Dördüncü Bölüm: Tarımsal Bağlamda Yapay Zekâ Yöntemleri

İkinci Kısım — Yapay Zekânın ve Verinin Temelleri

Bu kısmın sorusu: Bir yapay zekâ sisteminin içinde, veriyi aldığı andan yanıtı ya da önerisi çiftçiye ulaşana dek ne olup biter?

Akıllı bir sistem sulama zamanı önerdiğinde, bir bitki yaprağını etkileyen hastalığı tanımladığında ya da üretimi öngördüğünde, yanıt ekranda bir anda beliriverdi gibi görünebilir. Oysa o yanıt, kullanıcının görmediği uzun bir yolculuğun son durağıdır: Tarladan, uydulardan ya da geçmiş kayıtlardan toplanan veriyle başlar; sonra bir öngörüye, öneriye ya da uyarıya dönüşmeden önce ölçümden, temizlemeden, sınıflandırmadan ve çözümlemeden geçer. Kamusal tartışmada yapay zekâ, kimi zaman her durumda anlayabilen ve karar verebilen tek bir zihin gibi sunulur. Gerçekte ise tek bir araç değil, her biri belirli görevler için tasarlanmış çeşitli yöntem ve model ailelerinden oluşur. Bir bitki yaprağının görüntüsünü çözümleyen araç, ürün verimini öngören araçla aynı değildir; binlerce belgeden bilgi çıkaran bir sistem de ne zaman sulanacağını belirleyen sistemle aynı biçimde çalışmaz. Her yöntemin güçlü yanları, dayandığı varsayımlar, gerektirdiği veri ve sonuçlarına güvenilmeden önce anlaşılması gereken olası hataları vardır. Bu kısmın amacı, okuru bir yapay zekâ uzmanına dönüştürmek ya da ona matematiksel ve programlamaya ilişkin ayrıntı yüklemek değildir. Amacı daha derin ve daha pratiktir: Okura, bir sonucun nasıl üretildiğini bilmeden ondan gözü kamaşmaktan koruyacak bir kavrayış kazandırmak ve uygun veriyle açık kanıt üzerine kurulmuş bir sistem ile yeterli bilgiyle desteklenmemiş kendinden emin yanıtlar sunan bir sistemi ayırt etmesine yardımcı olmaktır. Bu amaçla, kesinlikle sadeliği birleştiren bir dille sistemin içine bakmayı deneyeceğiz. Şunu soracağız: Hangi veriden öğrendi? O veri nereden geldi, kim topladı, hangi toprakta, hangi iklimde ve hangi mevsimde? Sistemin kullanılacağı çiftliğin koşullarını mı, yoksa farklı bir çevreyi mi temsil ediyor? Model neyi görebiliyor, neler onun görüş alanının dışında kalıyor? Yanıtının doğru olduğunu nereden biliyor? Ve nasıl yanılabilir, duraksayabilir ya da kanıtın izin verdiğinden fazla güven sergileyebilir? Bunlar, tarımsal gerçeklikten uzak teknik sorular değildir. Hava durumu verisi eksikse, bir uydu görüntüsü bulutlarla örtülüyse, bir sensör kalibre edilmemişse ya da model farklı bir ürün veya iklim üzerinde eğitilmişse, kusur bir aşamadan diğerine geçerek çiftçiye görünüşte kesin bir öneri olarak ulaşabilir. Bu, yapay zekânın işe yaramaz olduğu anlamına gelmez; onun gerçek değerinin yalnızca hesaplamalı zekâsından değil, yanıtını üreten zincirin tamamının niteliğinden geldiği anlamına gelir. Yapay zekâ yöntemleriyle ve her birinin seçilme mantığıyla başlıyoruz: Bir araç neden bir soruna uygunken bir başkası değildir? Sonra veriye geçiyoruz; çünkü veri, sistemin kendisinden öğrendiği malzeme ve dünyayı içinden gördüğü aynadır. Ardından verinin kökenini ve kalitesini inceliyoruz ki bilginin nereden doğduğunu, izlediği yolu ve üzerinde hangi değişikliklerin yapıldığını bilelim. Sonra uzaktan algılamaya varıyoruz; burada uydulardan ve dronlardan gelen görüntüler, tarla cihazlarıyla birlikte bitki, toprak ve su göstergelerine dönüştürülür. Oradan karar destek sistemlerine ve bilgi erişimine geçerek ölçümlerin, modellerin ve tarımsal uzmanlığın, doğru zamanda ve doğru yerde kullanılabilecek bir yanıtta nasıl bir araya getirildiğini göreceğiz. Bu sıralama keyfî değildir; bilginin sistem içinde izlediği yolu yansıtır. Uygun olmayan bir yöntem çıkarımı bozabilir, zayıf veri en iyi modelleri bile temelsiz bırakabilir, bilinmeyen bir kaynak sonucun doğrulanmasını güçleştirir ve hatalı bir ölçüm hatalı bir öneri üretir. Dayanağını ve sınırlarını açıkça ortaya koymayan bir yanıt, bir yardım aracı olmaktan çıkıp yeni bir risk kaynağına dönüşebilir. Bu temelleri anlamak, çiftçinin her denklemi ya da her kod satırını bilmesi gerektiği anlamına gelmez; tıpkı bir traktör sürücüsünün makine mühendisi olması gerekmediği gibi. Ama çiftçinin, sağlıklı işleyişi arızadan, gerçek kabiliyeti bir pazarlama vaadinden ve karar vermeye yardımcı olan bir aracı, kararın tamamını kendisine teslim etmesini isteyen bir araçtan ayırt edecek kadarını bilmesi gerekir. Bu kısımda yapay zekâya, yanıtlar üreten esrarengiz bir kutu olarak değil; veriden, varsayımlardan, ölçümlerden, modellerden ve insan kararlarından oluşan, birbirine bağlı bir zincir olarak bakıyoruz. O zincirdeki her halka, kendisinden sonrakini etkiler. Dolayısıyla en önemli soru yalnızca şu değildir: Sistem ne dedi? Aynı zamanda şudur: Söylediğine nasıl vardı, hangi kanıta dayanarak ve hangi sınırlar içinde ona güvenilebilir? Tartışma, bilimsel derinliğini yitirmeden ve girişi ağır bir teknik izahata dönüştürmeden somut kalıyor.

