Atas sebab ini, kemas kini mesti melalui semakan, pengujian, dan kelulusan. Maksud praktikal hanyutan data: apa yang sah pada musim lalu mungkin tidak kekal sah secara automatik pada musim berikutnya, maka sistem itu memerlukan pemantauan berterusan, bukan sijil kejayaan yang diberikan sekali untuk selama-lamanya. G. Ukur apa yang berlaku selepas keputusan itu sampai kepada pengguna Ramalan mungkin bertambah baik tanpa hasil pertanian bertambah baik. Sistem mungkin mengesan penyakit lebih awal, tetapi amaran itu tidak sampai kepada orang yang betul. Amaran itu mungkin tiba, tetapi pengguna tidak memahaminya. Pengguna mungkin memahaminya, tetapi tidak mempunyai bahan, pekerja, atau masa yang diperlukan untuk campur tangan. Pengguna mungkin melaksanakan cadangan itu, tetapi ia mungkin tidak sesuai dengan keadaan ladang. Atas sebab ini, keseluruhan rantaian itu sepatutnya dijejaki:

1. Adakah anggaran model itu betul?
2. Adakah sistem menukarkannya menjadi amaran atau cadangan yang jelas?
3. Adakah keputusan itu tiba pada waktu yang tepat?
4. Adakah pengguna memahaminya dan mempercayainya?
5. Adakah ia mengubah keputusan?
6. Adakah keputusan itu dilaksanakan seperti yang dirancang?
7. Adakah pelaksanaannya membawa kepada hasil pertanian yang lebih baik?

Tahap-tahap ini tidak membawa maksud yang sama. Ketepatan ramalan pengairan mungkin bertambah baik, namun penggunaan air mungkin tidak berkurangan kerana rangkaian itu mempunyai kebocoran. Sistem mungkin mengesan sesuatu keadaan haiwan lebih awal, tetapi pasukan itu tidak dapat menyemak amaran-amaran tersebut sehingga penghujung hari. Ia mungkin mencadangkan pengagihan buruh yang lebih baik, tetapi pelan itu tidak mengambil kira pengangkutan antara ladang. Ketika mengukur impak, lebih daripada satu kesudahan sepatutnya dipertimbangkan. Sistem mungkin mengurangkan penggunaan air tetapi menambah penggunaan tenaga, atau meningkatkan hasil tetapi menambah kos input, atau mengurangkan buruh manual tetapi menambah kebergantungan kepada perkhidmatan luaran yang sukar dibaiki. Bukan setiap perubahan pada hasil atau kos sepatutnya dikaitkan dengan sistem semata-mata kerana ia berlaku selepas sistem itu digunakan; puncanya mungkin musim yang lebih baik, perubahan harga, atau amalan pertanian yang lain. Jika seseorang ingin membuktikan bahawa sistem itu membuat perbezaan, pelaksanaan berperingkat, perbandingan ladang atau tempoh yang serupa, atau reka bentuk ladang yang sesuai yang mengasingkan kesan sistem itu daripada faktor-faktor lain mungkin diperlukan. Maksud praktikal pengukuran impak: penilaian tidak berakhir dengan sama ada jawapan itu betul; ia berterusan dengan bertanya sama ada jawapan itu tiba, sama ada ia mengubah keputusan, dan sama ada keputusan itu membawa kepada hasil dunia sebenar yang lebih baik. H. Semak keadilan, tanggungjawab, dan tadbir urus Sesuatu sistem mungkin mencapai purata yang baik, namun berfungsi dengan lebih baik bagi satu kumpulan pengguna atau ladang dengan mengorbankan yang lain. Ia mungkin bergantung kepada sambungan pantas yang tidak tersedia di kawasan pedalaman, atau kepada telefon moden yang tidak dimiliki oleh semua pengguna, atau kepada imej daripada ladang besar yang tersusun rapi yang tidak mewakili pegangan kecil, atau kepada bahasa formal yang tidak mengendalikan soalan dan dialek tempatan dengan baik. Oleh itu, keputusan sepatutnya diasingkan mengikut kategori, apabila bersesuaian, berdasarkan:

• Saiz ladang dan sifat pengeluaran.
• Wilayah dan keadaan iklim.
• Varieti dan peringkat pertumbuhan.
• Jenis peranti atau penderia.
• Kualiti sambungan.
• Bahasa atau dialek.
• Pengalaman pengguna dan keupayaannya menggunakan antara muka.

Keadilan tidak bermakna sistem itu harus memberikan keputusan yang sama kepada semua orang; sebaliknya, ia bermakna meneliti sama ada sesuatu kumpulan tertentu menanggung lebih banyak kesilapan, tidak dapat mencapai perkhidmatan itu, atau tidak mempunyai jalan untuk membantah keputusan yang tidak betul. Adapun tadbir urus, ia bermaksud peraturan dan tanggungjawab yang mengawal sistem sepanjang kitaran hayatnya, termasuk:

• Siapakah yang membenarkan penggunaannya?
• Siapakah yang menyemak data dan prestasinya?
• Siapakah yang memikul tanggungjawab atas kesilapan?
• Bolehkah pengguna membantah atau meminta semakan manusia?
• Keputusan manakah yang boleh dicadangkan atau dilaksanakan oleh sistem?
• Keputusan manakah yang mesti kekal di tangan seorang pakar atau badan yang diberi kuasa?
• Bagaimanakah rekod disimpan dan privasi dihormati?
• Bagaimanakah perubahan dan versi didokumentasikan?
• Siapakah yang mempunyai kuasa untuk menghentikan sistem apabila sesuatu risiko timbul?

Soalan-soalan ini menjadi lebih penting apabila sistem itu memberi kesan kepada kesihatan tumbuhan atau haiwan, keselamatan pekerja, penggunaan air dan bahan terkawal, atau penerimaan produk itu dalam pasaran. Perspektif ini berpandukan idea menguruskan risiko kecerdasan buatan merentas peringkat kitaran hayatnya, daripada reka bentuk dan ujian hinggalah kepada operasi, pemantauan dan pengemaskinian [SRC033]. Makna praktikal tadbir urus: Tidak memadai untuk mengetahui apa yang mampu dilakukan oleh sistem; kita juga mesti tahu siapa yang memantaunya, siapa yang menyemaknya, dan siapa yang mempunyai kuasa membuat keputusan apabila ia tersilap. Untuk pembaca lanjutan: Suatu perbandingan profesional tidak mengemukakan satu nombor tunggal sebagai penghakiman muktamad. Ia sepatutnya menjelaskan saiz sampel ujian, darjah variasi dalam keputusan, prestasi merentas kumpulan dan persekitaran yang berbeza, kestabilannya dari semasa ke semasa, dan kos bagi setiap jenis kesilapan. Syarat-syarat perbandingan juga perlu dikekalkan malar: data yang sama, takrifan tugas yang sama, ambang amaran yang sama, dan persekitaran operasi yang sama. Sesuatu model mungkin mengatasi model lain apabila ia dibenarkan menghantar banyak amaran, sedangkan model yang lain pula mungkin mengatasinya apabila bilangan amaran dihadkan kepada apa yang mampu disemak oleh pasukan. Oleh itu, perbandingan sentiasa terikat kepada syarat keputusan dan sumber yang tersedia, bukan kepada prestasi algoritma secara abstrak. Senarai semak praktikal untuk membandingkan mana-mana sistem Perbandingan itu boleh diringkaskan kepada lapan soalan, tetapi maksud setiap soalan perlu difahami dengan jelas:

1. Apakah keputusan yang akan berubah kerana sistem itu?

Adakah outputnya akan membawa kepada pemeriksaan tambahan, pengairan sesuatu sektor, rawatan seekor haiwan, pembelian input, atau pengoperasian sebuah mesin? Jika kita tidak tahu keputusan manakah yang akan berubah, kita tidak akan tahu prestasi apa yang diperlukan.

2. Dengan kaedah semasa yang manakah sistem itu dibandingkan?

Adakah ia mengatasi pengalaman petani, pemeriksaan pakar, satu peraturan mudah, atau sistem yang sedang digunakan? Dan berapa banyakkah nilai tambah yang diberikannya?

3. Adakah ia diuji dalam persekitaran bebas yang serupa dengan tempat ia akan digunakan?

Adakah ujian itu merangkumi ladang, musim, peranti, varieti dan pengguna yang datanya tidak dimasukkan dalam latihan?

4. Kesilapan manakah yang paling berbahaya, dan berapa kerapkah ia berlaku?

Adakah risiko terbesarnya terlepas pandang sesuatu kes, mengeluarkan amaran palsu, kelewatan, atau mengarahkan tindakan ke tempat yang salah? Dan apakah kesan kesilapan ini terhadap ladang?

5. Adakah ia menjelaskan had pengetahuannya?

Adakah ia mengemukakan tahap keyakinan atau julat yang dijangkakan? Dan adakah ia meminta maklumat tambahan atau merujuk kes itu kepada manusia apabila buktinya tidak mencukupi?

6. Berapakah kos untuk mengendalikan dan menyelenggaranya?

Apakah peranti, sambungan, kuasa, latihan, sokongan dan penyelenggaraan yang diperlukannya? Dan apakah yang berlaku sekiranya berlaku gangguan atau kerosakan?

7. Bagaimanakah kita mengesan bahawa prestasinya telah merosot?

Siapakah yang memantau keputusan selepas pelaksanaan? Apakah tanda yang menunjukkan keperluan untuk pengujian semula atau pengemaskinian? Dan siapakah yang meluluskan versi baharu itu?

8. Siapakah yang mempunyai keputusan muktamad dan kuasa untuk menghentikannya?

Adakah pengguna tahu bilakah sesuatu keputusan itu bersifat nasihat? Siapakah yang menyemak kes berisiko tinggi? Dan bolehkah pelaksanaan automatik dihentikan dan sistem dikembalikan kepada mod yang selamat?

Prinsip menyeluruhnya: Sesuatu model tidak menjadi lebih baik semata-mata kerana nombornya lebih tinggi; sebaliknya, ia lebih baik apabila ia mengatasi kaedah yang realistik, bertahan dalam persekitaran penggunaan, mendedahkan had pengetahuannya, beroperasi dalam lingkungan sumber yang tersedia, mengurangkan kesilapan yang paling memudaratkan, dan akhirnya membawa kepada keputusan yang lebih baik serta hasil yang lebih baik di ladang.

13. Satu Kes Pengajaran Bersepadu: Bagaimanakah Imej Sehelai Daun Menjadi Keputusan Pertanian yang Bertanggungjawab?

Kes berikut merupakan contoh pengajaran yang menghimpunkan konsep-konsep bab ini dalam satu laluan tunggal. Ia tidak memberikan diagnosis bagi mana-mana penyakit tertentu, dan tidak pula menerangkan sesuatu rawatan, bahan, atau dos; sebaliknya, ia menunjukkan bagaimana sesebuah sistem yang bertanggungjawab sepatutnya mengendalikan maklumat yang tidak lengkap, dan bagaimana ia bergerak daripada satu imej awal kepada satu keputusan yang sebab dan hadnya boleh diteliti. Seorang petani perasan bintik-bintik kuning dan perang pada sebahagian daun di satu bahagian ladangnya. Dia mengambil gambar dengan telefonnya, menghantarnya kepada sebuah sistem pembantu, kemudian menulis: "Apakah masalah ini, dan apakah yang patut saya gunakan untuknya?" Soalan itu mungkin kelihatan mudah, tetapi jawapan yang bertanggungjawab tidak bermula dengan nama sesuatu penyakit atau bahan. Satu imej tunggal mungkin menunjukkan simptom — iaitu perubahan yang kelihatan pada warna atau bentuk daun — tetapi dengan sendirinya ia tidak menetapkan punca simptom itu. Dalam imej itu, kesan penyakit kulat atau bakteria, kekurangan nutrien, tekanan air, kecederaan kimia, lecuran matahari, kerosakan akibat serangga, atau lebih daripada satu faktor pada masa yang sama, mungkin kelihatan serupa. Atas sebab ini, imej itu ialah permulaan laluan pemeriksaan, bukan penghujungnya. Langkah Pertama — Menukarkan Soalan Umum kepada Soalan yang Boleh Diteliti Sistem itu tidak melompat daripada soalan "Apakah yang patut saya gunakan?" kepada mencadangkan sesuatu rawatan. Sebaliknya, ia menstruktur semula isu itu kepada soalan-soalan yang lebih kecil:

• Adakah tanda-tanda yang boleh digambarkan dengan jelas muncul dalam imej itu?
• Di bahagian daun yang manakah ia terletak?
• Adakah coraknya setempat atau meluas?
• Adakah imej itu memadai untuk membezakan antara sebahagian daripada kemungkinan yang ada?
• Apakah maklumat yang tiada sebelum bergerak ke arah sesuatu diagnosis?
• Adakah terdapat sebarang tanda yang menuntut semakan segera oleh seorang pakar?

Respons pertama sistem itu mungkin, sebagai contoh: "Imej ini menunjukkan kawasan berwarna kuning dan perang, tetapi imej sahaja tidak memadai untuk menentukan puncanya atau memilih sesuatu rawatan. Saya akan menilai kualiti imej terlebih dahulu, kemudian saya memerlukan maklumat tentang tanaman itu, sejauh mana simptom itu tersebar, dan keadaan sekelilingnya." Pembukaan ini memainkan satu fungsi penting: ia memisahkan melihat simptom daripada mengetahui puncanya, dan menghalang sistem daripada menukarkan keserupaan visual menjadi suatu kepastian yang tidak dimilikinya. Langkah Kedua — Mengesahkan bahawa Imej Itu Sesuai untuk Analisis Sebelum menganalisis bintik-bintik itu, aplikasi tersebut meneliti kualiti imej itu sendiri. Apa yang kelihatan seperti simptom penyakit mungkin sebenarnya bayang-bayang, pantulan cahaya, artifak daripada pemampatan imej, atau bahagian yang tidak fokus. Sistem itu memeriksa, sedaya mungkin, perkara-perkara seperti:

• Adakah daun itu jelas atau kabur akibat pergerakan?
• Adakah pencahayaannya cukup semula jadi untuk menunjukkan warna yang sebenar?
• Adakah kawasan yang terjejas kelihatan secara dekat?
• Adakah keseluruhan daun kelihatan, supaya lokasi simptom padanya dapat ditentukan?
• Adakah terdapat imej permukaan atas dan satu lagi imej permukaan bawah?
• Adakah terdapat imej keseluruhan pokok, bukan sekadar daunnya?
• Adakah terdapat objek rujukan untuk membantu menganggar saiz bintik itu?
• Adakah imej itu diambil selepas daun menjadi basah atau disembur dengan sesuatu yang mungkin mengubah rupanya?

Dengan menunjukkan "dua permukaan", yang dimaksudkan ialah mengambil gambar permukaan atas daun dan permukaan bawahnya, kerana sesetengah tanda mungkin lebih jelas pada satu permukaan berbanding satu lagi. Jika imej itu tidak mencukupi, sistem tidak sepatutnya mengeluarkan jawapan yang yakin semata-mata kerana pengguna sedang menunggunya. Sebaliknya, ia menerangkan apa yang tiada dan meminta imej itu diambil semula, sebagai contoh: "Imej ini tidak jelas di sekitar pinggir bintik-bintik itu. Ambil satu imej yang lebih dekat dalam cahaya semula jadi, satu lagi imej permukaan bawah daun, kemudian tambahkan satu imej keseluruhan pokok dan bahagian ladang yang terjejas." Perilaku ini bukanlah satu halangan kepada pengguna; sebaliknya, ia melindungi pengguna daripada keputusan yang berasaskan input yang tidak menyokong sesuatu inferens yang boleh dipercayai. Langkah Ketiga — Menerangkan Apa yang Dilihat oleh Alat Penglihatan, Tanpa Mendakwa Suatu Diagnosis Jika imej itu sesuai untuk dianalisis, sistem mungkin menggunakan model penglihatan komputer untuk melaksanakan satu atau lebih tugas:

• Mengenal pasti kawasan yang berubah warna dalam imej itu.
• Menganggar kadar bahagian daun yang terjejas.
• Menerangkan bentuk bintik-bintik itu dan taburannya yang kelihatan.
• Membandingkan corak itu dengan kategori yang telah dipelajari oleh model daripada imej terdahulu.
• Mengesan bahawa imej itu tidak cukup menyerupai kes-kes yang menjadi asas pengujiannya.