Dördüncü Bölüm: Tarımsal Bağlamda Yapay Zekâ Yöntemleri

Bölümün Mesajı

Her ürüne, her çiftliğe ve her karara uyan, "tarımsal yapay zekâ" adında tek bir yöntem yoktur. Yapay zekâ dediğimiz şey geniş bir yöntemler yelpazesidir: Kimi geçmiş örneklerden öğrenir, kimi olağandışı örüntüler arar, kimi görüntüleri yorumlar, kimi zaman içindeki değişimi izler, kimi kısıtlar altında seçenekleri karşılaştırır, kimi de bilgiyi getirip bir yanıt hâlinde biçimlendirir. Herhangi bir yöntemin değeri, adının ünüyle ya da modelinin yeniliğiyle başlamaz; yanıtlamak istediğimiz tarımsal soruya uygunluğuyla başlar. Bir sistem hatası, yeniden çekilmesi gereken bir görüntüden ibaret olabilir; ya da bir tedavi penceresini kaçıran gecikmiş bir karar veya bir ürünü ya da bir çalışanı tehlikeye atan otomatik bir işlem olabilir. Bu nedenle seçim, karardan ve hatanın sonucundan başlar; ancak ondan sonra veriye ve yönteme döner — tersi değil. Bu bölüm, çiftçiden programcı olmasını istemediği gibi, bilgili okura tanıdık adları tanıtmakla da yetinmez. Amacı, modelin içinde olan bitenle sonrasında tarlada olup bitenler arasında bir köprü kurmaktır: Sistem neyi görüyor? Neyi öğreniyor? Neyi çıktı olarak veriyor? Nerede yanılabilir? Ve sonuç ne zaman destekleyici bir bilgidir, ne zaman denetim ve sorumluluk gerektiren bir eyleme dönüşür? Algoritmaların adlarından önce: Sorunun sistem içindeki yolculuğu Domates yapraklarında lekeler bulan, bir fotoğraf çeken ve bir uygulamaya "Sorun nedir?" diye soran bir çiftçi düşünelim. Görev basit görünür, ama sistem yaprağı bir insanın gördüğü gibi görmez; tarlanın geçmişini, çeşidi, nemi ya da belirtilerin ne kadar yayıldığını kendiliğinden bilmez. Görüntünün sayısal bir temsilini alır, onu öğrendiği örüntülerle karşılaştırır ve ardından bir sınıf, bir olasılık ya da bir olasılıklar kümesi üretir. Sonrasında bir başka uygulama, sonucu bir öneriye dönüştürebilir. Görüntüyle öneri arasında koca bir seçimler zinciri uzanır. Herhangi bir akıllı tarımsal sistem altı aşama üzerinden anlaşılabilir:

1. Soru: Hangi soruna ya da karara destek olmak istiyoruz?
2. Girdiler: Sistem fiilen hangi veriyi görebiliyor?
3. Temsil: Tarımsal gerçeklik nasıl bir görüntüye, bir sayıya, bir metne ya da bir zaman serisine dönüştürüldü?
4. Yöntem: Girdileri çıktıya bağlayan hesaplamalı aile hangisidir?
5. Çıktı: Sonuç bir sınıflandırma mı, bir tahmin mi, bir olasılık mı, bir sıralama mı, yoksa bir öneri mi?
6. Eylem: Sonucu kim kullanacak ve sonuç yanlış ya da gecikmeli olursa ne olur?

Bu halkaları ayırmak önemlidir. Bir model bir görüntüyü sınıflandırmada iyi olabilirken, görüntünün kendisi tarlayı temsil etmiyor olabilir. Bir öngörü makul olabilir, ama onu bir doza ya da bir zamanlamaya dönüştürmek, modelin öğrenmediği tarımsal kuralları ve güvenlik kısıtlarını gerektirir. Olgun sistemlerde bu ayrımlar "akıllı" sözcüğünün ardında kaybolmaz; kullanıcıya gösterilir ki güvenin nerede yerinde, doğrulamanın nerede gerekli olduğunu bilsin.

1. Sorudan Temsile

Bir insanın kurduğu hâliyle tarımsal soru, genellikle bir modelin baş edebileceği sorudan daha geniştir. "Bu bitkinin durumu iyi mi?" diye sormak; hastalık, besin eksikliği, su stresi, mekanik hasar ve hava koşullarının etkileri ihtimallerini tek bir ifadede birleştirir. Model ise buna karşılık, girdileri temsil edilebilen, çıktısı tanımlanabilen ve hatası ölçülebilen belirli bir göreve ihtiyaç duyar. Etkilenmiş bir yaprak örneğini ele alalım. Bu, farklı problemlere dönüştürülebilir:

Bunlar aynı görevin farklı adları değildir. Her soru; kendisine uygun veriyi, sistemin öğrenebileceği doğru yanıtları, hatalarını ölçecek bir yolu ve sonuç göründükten sonra atılacak açık bir adımı gerektirir. Sınıflandırma ilk eleme için yeterli olabilir, ama robotik bir aracı kesin bir konuma yönlendirmeye yetmez. Bir hasar haritası da görsel olarak mükemmel olabilir, ama hasarın nedenini kanıtlamaz. Aynı şey yabancı otlar için de geçerlidir. Gereken yalnızca bir yabancı otun var olup olmadığını bilmekse, bir sınıflandırma görevi yeterlidir. Gereken yabancı ot yoğunluğunu hesaplamaksa, sayma ya da alan tahmini gerekir. Gereken mekanik bir aracı yönlendirmekse, kesin bir konuma, tepki süresine, bir kontrol sistemine ve bir güvenlik bariyerine ihtiyaç duyarız. "Yabancı otu gördü"den "ona doğru hareket etti"ye geçiş, bilgiden eyleme geçiştir; küçük bir programlama ayrıntısı değil. İşte bu yüzden karar birimi, model seçiminden önce gelir. Karar tek bir yaprağı mı, bir bitkiyi mi, bir sırayı mı, bir kesimi mi, yoksa bütün bir tarlayı mı ilgilendiriyor? Ve biz hasat öncesinde bir tarlanın verimini mi, yoksa depolama ve nakliyeyi planlamak için bir bölgenin toplam üretimini mi öngörüyoruz? Birim değişirse verinin ve hatanın anlamı da onunla birlikte değişir. Bölge düzeyinde iyi bir tahmin, her ikisinde de "verim" ya da "üretim" sözcüğü kullanılsa bile küçük bir kesimde sulamaya karar vermek için uygun olmayabilir. Temsile gelince, o gerçekliğin sistemin izin verdiği ölçüde sadeleştirilmiş sayısal resmidir. Toprağı tek bir derinlikteki nem ölçümüyle temsil edebilir, bitkiyi tepeden çekilmiş bir görüntüyle temsil edebilir ya da tarla yönetimini bir tarihler kaydıyla temsil edebilir. Her temsil bir yönü aydınlatır ve başka yönleri görüş dışında bırakır. Model, kendisine verilmemiş olanı bilmez ve hesaplama gücünü artırmakla, amacın bulanık bir tanımını düzeltemez. Pratik bir soru: Algoritmanın adını sormadan önce şunu sorun: Karar birimi nedir? Sistem neyi görüyor? Neyi görmüyor? Ve çıktısı üzerine hangi eylem inşa edilecek?