Output itu mesti jelas tentang hadnya. Jadi, sebaliknya daripada sistem berkata: "Ini ialah penyakit X." ia boleh berkata: "Sistem mengesan bintik-bintik kuning dan perang yang tidak sekata pada sebahagian tisu daun. Rupa ini menyerupai lebih daripada satu keadaan secara visual, dan imej semasa tidak memadai untuk menentukan puncanya." Sistem itu juga boleh menunjukkan kawasan yang menjadi tumpuannya dalam imej itu, supaya pengguna atau pakar dapat mengesahkan bahawa ia menganalisis tisu daun yang terjejas, bukannya latar belakang atau bayang-bayang berdekatan. Adapun ungkapan "kategori tidak diketahui", ia tidak bermaksud bahawa model itu telah menemui satu penyakit yang bernama "tidak diketahui". Apa yang dimaksudkan ialah imej itu tidak cukup padan dengan kategori yang telah dipelajari oleh sistem untuk dibezakan, atau kualitinya tidak membenarkan sesuatu penghakiman yang selamat. Dalam keadaan itu, ia sepatutnya memaparkan keputusan seperti:

• Kes itu tidak terwakil dalam kalangan kelas yang diketahui oleh sistem.
• Imej itu tidak memadai untuk perbandingan.
• Terdapat tanda-tanda bertindih yang tidak membenarkan pengelasan.
• Pemeriksaan manusia atau maklumat tambahan diperlukan.

Di sini muncul satu perbezaan penting: model mungkin mampu mengesan lokasi bintik-bintik itu dengan tepat tanpa mampu menentukan puncanya. Kejayaan dalam tugas visual yang pertama itu tidak membuktikan kejayaan dalam diagnosis. Langkah Keempat — Menambah konteks ladang kepada konteks imej Simptom tumbuhan tidak boleh dipisahkan daripada tanaman, persekitaran dan pengurusan. Itulah sebabnya sistem meminta maklumat yang boleh mengubah tafsiran imej itu, tetapi lebih baik jangan membebankan petani dengan berpuluh-puluh soalan sekali gus. Ia bermula dengan soalan yang paling berguna, kemudian meminta butiran lanjut apabila perlu. Ia mungkin bertanya terlebih dahulu:

• Apakah tanaman dan varietinya, jika diketahui?
• Berapakah usia pokok itu atau peringkat pertumbuhannya?
• Bilakah simptom itu muncul?
• Adakah ia bertambah dengan pantas, atau kelihatan stabil?
• Adakah ia muncul pada satu pokok sahaja atau pada sekumpulan pokok?
• Adakah ia tertumpu di pinggir ladang, di petak-petak yang bertaburan, atau di sepanjang barisan pengairan?
• Adakah ia bermula pada daun yang lebih tua atau yang lebih muda?
• Adakah terdapat tanda-tanda tambahan di bahagian bawah daun?
• Adakah simptom muncul pada batang, buah, atau akar?
• Adakah berlaku pengairan yang berlebihan, gangguan bekalan air, atau gelombang panas atau cuaca sejuk?
• Adakah sesuatu input pertanian digunakan, atau adakah program pembajaan berubah baru-baru ini?
• Adakah terdapat simptom yang serupa pada tanaman atau ladang berjiran?

Maklumat ini tidak menambah 'butiran sampingan'; ia mungkin mengubah makna imej itu sepenuhnya. Taburan simptom di sepanjang satu barisan pengairan mungkin mengarahkan siasatan ke arah air, akar, atau kelengkapan pengairan, sedangkan penyebaran daripada satu fokus kepada pokok-pokok berjiran mungkin menimbulkan satu set kemungkinan yang berbeza. Dan kemunculannya pada daun yang lebih tua mungkin membawa signifikan yang berbeza daripada kemunculannya terlebih dahulu pada pertumbuhan baharu. Sistem juga sepatutnya membezakan antara maklumat yang dimasukkan oleh pengguna, maklumat yang diukur oleh penderia, dan inferens yang dibuat daripada imej itu. Ia tidak sepatutnya mengemukakan kesemuanya seolah-olah semuanya fakta yang sama beratnya. Langkah Kelima — Menyusun kemungkinan mengikut kedudukan dan bukannya mengisytiharkan satu punca tunggal Selepas mengumpulkan imej dan konteks, sistem mungkin menyusun punca-punca yang mungkin mengikut kedudukan. Di sini, penimbangan bermaksud membandingkan kemungkinan berdasarkan bukti yang tersedia, bukan mengisytiharkan bahawa punca yang berkedudukan tertinggi itu telah pun ditetapkan. Ia mungkin mengemukakan keputusan itu dalam bentuk ini:

• Satu kemungkinan selaras dengan bentuk dan taburan bintik-bintik itu, tetapi ia kekurangan satu tanda yang sepatutnya diperiksa di bahagian bawah daun.
• Satu kemungkinan lain disokong oleh keadaan cuaca baru-baru ini, tetapi ia tidak menjelaskan sepenuhnya lokasi simptom itu.
• Satu kemungkinan yang berkaitan dengan pemakanan atau pengairan memerlukan semakan terhadap taburan simptom di ladang serta ukuran tanah atau air.
• Punca-punca lain kurang berkemungkinan, tetapi ia kekal mungkin kerana maklumatnya tidak lengkap.

Tidak memadai juga untuk mengemukakan peratusan semata-mata, kerana sesuatu nombor mungkin memberikan pembaca rasa kepastian yang lebih besar daripada yang dibenarkan oleh bukti. Sistem sepatutnya menjelaskan:

• Apakah bukti yang menaikkan setiap kemungkinan itu?
• Apakah maklumat yang menurunkannya?
• Apakah data yang tiada?
• Apakah soalan atau ujian seterusnya yang paling berkesan membezakan antara kemungkinan-kemungkinan itu?
• Adakah skor keyakinan yang dikemukakannya telah diuji dalam tanaman dan persekitaran yang serupa?

Dalam ungkapan teknikal, istilah lapisan kebarangkalian merujuk kepada bahagian yang mengumpulkan kepingan bukti yang berbeza dan menyusun semula kemungkinan-kemungkinan itu apabila maklumat baharu tiba. Namun bahagian ini tidak 'mengetahui kebenaran' dengan sendirinya; sebaliknya, ia menyusun apa yang disokong oleh data dan apa yang masih belum dapat diputuskannya. Jadi, jika pengguna menambah satu imej bahagian bawah daun, atau satu penerangan tentang bagaimana simptom itu merebak, atau keputusan sesuatu ujian di ladang atau di makmal, susunan kedudukan itu mungkin berubah. Ini bukan tanda percanggahan, tetapi hasil semula jadi daripada mengemas kini penghakiman apabila bukti yang lebih kukuh tiba. Langkah Keenam — Mencari sumber yang dipercayai dan sesuai dengan konteks Selepas mempersempit kemungkinan, sistem mencari sumber pengetahuan yang diluluskan. Dengan sumber yang ditadbir bukanlah dimaksudkan sebarang halaman yang kebetulan ditemui oleh sesuatu carian, tetapi satu set dokumen yang sumbernya, tarikhnya, skop kesahihannya, dan status kelulusannya telah ditentukan. Ini mungkin merangkumi, bergantung kepada tugas dan negara:

• Dokumen panduan yang dikeluarkan oleh pihak berkuasa pertanian yang dipercayai.
• Rujukan saintifik atau diagnostik yang sesuai bagi tanaman itu.
• Buletin rasmi yang dikemas kini.
• Arahan yang dikeluarkan oleh pihak berkuasa kawal selia yang berwibawa.
• Arahan penggunaan rasmi semasa bagi produk yang didaftarkan secara tempatan.
• Protokol pensampelan atau rujukan kepada sebuah makmal.

Sesuatu sumber tidak menjadi sesuai semata-mata kerana ia betul pada dirinya sendiri. Ia mungkin dikeluarkan oleh negara lain yang produk berdaftarnya berbeza, atau ia mungkin berkaitan dengan varieti yang berlainan, atau sudah lapuk, atau menyentuh sesuatu penyakit yang simptomnya serupa pada tanaman lain. Oleh itu, sistem sepatutnya memadankan, sedaya mungkin:

• Tanaman dan varietinya.
• Lokasi, atau negara dan wilayah.
• Tarikh dan versi dokumen.
• Badan yang mengeluarkannya.
• Jenis penanaman dan persekitarannya.
• Peringkat pertumbuhan tanaman.
• Status kawal selia bahan atau prosedur itu.