2. Gözetimli Öğrenme: Sonuçları Bilinen Örneklerden Öğrenmek

Gözetimli öğrenme, sistemin sonuçları bilinen örneklerden öğrendiği bir yaklaşımdır. Onu sağlıklı ve etkilenmiş bitki yapraklarını ayırt etmek üzere eğitmek istiyorsak, bir uzmanın önceden incelediği ve bir durum atadığı görüntüleri ona gösteririz. Verimi öngörmek üzere eğitmek istiyorsak; hava durumu, toprak, çeşit ve tarla yönetimi verilerini ve her kayıtla birlikte hasattan sonra fiilen ölçülen verim miktarını sunarız. Sistem, bu tür çok sayıda örnekten veriyle bilinen sonuçlar arasındaki ilişkiyi öğrenmeye çalışır ve sonra öğrendiğini, daha önce görmediği yeni bir durumun sonucunu tahmin etmek için kullanır. Bilinen sonuca, "sağlıklı" ya da "etkilenmiş" gibi bir sınıfın adı olduğunda uzmanca doğrulanmış referans sınıfı; verim miktarı gibi ölçülmüş bir sayı olduğunda ise referans değer denir. Bir model, genellikle bir uzmanın yazdığı kurallar listesiyle başlamaz: "Bu renkte bir leke belirirse durum şudur" gibi. Bunun yerine geliştirici ona sonuçları bilinen çok sayıda örnek sunar ve model, her sonuçla birlikte yinelenen özellikleri kendi başına arar. Yeni bir örnek gördüğünde onu öğrendiği örüntülerle karşılaştırır ve ardından en yakın sonucu tahmin eder. Bu kabiliyet yararlıdır, ama önemli bir risk taşır: Sistem, bizim için önemli olan tarımsal özelliği öğrenmek yerine kolay bir yan ipucunu öğrenebilir. Görüntünün hangi kısmının hastalığı temsil ettiğini, hangi kısmının yalnızca arka plan olduğunu kendiliğinden bilmez; bunun yerine örneklerin toplanma ve kendisine sunulma biçiminden öğrenir. Sağlıklı bir bitkiyle etkilenmiş bir bitkiyi ayırt etmesi için bir sistemi eğitmek istediğimizi düşünelim. Sağlıklı bitkilerin tamamı beyaz duvarlı bir serada fotoğraflanmış, etkilenmiş bitkilerin tamamı ise arkalarında koyu renkli toprak görünen açık bir tarlada fotoğraflanmış olsun. İstediğimiz, sistemin yapraklardaki belirtilerin biçimini öğrenmesidir; ama o daha kolay bir yol keşfedebilir: Beyaz arka plan sağlıklı görüntülere, koyu toprak ise etkilenmiş görüntülere eşlik etmektedir. Sistem, aynı biçimde toplanmış görüntüler üzerinde sınandığında başarılı görünebilir; çünkü testteki arka planlar, öğrendiği arka planlara benzemektedir. Ama yeni bir çiftlikte başarısız olabilir — örneğin beyaz bir seradaki etkilenmiş bir bitkiyi sağlıklı diye sınıflandırarak ya da arkasında koyu toprak bulunduğu için sağlıklı bir bitkiyi işaretleyerek. Sistem yanıltmak için yola çıkmadı; tasarımcının amaçladığı hastalık belirtileri yerine, verinin ona sunduğu daha kolay ilişkilendirmeyi öğrendi. Aynı sorun sayısal veride de ortaya çıkar. Bir hasat sensörü kalibre edilmediği için gerçeğin üzerinde ya da altında okumalar veriyorsa, model yanlış sayılardan öğrenecektir. Bazı tarlaların çıktısı hektar başına ton olarak kaydedilirken başka tarlalarınki aradaki fark açıklanmaksızın toplam ton olarak kaydedilmişse, sistem karşılaştırılamaz değerleri sanki tek ve aynı şeymiş gibi işleyecektir. Farklı hastalık durumları için tek bir ad kullanılmışsa, model aralarındaki doğru sınırları bilemeyecektir. Bu örneklerin her birinde hata, modelin dışında kalmaz; modelin kendisinden öğrendiği malzemenin ta içine girer. Algoritma hesaplamalı görevini eksiksiz yerine getiriyor olabilir, yine de hatalı bir ölçüm ya da istikrarsız bir tanım üzerine kurulmuş bir ilişkiyi öğrenir. Gelişmiş bir yöntem, veride en başından beri bulunmayan bir kesinliği o veriden çıkaramaz. Öyleyse her görüntünün ya da kaydın yanında yazılı bir yanıt bulunması yetmez. Şunları bilmemiz gerekir:

• Referans durumu ya da referans değeri kim belirledi ve hangi kuralları izledi?
• Sonuç tek bir uzman tarafından mı onaylandı, birden fazla uzman tarafından mı incelendi, yoksa bir referans testle mi ortaya kondu?
• Güven düzeyi kaydedildi mi ve kanıt yetersiz olduğunda "sonuçsuz" bir sonuca izin verildi mi?
• Her durumun tanımı çiftlikler, kurumlar ve mevsimler arasında tutarlı kaldı mı?
• Örnekler kolay ve zor durumları, erken ve ileri belirtileri ve karışık vakaları kapsıyor mu?
• Görüntüler ve kayıtlar; çeşitlerdeki, konumlardaki, cihazlardaki ve aydınlatmadaki çeşitliliği temsil ediyor mu?
• Birbirine çok benzeyen görüntüler ya da kayıtlar, sistemin daha önce gördüklerinin çok benzer sürümleri üzerinde sınanmaması için eğitim ile test arasında ayrıştırıldı mı?

Sistemin "Hüküm vermek için yeterli bilgi yok" diyebilmesine izin vermek bir zayıflık işareti değildir. Tarımsal uygulamalarda disiplinli çekimserlik, sistemi her görüntü için bir hastalık adı seçmeye zorlamaktan daha güvenli olabilir. Sorumlu bir sonuç yalnızca en olası ihtimali bildirmez; güvenin sınırlarını, eksik bilgiyi ve doğrulama için gereken sonraki adımı da açıklığa kavuşturur. İleri düzey okur için: Örneklerin çokluğu, dar bir çeşitliliği ya da zayıf referans sonuçlarını telafi etmez. Farklı çiftlikleri, mevsimleri ve cihazları temsil eden küçük ve bağımsız bir küme, modelin sınırlarını ortaya çıkarmada binlerce benzer görüntüden daha başarılı olabilir. Bu nedenle çevrelerin çeşitliliği, sonuç tanımının tutarlılığı, test verisinin bağımsızlığı ve her hata türünün maliyeti; veri kümesinin büyüklüğüyle birlikte değerlendirilmelidir.