Sistem mesti mengemukakan sumber itu dalam bentuk yang boleh diteliti oleh pengguna atau pakar, dengan menyatakan tajuk dokumen, badan yang mengeluarkannya, tarikh, dan bahagian yang menjadi sandarannya. Ia juga mesti membezakan antara:

• Apa yang dinyatakan secara eksplisit dalam sumber itu.
• Apa yang disimpulkan oleh sistem dengan menggabungkan beberapa kepingan maklumat.
• Apa yang tidak ditemuinya sokongan yang mencukupi untuknya.

Jika ia tidak menemui sumber yang sesuai, kata-kata yang bertanggungjawab ialah: "Saya tidak menemui, dalam set sumber yang diluluskan yang tersedia, panduan terkini dan sesuai bagi tanaman dan wilayah ini yang boleh mewajarkan sesuatu cadangan tertentu. Adalah perlu berunding dengan seorang pakar atau pihak berkuasa pertanian tempatan." Tidak menemui sesuatu sumber bukanlah jurang yang patut diisi oleh model dengan tekaan; sebaliknya, ia merupakan maklumat penting yang mesti ditunjukkan. Langkah Ketujuh — Menghentikan peralihan yang tidak selamat daripada kebarangkalian kepada rawatan Selepas kebarangkalian dan sumber dikemukakan, pintu keselamatan pula mula berperanan. Yang dimaksudkan dengannya ialah satu set peraturan dan semakan yang menghalang sistem daripada menukarkan keserupaan visual atau kebarangkalian yang belum diputuskan menjadi arahan rawatan yang langsung. Tahap-tahap output yang berbeza sepatutnya dibezakan:

1. Penerangan umum: Apakah yang muncul dalam imej itu, dan apakah maklumat yang tiada?
2. Langkah pengesahan: Apakah imej, pemeriksaan, atau kepingan maklumat seterusnya yang diperlukan?
3. Panduan pencegahan umum berisiko rendah: Jika ia disokong oleh sumber yang sesuai dan tidak mengandaikan sesuatu diagnosis yang belum disahkan.
4. Diagnosis profesional: Ini mungkin memerlukan seorang pakar atau satu ujian rujukan.
5. Pemilihan sesuatu bahan, dos, atau prosedur terkawal: Ini tertakluk kepada diagnosis, pendaftaran tempatan, arahan penggunaan rasmi semasa bagi produk itu, dan kuasa orang yang diberi kebenaran untuk membuat keputusan.

Kehadiran nama sesuatu penyakit dalam senarai kebarangkalian tidak mewajarkan peralihan secara automatik kepada nama sesuatu bahan. Kehadiran sesuatu bahan yang disebut dalam sumber lama atau yang dikeluarkan oleh negara lain juga tidak menetapkan bahawa ia didaftarkan untuk tanaman dan wilayah itu, atau bahawa penggunaannya sesuai dengan kes tersebut. Pintu keselamatan itu mungkin menentukan bahawa output yang betul ialah:

• Permintaan untuk imej atau maklumat tambahan.
• Cadangan untuk memeriksa bahagian lain pokok itu dan ladang.
• Rujukan kes itu kepada pakar pertanian.
• Mematuhi arahan pakar semasa menghantar sampel untuk pemeriksaan.
• Pengesahan dengan pihak berkuasa kawal selia yang berwibawa di negara atau wilayah berkenaan.
• Menahan diri daripada mencadangkan sesuatu bahan atau dos kerana diagnosis atau sumbernya tidak mencukupi.
• Mengeluarkan amaran segera jika penunjuk yang ada menuntut campur tangan profesional yang pantas, sambil menyatakan sebab amaran itu tanpa mendakwa suatu diagnosis yang muktamad.

Sistem itu tidak sepatutnya berpuas hati dengan ungkapan umum seperti "rujuk pakar" pada setiap kali, kerana hal itu menjadikan kegunaannya terhad. Lebih baik jika ia menjelaskan mengapa perkara itu memerlukan seorang pakar, apakah maklumat yang perlu disediakan, dan apakah persoalan yang perlu diselesaikan oleh pakar tersebut. Langkah Kelapan — Membuat keputusan, mendokumentasikan apa yang berlaku, dan menyusuli hasilnya Selepas bukti dan hadnya dikemukakan, keputusan tetap berada pada petani atau pakar yang diberi kuasa, bergantung kepada jenis tindakan dan tahap risikonya. Hasilnya mungkin berupa permintaan untuk pemeriksaan lanjut, pemantauan kes itu untuk tempoh tertentu, menjalankan ujian, atau melaksanakan campur tangan yang diluluskan oleh pakar menurut keperluan tempatan. Sistem itu merekodkan, dengan persetujuan pengguna dan menurut peraturan privasi, perkara-perkara seperti:

• Imej dan maklumat yang menjadi asas analisis.
• Masa keputusan itu dikeluarkan.
• Kebarangkalian yang dikemukakan dan tahap keyakinannya.
• Sumber yang didapatkan semula dan versinya.
• Data yang hilang.
• Amaran atau sebab menahan diri.
• Keputusan yang diambil oleh pengguna atau pakar.
• Apa yang benar-benar dilaksanakan.
• Sebarang keputusan atau perubahan kemudian yang timbul.

Maklum balas bermaksud maklumat yang kembali kepada sistem selepas keputusan dibuat: adakah pakar mengesahkan sesuatu punca tertentu? Adakah ujian itu menghasilkan keputusan rujukan? Adakah gejalanya berubah? Adakah tindakan itu benar-benar dilaksanakan? Namun apa yang ditulis oleh pengguna selepas itu tidak secara automatik menjadi fakta yang boleh dijadikan sandaran latihan. Pengguna mungkin menyangka diagnosis itu betul kerana dia melihat penambahbaikan, sedangkan penambahbaikan itu mungkin sebenarnya berpunca daripada perubahan cuaca, pengairan, atau faktor lain. Dia juga mungkin memasukkan nama yang tidak persis, atau mengaitkan hasil itu dengan tindakan yang tidak dilaksanakan sebagaimana yang direkodkan. Oleh itu, maklumat susulan kekal berbeza-beza kekuatannya:

• Pemerhatian pengguna berguna untuk tindakan susulan.
• Pengesahan oleh pakar lebih kuat daripada tekaan awal.
• Keputusan ujian rujukan mungkin lebih kuat bagi sesuatu tugas yang khusus.
• Penambahbaikan selepas sesuatu tindakan tidak dengan sendirinya membuktikan bahawa diagnosis atau tindakan itulah yang menyebabkan penambahbaikan tersebut.

Sebelum maklumat ini digunakan untuk mengemas kini model, kualitinya mesti disemak, sumbernya disahkan, pihak yang meluluskannya dikenal pasti, dan model yang dikemas kini itu kemudiannya diuji sebelum dikeluarkan. Jika tidak, sistem itu mungkin belajar daripada kesilapan lamanya dan mengulanginya dengan keyakinan yang lebih tinggi. Bagaimanakah rupa jawapan itu kepada petani? Selepas melalui peringkat-peringkat awal, sistem mungkin mengemukakan jawapan seperti: "Imej itu menunjukkan bintik kuning dan perang pada tisu daun, tetapi rupa sedemikian boleh berpunca daripada lebih daripada satu sebab, dan imej semasa tidak mencukupi untuk mengesahkan diagnosis atau memilih rawatan. Hantarkan imej yang jelas bagi permukaan bawah daun, imej keseluruhan pokok, dan nyatakan tanaman itu serta peringkat pertumbuhannya, bila gejala itu bermula, dan sama ada ia muncul pada pokok bersebelahan atau di sepanjang garisan pengairan. Setelah maklumat ini lengkap, kebarangkalian boleh disusun mengikut kedudukan dan ujian seterusnya ditentukan. Saya tidak akan mencadangkan sebarang bahan atau dos sehingga ada diagnosis, sumber yang sesuai dengan wilayah itu, dan pengesahan terhadap arahan penggunaan rasmi semasa bagi produk berkenaan." Jawapan ini tidak meninggalkan petani tanpa bantuan, sambil pada masa yang sama tidak memberikannya kepastian yang dibuat-buat. Ia menjelaskan apa yang dilihat oleh sistem, apa yang tidak dapat disabitkannya, apakah maklumat yang diperlukan, dan mengapa ia tidak terus beralih kepada rawatan. Di manakah perjalanan itu boleh gagal? Kes ini menunjukkan bahawa kesilapan tidak terletak pada model imej semata-mata. Ia boleh berlaku pada mana-mana peringkat:

• Imej itu mungkin tidak boleh digunakan, tetapi aplikasi menerimanya.
• Model mungkin tertumpu pada bayang atau latar belakang dan bukannya pada bintik-bintik itu.
• Kes itu mungkin tidak terwakili dalam data latihan.
• Pengguna mungkin memasukkan nama tanaman atau lokasi yang salah.
• Sistem mungkin menghubungkan imej itu dengan konteks ladang yang lain.
• Sistem mungkin menyusun kebarangkalian itu dengan keyakinan yang melebihi apa yang dibenarkan oleh bukti.
• Sistem mungkin mendapatkan semula sumber yang betul, tetapi sumber yang sudah lapuk atau tidak sesuai untuk negara berkenaan.
• Antara muka mungkin meringkaskan sumber itu dengan cara yang mengubah maknanya.
• Maklumat umum mungkin bertukar menjadi saranan rawatan yang tidak dibenarkan.
• Jawapan mungkin tiba lewat, selepas keadaan sudah berubah.
• Sistem mungkin merekodkan sesuatu keputusan yang dicadangkan seolah-olah ia benar-benar telah dilaksanakan.
• Sesuatu pemerhatian yang tidak berdokumentasi mungkin masuk ke dalam data latihan sebagai diagnosis yang disahkan.