3. Gözetimsiz ve Yarı Gözetimli Öğrenme: Belgelenmiş Sonuçlar Kıt Olduğunda Ne Yaparız?

İdeal durumda, bir uzmanın her görüntüyü, okumayı ya da kaydı incelemesini ve buna bağlı doğru sonucu belirlemesini isteyebiliriz. Ama bu, gerçekte nadiren mümkündür. Bir çiftlik binlerce görüntü ve milyonlarca sensör okuması toplayabilirken, her kaydı tek tek incelemek için gereken zaman, para ya da uzman kapasitesi bulunmayabilir. Belgelenmiş sonuçlar az olduğunda ya da bulunmadığında, her örneğe iliştirilmiş doğru bir yanıttan yola çıkmaksızın veriyi düzenlemeye ve içindeki yinelenen örüntüleri keşfetmeye yardımcı olan yöntemler kullanılabilir. Bu yöntemlerin en önemlileri arasında gözetimsiz öğrenme, olağandışı durum tespiti ve yarı gözetimli öğrenme yer alır. Bu yöntemler, incelenmemiş veriden yararlanmaları bakımından birbirine benzer; ama aynı işlevi görmezler ve sonuçlarına aynı kesinlik derecesini vermezler. Birincisi: Gözetimsiz öğrenme Gözetimsiz öğrenmede sisteme, "Bu bölge iyi", "bu zayıf", "bunun da bir drenaj sorunu var" diyen önceden hazırlanmış bir liste verilmez. Bunun yerine sistem, veri içinde özellikleri bakımından birbirine benzeyen kayıtları arar ve sonra benzer olanları bir araya toplar. Tarladaki farklı bölgelerden; toprak nemi, verimlilik, sıcaklık ve hava görüntüleriyle yakalanan yansıma özelliklerini içeren okumalarımız olduğunu varsayalım. Sistem, bazı bölgelerin bu okumalarda birbirine benzediğini bulup onları tek bir grupta toplayabilir, başka bölgeleri ise farklı gruplara yerleştirebilir. Bu sonuç, çiftçinin daha önce net olmayan bir farkı görmesine yardımcı olabilir; ama nedenini kendiliğinden açıklamaz. Düşük verimi paylaşan bölgeler matematiksel olarak benzer olabilir, ama düşüşün nedeni yerden yere değişebilir:

• Bir bölge zayıf drenajdan muzdarip olabilir.
• Bir başkası gölgeden etkileniyor olabilir.
• Üçüncüsü toprak tipi bakımından farklı olabilir.
• Dördüncü bir bölgenin okuması ise kalibre edilmemiş bir sensör yüzünden düşük olabilir.

Yani bu aşamada sistem şunu söyler: "Bu kayıtlar, çözümlediğim veriye göre benzerdir." Şunu söylemez: "Bu bölgenin zayıf olduğunu ya da belirli bir miktar gübreye ihtiyaç duyduğunu kanıtladım." Bu fark temeldir. Hesaplamalı gruplama; dikkati, incelemeyi ve numune almayı yönlendirmeye yardımcı olur, ama tarımsal yorumun yerini almaz. Sistemin bulduğu gruplar, tasarımcının seçimlerinden bağımsız olarak da var olmaz. Sonuç; çözümlemeye girilen değişkenlerden, birimlerinin standartlaştırılma biçiminden, oluşturulacak grup sayısından ve algoritmanın önemli saydığı benzerlik derecesinden etkilenir. Örneğin drenaj verisini dışarıda bırakırsak, çözümleme yöntemi ne kadar gelişmiş olursa olsun sistem farkı açıklamada drenajı kullanamayacaktır. İkincisi: Olağandışı durumların tespiti Bu yöntemlerin önemli bir kullanımı olağandışı durumların tespitidir. Sistem, belirli bir dönem boyunca okumaların ya da davranışın olağan örüntüsünü öğrenir, sonra bundan esaslı ölçüde farklılaşan bir durum belirdiğinde kullanıcıyı uyarır. Fark şu olabilir:

• Okumaları giderek kaymaya başlamış bir nem sensörü.
• Bir sızıntıya ya da işletimde bir değişikliğe işaret edebilecek ani bir su tüketimi artışı.
• Bir sulama hattının debisinde olağandışı bir düşüş.
• Bir hayvanın hareketinde ya da yem alım örüntüsünde göze çarpan bir değişiklik.
• Alışılmadık ölçüde uzun süre sabit kalmış ve sensör arızasına işaret edebilecek bir sıcaklık okuması.

Ne var ki uyarının kendisi, bir arızanın ya da hastalığın meydana geldiğini kanıtlamaz. Yalnızca şu anlama gelir: "Bu durum, sistemin olağan saydığından farklıdır ve bu nedenle incelenmeyi hak eder." Neden gerçek bir sorun, doğal bir mevsimsel değişim, yeni bir tarımsal işlem ya da bir ölçüm hatası olabilir. Bu nedenle bir farklılık sinyali, doğrudan bir teşhise ya da bir işletim talimatına dönüştürülmemelidir. Uyarıların çokluğu da sistemin niteliğinin kanıtı değildir. Sistem, örneğin beşten fazlasını inceleyemeyen bir ekibe günde yüz uyarı gönderiyorsa, araç bir gürültü kaynağına dönüşecek ve önemli uyarılar yinelenen uyarılar arasında kaybolabilecektir. Dolayısıyla sistem üç etkene göre ayarlanmalıdır:

• Saptamayı başaramayabileceği durumun ciddiyeti.
• Ekibin başa çıkabileceği yanlış alarm sayısı.
• İşçinin ya da uzmanın uyarıyı zamanında inceleyebilme kabiliyeti.