Atas sebab ini, tidak memadai untuk mengatakan bahawa "model itu mengenal pasti imej tersebut". Kita perlu tahu bagaimana imej itu menjadi satu kebarangkalian, bagaimana kebarangkalian itu dihubungkan dengan sumber, bagaimana inferens yang tidak selamat dihalang, siapa yang mengambil keputusan, dan bagaimana hasilnya didokumentasikan. Untuk pembaca lanjutan: kes ini menghimpunkan beberapa fungsi yang berbeza, dan setiap satunya sepatutnya dinilai secara berasingan: kualiti imej, penentuan lokasi gejala, pengelasan corak visual, pengesanan kes luar biasa, pengumpulan konteks, penyusunan kebarangkalian, dapatan semula sumber, pengesahan kesesuaiannya, perumusan jawapan, penerapan peraturan keselamatan, rujukan kepada manusia, dan susulan hasil. Kejayaan satu fungsi tidak boleh dijadikan bukti kejayaan fungsi-fungsi yang lain. "Penutupan diagnostik pramatang" juga perlu dielakkan — iaitu berhenti pada penjelasan pertama yang kelihatan meyakinkan — dan sebaliknya seseorang perlu mencari bukti yang menyokongnya serta bukti yang mungkin menyangkalnya. Jika perjalanan itu berhenti selepas mengenal pasti corak yang kelihatan dalam imej, maka kita sedang berurusan dengan satu alat analisis imej. Jika konteks dan penyusunan kebarangkalian ditambah, maka kita sedang berurusan dengan satu pembantu penaakulan awal. Jika ia dihubungkan dengan sumber yang sesuai, peraturan keselamatan, laluan semakan manusia, pendokumentasian, dan tindakan susulan, maka kita sedang berurusan dengan satu sistem sokongan keputusan. Perbezaan antara tahap-tahap ini tidak semestinya kelihatan pada keanggunan antara muka atau kelancaran jawapan; sebaliknya, ia kelihatan pada soalan yang ditanya oleh sistem, andaian yang didedahkannya, sumber yang disediakannya untuk diteliti, dan had yang tidak dibenarkannya untuk dilangkaui. Prinsip menyeluruhnya: imej daun mungkin mendedahkan di mana soalan itu bermula, tetapi ia tidak dengan sendirinya menetapkan di mana jawapan itu berakhir; dan keputusan yang bertanggungjawab ialah keputusan yang menghubungkan apa yang dilihat oleh sistem dengan apa yang diketahuinya tentang konteks, apa yang boleh disabitkannya daripada sumber, dan apa yang mesti kekal di bawah pertimbangan manusia.

14. Apakah yang Perlu Kekal pada Pembaca daripada Bab Ini?

Apakah yang perlu kekal pada pembaca daripada bab ini? Pembaca tidak perlu menghafal nama algoritma, atau mengetahui perincian bagaimana ia dibina, untuk berfikir dengan jelas tentang kecerdasan buatan pertanian. Yang penting ialah melihat hubungan antara empat perkara: soalan yang ingin kita jawab, data yang ada pada kita, keputusan yang dihasilkan oleh sistem, dan tindakan yang mungkin berlaku di ladang berdasarkannya. Sebuah sistem yang menganalisis imej daun tidak melaksanakan tugas yang sama dengan sistem yang meramalkan hasil. Sebuah sistem yang meramalkan keperluan air sesuatu tanaman tidak melaksanakan tugas yang sama dengan alat perancangan yang memilih bila hendak menghidupkan pam. Begitu juga, mengeluarkan amaran bukanlah sama dengan membuat keputusan, membuat keputusan bukanlah sama dengan melaksanakan tindakan, dan melaksanakan tindakan itu sendiri tidak menjamin hasil pertanian yang lebih baik. Apabila berhadapan dengan mana-mana aplikasi, peranti, atau pembentangan jualan, pembaca boleh menyusun penilaian itu kepada empat kumpulan soalan. Pertama — apakah masalah yang cuba diselesaikan oleh sistem itu? Mulakan dengan tujuannya, bukan dengan nama teknologinya:

• Apakah masalah pertanian khusus yang ditangani oleh sistem itu?
• Siapakah pengguna yang disasarkan: petani, pegawai pengembangan, doktor veterinar, pengurus operasi, atau penyelidik?
• Adakah ia menerangkan apa yang sedang berlaku sekarang, atau meramalkan apa yang mungkin berlaku kemudian?
• Adakah ia mengemukakan kebarangkalian, mencadangkan sesuatu keputusan, atau melaksanakan sesuatu tindakan pada mesin?
• Apakah keputusan yang sepatutnya berubah kerana hasilnya?
• Adakah outputnya tiba sementara campur tangan masih boleh berguna?

Sesebuah syarikat mungkin mengatakan bahawa sistemnya 'mengesan penyakit tanaman', tetapi huraian itu mungkin menyembunyikan tugas-tugas yang amat berbeza. Adakah ia mengenal pasti kehadiran sesuatu perubahan pada daun sahaja? Adakah ia membandingkan imej itu dengan sebilangan kes yang terhad? Adakah ia menyusun kemungkinan punca mengikut kedudukan? Adakah ia menyediakan sumber? Adakah ia mencadangkan rawatan? Setiap satu daripada tahap-tahap ini melibatkan data, risiko, dan tanggungjawab yang berbeza. Seseorang juga perlu bertanya apakah makna keputusan itu sendiri. Jika sistem memaparkan nombor 0.82, apakah maknanya? Adakah ia satu kebarangkalian? Satu skor keserupaan? Satu kadar kawasan yang terjejas? Dan jika ia meramalkan hasil 4.7, apakah unitnya: tan bagi setiap hektar, bagi setiap feddan, atau bagi keseluruhan ladang? Dan tempoh masa manakah yang dirujuknya? Sesuatu output yang tidak diketahui unitnya, masanya, atau hubungannya dengan keputusan mungkin kelihatan persis, tetapi ia tidak menyokong tindakan yang bertanggungjawab. Kedua — apakah yang diketahui oleh sistem itu, dan apakah yang tidak mungkin diketahuinya? Setiap model bergantung pada data yang dipelajarinya, atau pada peraturan dan sumber yang dibekalkan kepadanya. Maka seseorang perlu bertanya:

• Data jenis apakah yang menjadi asas pembinaannya?
• Dari manakah datangnya?
• Siapakah yang mengesahkan kualitinya?
• Adakah ia mewakili tanaman, varieti, musim, dan persekitaran tempat ia akan digunakan?
• Adakah ia merangkumi kes awal, bercampur, dan sukar, ataupun hanya kes yang jelas sahaja?
• Apakah maklumat yang tidak dapat dilihat atau dicapai oleh sistem itu?
• Apakah yang berlaku jika imejnya buruk, bacaannya tidak lengkap, atau penderianya rosak?
• Adakah ia membezakan antara apa yang benar-benar diukurnya, apa yang dimasukkan oleh pengguna, dan apa yang disimpulkannya sendiri?