Her uyarı, niçin verildiğini belirtmelidir; örneğin: "Bu bölgedeki su kullanımı son altı saatte olağan aralığının üzerine çıktı; komşu bölgelerde ise benzer bir değişiklik görülmedi." Bu, "Bir anormallik saptandı." diyen genel bir mesajdan daha açık ve daha yararlıdır. Üçüncüsü: Yarı gözetimli öğrenme Yarı gözetimli öğrenme, bir uzmanın gözden geçirip doğru sonucu atadığı sınırlı sayıda örneğe, henüz kimsenin incelemediği daha çok sayıda görüntü ya da kayıtla birlikte sahip olduğumuzda kullanılır. Bir çiftlikte binlerce bitki yaprağı görüntüsü bulunduğunu, ancak bir bitki patoloğunun bunların yalnızca birkaç yüzünü inceleyebildiğini varsayalım. Bu küçük küme, şunlar gibi bilinen vakaları içerir:

• Sağlıklı bir yaprak.
• Belirli bir hastalığın belirtileri.
• Bir besin eksikliğinin belirtileri.
• Hüküm vermeye yetmeyen bir görüntü.

Geri kalan görüntüler mevcuttur, ama durumları belgelenmemiştir. Sistem önce uzmanın incelediği örneklerden öğrenir, ardından diğer görüntülerde bulunan benzerlik ve farklılıklardan yararlanır. Böylece uzmanın her görüntüyü elle incelemesi gerekmeden büyük miktarda veri kullanılabilir. Bununla birlikte elle yapılan işin azaltılması, insan doğrulamasından vazgeçmek anlamına gelmez; çok sayıda incelenmemiş görüntünün, zayıf ya da dar bir belgelenmiş kümeyi düzeltebileceği anlamına da gelmez. Uzmanın incelediği bütün görüntüler şuralardan geldiyse:

• Tek bir çiftlik.
• Tek bir çeşit.
• Tek bir telefon.
• Benzer aydınlatma koşulları.
• Hastalığın ileri bir evresi.

o zaman sistem, bu sınırlı koşulların bütün vakaları temsil ettiğini öğrenebilir. Benzer görüntülerde iyi çalışabilir, ama erken belirtilerle, başka bir çeşitle, farklı bir çiftlikle ya da daha düşük kaliteli bir kamerayla karşılaştığında kötü bir performans gösterebilir. Hastalığın ileri evrede nasıl göründüğünü öğrenmiş bir sistem, onun erken başlangıcını tanımayabilir. Tek bir çeşit üzerinde eğitilmiş bir sistem, başka bir çeşidin doğal özelliklerini hastalık belirtileriyle karıştırabilir. Ve hiçbir uzmanın incelemediği binlerce görüntü, sistemin vakaların ne anlama geldiğini öğrendiği belgelenmiş örneklerin darlığını kendiliğinden telafi edemez. Bu noktada şunları sormalıyız:

• Belgelenmiş örnekler farklı çiftlikleri, çeşitleri ve evreleri temsil ediyor mu?
• Her örneğin durumunu kim belirledi ve bu nasıl doğrulandı?
• Her örneği kesin bir sonuca zorlamak yerine belirsiz vakalara yer veriliyor mu?
• Uzman, sistemin daha sonra önerdiği sonuçlardan bir örneklemi gözden geçirdi mi?
• Zayıflık belirli bir kategoride, konumda ya da gelişme evresinde mi ortaya çıktı?
• Sonuç gerçekten iyileşti mi, yoksa sistem yalnızca daha mı kendinden emin oldu?

Dördüncüsü: Görevi tanımlamadan önce genel özellikleri öğrenmek Sistem belirli bir tarımsal görev üzerinde eğitilmeden önce, büyük miktarda görüntü ya da sinyalden yinelenen genel özellikleri öğrenen yöntemler de vardır. Sistem, her görüntü bir hastalığın ya da tarımsal bir durumun adına bağlanmaksızın biçimleri, kenarları, dokuları ve renk tonlarını ayırt etmeyi öğrenebilir. Bundan sonra, sağlıklı yapraklarla belirli belirtiler gösteren yaprakları ayırt etmek gibi gereken görevi sisteme öğretmek için bir uzmanın incelediği daha küçük bir küme kullanılır. Bu adım, gereken iş miktarını azaltabilir; ama sistemin hastalığı ya da ürünü kendi başına anladığı anlamına gelmez. Genel görsel ya da sayısal özellikleri öğrenmiş, ardından belirli bir tarımsal göreve yönlendirilmiştir. Sonucun kalitesi, belgelenmiş örneklerin sağlamlığına ve bağımsız tarla koşullarında yapılan teste bağlı kalır. Uygulamalı örnek: Tarlayı üç bölgeye ayırmak Sistemin nem verisini, verim verisini ve hava görüntülerini çözümlediğini, ardından tarlayı farklı özelliklere sahip üç bölgeye ayırdığını varsayalım. Bu sonuç, doğrudan doğruya tarlanın üç gübre reçetesine ihtiyaç duyduğu anlamına gelmez. Doğru sonraki adım, haritayı incelemeyi yönlendirmek için kullanmaktır:

1. Ekip önce sensörlerin ve verinin bütünlüğünü doğrular.
2. Ekip her bölgede temsil gücü olan noktaları ziyaret eder.
3. Toprağı, drenajı, gölgeyi ve yönetim geçmişini inceler.
4. Gerektiğinde uygun numuneler alır.
5. Hesaplamalı yorumu tarla gözlemi ve ölçümüyle karşılaştırır.
6. Ardından bölgelerin gerçekten farklı işlemlere ihtiyaç duyup duymadığını belirler.

İnceleme, bir bölgenin toprak nedeniyle farklılaştığı, ikincisinde bir drenaj sorunu bulunduğu ve üçüncüsünün bir sensör hatası yüzünden farklı göründüğü sonucuna varabilir. Eğer üç grup doğrudan üç gübreleme reçetesine dönüştürülseydi, farklı nedenler tek bir sorunmuş gibi ele alınmış olurdu. Dolayısıyla bu durumda algoritma, incelenmeyi hak eden soruların bir haritasını sunar; onları yanıtlamaya yönelik hazır bir reçete değil. Sonuç Belgelenmiş sonuçlar az olduğunda, bu yöntemler bol veriden farklı biçimlerde yararlanabilir:

• Gözetimsiz öğrenme benzer vakaları bir araya toplar, ama niçin benzer olduklarını ortaya koymaz.
• Anormallik saptama bizi örüntüden sapan şeye karşı uyarır, ama nihai bir teşhis sunmaz.
• Yarı gözetimli öğrenme, bir uzmanın incelediği örnekleri incelenmemiş daha çok veriyle birleştirir, ama sınırlı örneklerin eksikliklerini sistemin geri kalanına taşıyabilir.
• Genel özellikleri öğrenmek, daha en baştan her görüntüyü inceleme ihtiyacını azaltır; ama tarla testini ya da uzman hükmünü ortadan kaldırmaz.

Ve birleştirici ilke şudur: Bol veri sistemin örüntüleri görmesine yardım eder; ama tarımsal anlam yalnızca nicelikten gelmez; sağlam ölçümden, belgelenmiş örneklerden, tarla bağlamından ve insan doğrulamasından gelir.

4. Bilgisayarlı Görü: Sistem Görüntüde Ne Görür?

Bir çiftçi ya da uzman bir bitki yaprağına baktığında yalnızca rengi ve biçimi görmez. Gördüğünü bitkinin yaşına, belirtilerin yayılımına, tarlanın durumuna, hava koşullarına, sulamaya ve önceki vakalara ilişkin deneyimine bağlar. Bir bilgisayarlı görü sistemi ise daha dar bir şeyden başlar: bilgisayarın çözümleyebileceği dijital veriye dönüştürülmüş bir görüntü ya da video klibi. Bilgisayarlı görü, sistemin görüntü ve video içindeki örüntüleri bulmasına yardım eden bir yöntemler bütünüdür. Biçimleri, renkleri, dokuları ve uzamsal ilişkileri tanımak için evrişimli sinir ağları denen modelleri ya da daha yeni görü modellerini kullanabilir. Tarımsal uygulamaları arasında bitki hastalıklarının incelenmesi, yabancı otların ve meyvelerin tanımlanması, olgunluk tahmini, ürünlerin ayıklanması ve hayvan hareketiyle davranışının izlenmesi yer alır. Bilimsel incelemeler, bu uygulamaların tarım ve gıda mühendisliğindeki genişliğini derler [SRC001][SRC002]. Ne var ki sistemin "görüntüyü anladığını" söylemek, onu bir insan gibi görüp yorumladığını düşündürebilir. Gerçekte aynı görüntü farklı soruları yanıtlamak için kullanılabilir ve her sorunun kendi yöntemi, sonucu ve sınırları vardır. 1\. Görüntünün genel durumunu belirlemek — sınıflandırma Bu görevde sistem görüntüye tek bir bütün olarak bakar, ardından daha önce öğrendiği durumlar kümesinden en yakın olanı seçer. Sonuç örneğin şu olabilir:

• Yaprak sağlıklı görünüyor.
• Enfeksiyonu düşündüren işaretler var.
• Meyve belirli bir kalite derecesine giriyor görünüyor.
• Görüntü, güvenilir bir sonuç vermeye yeterli değil.