Sebuah model imej tumbuhan mungkin belajar daripada contoh-contoh, dan setiap satunya dihubungkan dengan satu kelas rujukan yang disahkan oleh pakar. Sebuah model hasil mungkin belajar daripada rekod-rekod yang dihubungkan dengan nilai rujukan yang diukur selepas tuaian. Jika kelas rujukan atau ukuran itu tidak tepat, kesilapan itu memasuki proses pembelajaran itu sendiri. Keserupaan antara data latihan dengan persekitaran ladang juga bukan butiran sampingan. Sebuah model yang dilatih pada imej daun secara individu di dalam makmal mungkin bergelut di ladang yang daunnya bertindih dan cahayanya berubah-ubah. Sebuah sistem yang dilatih di ladang besar dengan liputan penderia yang teratur mungkin tidak mengekalkan prestasinya pada pegangan kecil yang bergantung kepada pengukuran yang terputus-putus. Soalan pentingnya bukan sahaja, 'Apakah yang dilihat oleh sistem itu?' tetapi juga: Apakah yang tidak dapat dilihatnya, sedangkan keputusan itu bergantung kepadanya? Sesuatu imej tidak sentiasa mendedahkan keadaan akar, tidak dengan sendirinya menerangkan sejarah pengairan dan pembajaan, dan tidak membuktikan kehadiran agen penyebab penyakit. Satu bacaan kelembapan pada satu titik tidak semestinya menggambarkan keseluruhan sektor. Dan sesuatu rekod digital tidak sentiasa menunjukkan sama ada tindakan yang direkodkan itu benar-benar dilaksanakan. Ketiga — bagaimana kita tahu bahawa sistem itu benar-benar berfungsi? Tidak memadai sesuatu produk memaparkan peratusan yang tinggi atau percubaan yang berjaya. Seseorang perlu bertanya:

• Dengan apakah sistem itu dibandingkan?
• Adakah ia mengatasi kaedah yang sedang digunakan sekarang, atau sekadar satu garis dasar yang lemah?
• Adakah ia diuji pada ladang, musim, atau peranti yang bukan sebahagian daripada latihannya?
• Kesilapan jenis manakah yang lebih serius dalam tugas ini?
• Berapa kerapkah kesilapan itu berlaku?
• Adakah keputusan dikemukakan bagi setiap kes penting, atau disembunyikan di dalam suatu purata keseluruhan?
• Adakah hanya modelnya sahaja yang ditunjukkan berjaya, atau adakah keseluruhan sistem itu diuji?
• Adakah terdapat bukti tentang kesan pada keputusan dan hasil pertanian, atau hanya pada ketepatan ramalan?

Kaedah yang sedang digunakan sekarang, atau peraturan realistik yang paling mudah yang kita jadikan pembanding bagi sistem baharu itu, dinamakan garis dasar untuk perbandingan atau 'garis dasar'. Garis dasar itu mungkin berupa pemeriksaan oleh pakar, purata musim-musim terdahulu, jadual pengairan yang ditentukur secara tempatan, atau sistem lama yang sudah digunakan. Soalannya bukanlah sama ada model itu mengatasi ketiadaan apa-apa, tetapi: Adakah ia menambah nilai melebihi kaedah realistik yang sudah tersedia, dan adakah nilai itu berbaloi dengan kos penggunaannya? Ujian itu juga seharusnya menyerupai keadaan penggunaan yang sebenar. Jika imej pokok yang sama, atau imej berturutan yang sangat serupa, masuk ke dalam kedua-dua data latihan dan data ujian, keputusannya mungkin kelihatan cemerlang kerana model itu sebenarnya sudah pernah melihat sesuatu yang seumpama ujian itu sebelumnya. Inilah satu bentuk kebocoran data: maklumat atau contoh yang berkait rapat sampai ke set ujian sedangkan ia sepatutnya kekal terasing daripadanya. Perlu juga dibezakan antara tiga jenis bukti:

1. Bukti prestasi model:

Ia menunjukkan bahawa model itu mengelaskan imej atau meramalkan nilai dengan baik dalam sesuatu ujian yang khusus.

2. Bukti prestasi sistem:

Ia menunjukkan bahawa pengumpulan data, semakan kualiti, analisis, pengemukaan keputusan, komunikasi, dan pelaksanaan berfungsi bersama-sama dalam keadaan dunia sebenar.

3. Bukti impak pertanian:

Ia menunjukkan bahawa penggunaan sistem itu membawa kepada keputusan yang lebih baik, mengurangkan mudarat, memelihara sesuatu sumber, atau menambah baik sesuatu hasil di ladang.

Dan jenis yang pertama tidak secara automatik menyabitkan dua jenis yang lain. Ramalan itu mungkin betul, tetapi amarannya tiba lewat. Atau ia mungkin tiba tepat pada masanya, tetapi pengguna tidak mempunyai sumber yang diperlukan untuk melaksanakan saranan itu. Dan keputusan itu mungkin dilaksanakan, tetapi kesannya berbeza kerana sesuatu faktor yang tidak diambil kira oleh sistem. Keempat — Apakah yang berlaku apabila sistem tidak tahu, atau apabila ia gagal? Sebuah sistem yang bertanggungjawab tidak bertindak seolah-olah semua kes sudah dikenali, semua data lengkap, dan semua peranti sentiasa berfungsi. Oleh itu kita perlu bertanya:

• Adakah ia menjelaskan bahawa buktinya tidak mencukupi apabila kes itu kabur?
• Adakah ia menyediakan suatu julat atau darjah keyakinan dan bukannya satu nombor yang muktamad?
• Bolehkah ia meminta maklumat tambahan?
• Bolehkah ia menahan diri daripada membuat diagnosis atau saranan apabila ia tidak mempunyai asas yang mencukupi?
• Apakah yang dilakukannya jika penderia, sambungan, atau bekalan kuasa terputus?
• Adakah ia beralih kepada mod selamat, atau adakah ia meneruskan berdasarkan data lama?
• Siapakah yang menyemak kes yang belum selesai?
• Siapakah yang mempunyai kuasa untuk menghentikan pelaksanaan atau mengatasinya?
• Bagaimanakah pasukan itu mengesan bahawa prestasi telah merosot selepas pembelian atau penggunaan?
• Siapakah yang meluluskan kemas kini dan keluaran baharu?

Ketidakpastian bermaksud bahawa bukti itu tidak menyokong semua hasil dengan kekuatan yang sama. Imej itu mungkin jelas dan serupa dengan apa yang dipelajari oleh model, atau ia mungkin tidak lengkap dan menggambarkan kes yang belum pernah dilihatnya. Penderia-penderia itu mungkin sepakat, atau bacaannya mungkin bercanggah. Adapun menahan diri, ia bermaksud bahawa sistem tidak memaksa dirinya mengeluarkan penghakiman apabila bukti tidak mengizinkannya. Ia mungkin berkata: "Data semasa tidak mencukupi untuk menentukan keadaan itu dengan selamat. Hantarkan imej tambahan, periksa penderia, atau rujukkan kes itu kepada pakar." Ini bukanlah tanda kelemahan jika digunakan di tempat yang betul. Suatu jawapan yang menyatakan hadnya dan mengenal pasti langkah seterusnya mungkin lebih berguna daripada jawapan muktamad yang tidak disokong oleh bukti yang mencukupi. Namun menahan diri juga menuntut keseimbangan. Sebuah sistem yang menahan diri dalam kebanyakan kes mungkin kurang berguna, dan sebuah sistem yang tidak pernah menahan diri mungkin berbahaya. Apa yang diperlukan ialah menentukan kes-kes yang ia sepatutnya menjawab, kes-kes yang ia sepatutnya meminta maklumat tambahan, dan kes-kes yang kuasanya berpindah kepada seorang manusia yang berkelayakan. Apabila data atau sambungan gagal, tidak memadai bagi manual teknikal untuk mengatakan bahawa sistem itu "menyokong operasi luar talian". Kita perlu tahu apa yang sebenarnya kekal tersedia, bila data itu terakhir dikemas kini, sama ada pengguna boleh membezakan antara bacaan langsung dengan bacaan lama, dan bagaimana untuk kembali kepada mod operasi manual yang selamat. Soalan-soalan ini tidak menentang inovasi Soalan-soalan di atas mungkin kelihatan banyak, tetapi ia bukan bertujuan menghalang teknologi atau menolaknya. Ia membantu memindahkan inovasi daripada suatu demonstrasi yang menarik kepada satu alat yang boleh dipercayai, digunakan, dan disemak. Sebuah teknologi yang matang boleh menjelaskan:

• Tugas yang dilaksanakannya.
• Data yang menjadi sandarannya.
• Keadaan-keadaan yang menjadi latar ujiannya.
• Jenis-jenis kesilapan yang dilakukannya.
• Had keputusan yang dihasilkannya.
• Apa yang berlaku apabila data hilang atau peralatan gagal.
• Siapa yang memegang keputusan muktamad.
• Bagaimana prestasi dipantau selepas penggunaan bermula.

Tetapi sebuah teknologi yang menyembunyikan soalan-soalan ini di sebalik nama model yang terkenal, satu peratusan umum, atau antara muka yang menyilaukan masih memerlukan kematangan, betapa lancar sekalipun pembentangannya. Kepercayaan tidak lahir daripada ketiadaan soalan, tetapi daripada keupayaan sistem dan pihak yang bertanggungjawab terhadapnya untuk menjawab soalan-soalan itu dengan bukti yang jelas.

Ringkasan Bab

Tiada satu kaedah tunggal yang terbaik bagi semua masalah pertanian, dan kaedah AI juga tidak bergerak di sepanjang satu tangga yang semestinya berakhir dengan model yang terbesar atau terbaharu. Setiap kaedah mempunyai jenis soalan yang ditanganinya dengan baik, jenis data yang diperlukannya, dan had yang perlu difahami. Apa yang dikemukakan oleh bab ini boleh disusun mengikut fungsi yang dilaksanakan oleh kaedah berkenaan. Kaedah yang belajar daripada contoh dengan hasil yang diketahui Dalam pembelajaran terselia, model mempelajari hubungan antara input dengan hasil rujukan yang berkaitan dengannya. Inputnya mungkin imej daun, dan hasil rujukannya mungkin keadaan yang disahkan oleh seorang pakar. Atau inputnya mungkin data cuaca, tanah, dan pengurusan, dan hasil rujukannya mungkin nilai hasil yang diukur selepas tuaian. Kekuatan kaedah ini ialah ia menggunakan contoh-contoh terdahulu untuk meramalkan sesuatu hasil yang baharu. Batasan asasnya ialah ia belajar daripada cara contoh-contoh itu dibina, termasuk kesilapannya, kecenderungannya, dan kesempitan perwakilannya. Adapun pembelajaran separa terselia, ia bersandar pada sebilangan contoh terhad yang disemak oleh seorang pakar, di samping sebilangan imej atau rekod yang lebih besar yang hasilnya belum ditentukan. Ini mungkin mengurangkan beban semakan, tetapi ia tidak menampung kelemahan contoh berdokumentasi atau kepelbagaian yang terhad antaranya. Kaedah yang mencari corak tanpa jawapan sedia bagi setiap contoh Dalam pembelajaran tanpa seliaan, sistem mencari keserupaan dan perbezaan dalam data. Ia mungkin membahagikan ladang kepada zon-zon yang serupa kelembapan atau hasilnya, atau mengesan rekod yang menyimpang daripada corak kebiasaan. Tetapi sesuatu kelompok yang ditemui oleh sistem itu bukanlah, dengan sendirinya, suatu diagnosis pertanian. Dua zon mungkin serupa dari segi pengiraan atas sebab yang berbeza. Peranan algoritma ialah mendedahkan sesuatu corak yang wajar diperiksa; menafsirkan puncanya memerlukan konteks lapangan, pemeriksaan, dan kepakaran. Pengesanan anomali termasuk dalam bidang ini dalam banyak aplikasi. Sistem mungkin menarik perhatian kepada penderia yang mula hanyut, haiwan yang berubah aktivitinya, atau penggunaan air yang bergerak ke luar julat kebiasaan. Tetapi ia tidak secara automatik menyabitkan bahawa sesuatu penyakit atau kerosakan telah berlaku. Kaedah yang menganalisis imej dan perubahan sepanjang masa Penglihatan komputer menggunakan imej atau video untuk mengelaskan sesuatu keadaan, menentukan lokasi sesuatu objek, menggariskan sempadan kawasan yang terjejas, atau menjejaki sesuatu objek merentas bingkai berturutan. Tetapi melihat sesuatu bintik tidak bermakna mengetahui puncanya, dan menentukan lokasi rumpai tidak bermakna mesin itu boleh membuangnya dengan selamat. Sesuatu output penglihatan mungkin menjadi input kepada peringkat inferens atau kawalan yang seterusnya, dan bukannya suatu keputusan yang lengkap. Adapun kaedah yang menganalisis perubahan sepanjang masa, ia meneliti jujukan bacaan: bagaimanakah kelembapan itu berubah? Adakah aktiviti haiwan itu meningkat atau menurun? Apakah arah aliran yang dijangka dalam hasil atau permintaan air? Kaedah-kaedah ini menuntut perhatian kepada kemusiman, keadaan yang berubah-ubah, jurang dalam pengukuran, dan keperluan untuk tidak menganggap bahawa corak lampau akan sentiasa berterusan. Kaedah yang mewakili kebarangkalian dan memisahkan ramalan daripada kesan campur tangan Model kebarangkalian membantu menyatakan ketidakpastian dan bukannya menyembunyikannya. Ia mungkin menyusun beberapa penjelasan yang mungkin mengikut kedudukan, mengemukakan suatu julat bagi hasil yang dijangka, atau mengemas kini kebarangkaliannya apabila maklumat baharu tiba. Tetapi kebarangkalian itu tidak berguna semata-mata kerana ia muncul sebagai satu peratusan; kebolehpercayaan skor keyakinan mesti diuji, dan mesti ditunjukkan sama ada kes itu menyerupai persekitaran tempat sistem itu diuji. Adapun inferens kausal, ia menangani satu soalan yang lebih sukar daripada ramalan. Ramalan bertanya, 'Apakah yang dijangka akan berlaku?' sedangkan soalan kausal bertanya, 'Apakah yang dijangka akan berubah jika kita campur tangan?' Sesuatu model mungkin berjaya meramalkan hasil daripada data tanah dan pengurusan tanpa menyabitkan bahawa menambah salah satu daripada inputnya akan meningkatkan hasil. Beralih daripada memerhatikan sesuatu hubungan kepada mengesyorkan sesuatu campur tangan memerlukan bukti yang lebih kuat, reka bentuk yang sesuai, pengetahuan pertanian, serta had alam sekitar dan kawal selia. Kaedah yang membandingkan alternatif atau menangani tindakan berjujukan Perancangan dan pengoptimuman matematik membantu mengagihkan sumber dan menimbang pertukaran timbal balik antara pelan dalam kekangan yang jelas. Ia mungkin mengagihkan kuantiti air yang terhad merentas beberapa sektor sambil mengambil kira peringkat pertumbuhan, kapasiti pam, tenaga, dan waktu operasi. Tetapi pelan yang terhasil mencerminkan objektif dan kekangan yang ditentukan oleh pereka bentuk. Jika objektif itu mengabaikan kesihatan tumbuhan atau keadilan antara sektor, alat itu mungkin menghasilkan satu pelan yang berjaya dari segi pengiraan namun tidak boleh diterima dari segi pertanian. Adapun pembelajaran pengukuhan, ia menangani satu jujukan tindakan yang mengubah keadaan persekitaran. Sistem mungkin memilih sesuatu tindakan, memerhatikan hasilnya, kemudian melaraskan pilihannya untuk menambah baik sesuatu objektif jangka panjang. Namun, jenis pembelajaran ini memerlukan penerokaan hasil tindakan, dan sistem itu tidak boleh mencuba tindakan yang berbahaya di ladang semata-mata untuk mempelajari bahawa ia tidak selamat. Oleh itu ia memerlukan simulasi, ujian berperingkat, kekangan keselamatan yang eksplisit, dan kuasa manusia untuk menghentikannya. Kaedah yang membuka pintu dialog dengan pengetahuan Model bahasa boleh meringkaskan teks, menterjemahkannya, mengekstrak maklumat, dan merumuskan jawapan dalam bahasa tabii. Ia memudahkan capaian kepada pengetahuan, kerana petani boleh bertanya dalam bahasanya sendiri dan bukannya mengemudi menu yang rumit. Tetapi kelancaran sesuatu jawapan tidak membuktikan kebenarannya. Sesuatu model mungkin menghasilkan pernyataan yang meyakinkan tanpa sokongan yang mencukupi. Atas sebab ini, ia boleh dihubungkan dengan satu saluran yang menggeledah sumber berwibawa dan mendapatkan semula petikan yang berkaitan sebelum merumuskan jawapan. Dapatan semula tidak secara automatik menjamin kebenaran jawapan; sistem mungkin menemui sumber yang betul yang bagaimanapun tidak sesuai untuk tanaman, negara, atau tarikh berkenaan. Jawapan itu mesti membezakan antara apa yang tertera dalam sumber, apa yang disimpulkan oleh sistem, dan apa yang memerlukan pertimbangan seorang pakar. Alat yang membantu kita meneliti keputusan Alat kecerdasan buatan boleh dijelaskan cuba menunjukkan apa yang mempengaruhi keputusan model: bahagian-bahagian imej, bacaan yang berkaitan dengan ramalan, contoh-contoh yang serupa, atau sesuatu perubahan yang mungkin telah mengubah output model. Alat-alat ini mungkin membantu pembangun menemui sesuatu kesilapan, atau membantu pakar menyemak sesuatu keputusan. Tetapi ia menjelaskan apa yang digunakan oleh model, dan tidak semestinya menyabitkan apa yang menyebabkan fenomena itu di ladang. Sesuatu penjelasan yang meyakinkan tidak menukarkan keputusan yang salah menjadi betul, dan tidak juga menampung kelemahan data atau ketiadaan ujian luaran. Kaedah itu sebahagian daripada satu rantaian yang lebih besar Tiada satu pun daripada kaedah-kaedah ini beroperasi dalam kekosongan. Sistem pertanian biasanya melalui satu rantaian yang bermula dengan realiti dan berakhir dengan kesan baharu terhadapnya: Realiti lapangan → pengukuran atau imej atau rekod → semakan kualiti data → anggaran atau ramalan → peraturan dan konteks → keputusan → pelaksanaan → impak pertanian → tindakan susulan Rantaian itu boleh gagal pada mana-mana pautan:

• Penderia mungkin menghasilkan bacaan yang salah atau bacaan dalam unit yang tidak dijangka.
• Sesuatu imej mungkin dikaitkan dengan hasil rujukan yang tidak tepat.
• Imej tumbuhan yang sama mungkin masuk ke dalam kedua-dua set latihan dan ujian, lalu menjadikan keputusannya kelihatan lebih baik daripada keupayaan sebenarnya untuk membuat generalisasi.
• Model mungkin belajar daripada persekitaran yang tidak menyerupai ladang tempat ia akan beroperasi.
• Ramalan itu mungkin betul, tetapi peraturan keputusan mungkin menterjemahkan maknanya secara salah.
• Sesuatu objektif pengiraan mungkin dipilih sedangkan ia terlepas pandang sesuatu kekangan pertanian atau alam sekitar.
• Sistem mungkin mendapatkan semula sumber yang tidak berkaitan dengan tanaman atau wilayah berkenaan.
• Jawapan bahasa mungkin kelihatan lebih boleh dipercayai daripada bukti yang mendasarinya.
• Amaran mungkin tiba selepas jendela masa untuk campur tangan telah berlalu.
• Arahan yang betul mungkin dikeluarkan, tetapi peralatan mungkin gagal melaksanakannya.
• Pengguna mungkin tidak mempunyai sumber atau kuasa yang diperlukan untuk melaksanakan cadangan itu.
• Realiti mungkin berubah dari semasa ke semasa sedangkan sistem terus beroperasi seolah-olah keadaan tidak berubah.

Atas sebab ini, membandingkan dua algoritma tidak selalunya memadai. Perbezaan antara kedua-duanya mungkin kecil, sedangkan kesan kualiti penderia, kejelasan antara muka, keselamatan pelaksanaan, atau kapasiti pasukan untuk bertindak balas mungkin jauh lebih besar. Kontrak yang menghubungkan teknologi dengan keputusan Mesej bab ini boleh diringkaskan dalam pernyataan berikut: Kaedah teknikal ialah sebahagian daripada suatu kontrak jelas yang menghubungkan soalan, data, output, tindakan, dan tanggungjawab. Apa yang dimaksudkan bukanlah kontrak dari segi undang-undang, tetapi suatu persetujuan intelektual dan praktikal yang syarat-syaratnya mesti jelas:

1. Soalan: Apakah masalah khusus yang cuba kita selesaikan?
2. Data: Apakah bukti yang membolehkan kita menjawabnya, dan apakah had kualiti serta kewakilannya?
3. Output: Apakah yang akan dihasilkan oleh sistem, dalam unit apa, dan dengan darjah keyakinan yang bagaimana?
4. Kesilapan: Bagaimanakah ia mungkin gagal, dan kesilapan yang manakah paling memudaratkan?
5. Tindakan: Apakah keputusan atau tindakan yang mungkin berasaskan output tersebut?
6. Tanggungjawab: Siapakah yang menyemak, meluluskan, melaksanakan, menghentikan, dan memantau impaknya?

Jika algoritma dipilih sebelum perkara-perkara ini difahami, ia menjadi satu nama teknikal yang mencari-cari masalah. Tetapi jika reka bentuk bermula dengan keputusan yang diperlukan, data yang tersedia, akibat kesilapan, asas perbandingan yang realistik, dan kekangan operasi, maka algoritma itu boleh menjadi alat yang persis dalam sebuah sistem yang lebih besar yang dipimpin, disemak, dan dipertanggungjawabkan oleh manusia. Kefahaman sebenar tentang kecerdasan buatan pertanian tidak bermula apabila kita menghafal nama-nama model, tetapi apabila kita mampu bertanya:

• Apakah yang sebenarnya dilihat oleh sistem itu?
• Apakah yang disimpulkannya?
• Apakah yang tidak mampu diketahuinya?
• Apakah bukti yang menyokong keputusan itu?
• Apakah tindakan yang akan lahir daripadanya?
• Siapakah yang memikul tanggungjawab bagi tindakan itu?
• Apakah yang berlaku jika keputusan itu salah?

Kita mendapat manfaat daripada kepantasan kecerdasan buatan apabila tugasnya jelas, datanya sesuai, dan hadnya dinyatakan secara eksplisit. Kita berhenti untuk mencari suatu pengukuran, sumber, atau pakar apabila keputusannya melangkaui apa yang mampu dibuktikan oleh bukti. Sintesis: Jangan hanya bertanya, "Adakah sistem ini pintar?" Sebaliknya tanyalah, "Apakah yang diketahuinya, bagaimanakah ia sampai mengetahuinya, apakah yang tidak diketahuinya, dan apakah yang akan berlaku di ladang jika kita mempercayainya?" Nota tentang bukti dan had pergantungan Kedua-dua ulasan [SRC001] dan [SRC002] menyokong huraian umum tentang keluasan aplikasi kecerdasan buatan dan penglihatan komputer dalam domain pertanian dan makanan, tanpa membayangkan bahawa setiap aplikasi sesuai untuk semua tanaman dan persekitaran. [SRC035] menyokong pandangan bahawa sistem pertanian digital ialah suatu rantaian saling berkait yang merangkumi penderiaan, data, konteks, keputusan, dan tindakan, dan ini mewajarkan penilaian sistem secara keseluruhan dan bukan bergantung kepada output model semata-mata. [SRC006] digunakan sebagai contoh terbatas bagi ramalan hasil dan penggunaan alat kebolehtafsiran dalam suatu tetapan penyelidikan tertentu. Susunan faktor atau dapatan daripada tetapan tersebut tidak boleh ditukarkan menjadi hubungan kausal umum atau fakta yang terpakai kepada setiap ladang. [SRC009] digunakan untuk membetulkan atribusi teknologi pengesanan rumpai: ia berkaitan dengan analisis imej dari ladang kacang soya menggunakan kaedah penglihatan konvolusi, dan ia tidak membuktikan kewujudan sistem pembuangan robotik yang berasaskan pembelajaran pengukuhan. Pembetulan ini membantu membezakan antara melihat sesuatu objek dalam imej dengan mengawal mesin yang berinteraksi dengannya. Pemaparan risiko, pengawasan, dan semakan berterusan sepanjang kitaran hayat sistem berpandukan rangka kerja yang dipetik dalam [SRC033]. Adapun kes pengajaran bersepadu, panduan menghubungkan tugas dengan kaedah, soalan praktikal, dan contoh lapangan yang dipaparkan dalam bab ini, semuanya merupakan sintesis editorial bersifat pengajaran yang bertujuan menjelaskan perbezaan antara pengukuran, analisis, keputusan, dan pelaksanaan. Contoh-contoh ini tidak mewakili hasil sesuatu eksperimen baharu, bukti prestasi mana-mana sistem tertentu, suatu diagnosis pertanian, atau preskripsi untuk merawat sesuatu tanaman.