Bu tür bir çözümleme ilk ayıklama için yararlıdır. Ama işaretin görüntünün neresinde olduğunu mutlaka göstermez, nedenini ortaya koymaz ve olasılığı nihai bir teşhise dönüştürmez. Dolayısıyla sistem görüntünün "şüpheli" olduğunu söylüyorsa, bu, genel örüntünün öğrendiği örneklere benzediği anlamına gelir. Bu tek başına hastalığın doğrulandığı ya da tedavinin artık bilindiği anlamına gelmez. 2\. Nesnenin ya da işaretin konumunu belirlemek — saptama Bazen görüntüde bir meyve, bir yabancı ot ya da şüpheli bir leke bulunduğunu bilmek yetmez; onun nerede olduğunu da bilmemiz gerekir. Bu durumda sistem, saptadığı bölümün çevresine görünür bir daire ya da kutu çizer. Örneğin bir bitki yaprağı incelenirken belirli bir lekenin çevresinde bir kutu belirebilir. Bir tarla görüntüsü çözümlenirken sistem, bulabildiği her meyvenin ya da yabancı otun çevresine bir kutu koyabilir. Bu sonuç şu soruyu yanıtlamaya yardım eder: Sistemin saptadığı şey nerede? Ayrıca kullanıcının, sistemin doğru bölüme odaklandığını doğrulamasına da yardım eder. Sistem bir hastalık belirtisi saptadığını sanırken gerçekte bir gölgeye, bir toprak parçasına ya da görüntü arka planının bir kısmına odaklanmış olabilir. Buna karşılık lekenin konumunu belirlemek, ortaya çıkışının nedenini ortaya koymaz. Sistem hasarın konumunu doğru biçimde belirleyebilir; buna yol açan hastalığın ya da stresin saptanması ise yine de başka bilgiler gerektirir. 3\. Etkilenen alanın sınırlarını çizmek — bölütleme Nesnenin konumundan fazlasını bilmemiz gerekebilir; ne kadar alan kapladığını tam olarak bilmek isteyebiliriz. Bu görevde sistem, hasarlı olduğuna inandığı alanı boyar ya da sınırlarını görüntü üzerinde çizer. Yaprağın tamamının çevresine geniş bir kutu koymak yerine, içindeki etkilenmiş bölümü belirlemeye çalışır. Bu şunlara yardımcı olabilir:

• Yaprağın etkilenen oranını tahmin etmek.
• Hava görüntüsündeki bitki örtüsü miktarını ölçmek.
• Meyveyi arka plandan ayırmak.
• Tarlanın bir bölümünde yabancı otların kapladığı alanı belirlemek.
• Hasarlı alandaki değişimleri zaman içinde karşılaştırmak.

Mühendisler, bir görüntüyü oluşturan küçük noktaları anlatmak için "piksel" sözcüğünü kullanır; ama okuyucunun sonucu anlamak için bu terime ihtiyacı yoktur. Uygulamada önemli olan, sistemin saptadığı alanın kesin sınırlarını çizmeye çalışmasıdır. Yine de hasarın alanını belirlemek, buna hangi hastalığın yol açtığını ortaya koymaz. Sınırlar kesin olabilirken nedenin yorumu yanlış olabilir. 4\. Nesneyi ya da durumu zaman içinde izlemek — takip Bir video ya da görüntü dizisi çözümlenirken sistemin, şu anda görünen nesnenin bir an önce ya da önceki bir görüntüde beliren nesneyle aynı olup olmadığını belirlemesi gerekebilir. Bu şurada kullanılabilir:

• Bir hayvanın ağıl içindeki hareketini izlemek.
• Ayıklama hattındaki bir meyveyi izlemek.
• Aynı nesneyi birden çok kez saymadan nesneleri saymak.
• Hasarlı bir alanın yayılımını art arda gelen görüntüler boyunca izlemek.
• Bir makinenin ya da bir işçinin işletme alanı içindeki hareketini izlemek.

Burada nesneyi her görüntüde ayrı ayrı saptamak yetmez; sistemin, nesnenin art arda gelen karelerdeki görünümlerini birbirine bağlaması gerekir. Nesne başka bir nesnenin arkasında kaybolduğunda, aydınlatma değiştiğinde, hayvanlar üst üste bindiğinde ya da kamera hareket ettiğinde sistem güçlük yaşayabilir. Bu nedenle takibin yitirilmesi, doğrudan doğruya hayvanın, meyvenin ya da makinenin alanı gerçekten terk ettiği sonucuna çevrilmemelidir. 5\. Mesafe ve Biçim Tahmini — Derinlik Tahmini Düz bir görüntü yüksekliği ve genişliği gösterir, ama gerçek mesafeyi her zaman doğrudan vermez. Bir robotun ya da ayıklama makinesinin, nesnenin ne kadar yakın olduğunu ve uzamda nasıl bir biçime sahip olduğunu bilmesi gerekebilir. Sistem, şunları tahmin etmek için bir ya da daha çok kamera veya uygun bir sensör kullanabilir:

• Alet ile meyve arasındaki mesafe.
• Bitkinin boyu ya da belirli bir nesnenin büyüklüğü.
• Bir insanın ya da hayvanın hareket alanına ne kadar yakın olduğu.
• Dalın robot koluna göre konumu.
• Kavranması ya da kaçınılması gereken nesnenin biçimi.

Derinlik tahmini makinenin yaklaşmasına yardım edebilir, ama güvenli hareketi güvence altına almak için tek başına yeterli değildir. Sistemin yine de aletin sınırlarını ve hızını bilmesi, bir engel belirdiğinde durması ve ölçümün toz, titreşim ya da düşük görüş nedeniyle değişmediğini doğrulaması gerekir. Görev niçin kesin biçimde tanımlanmalıdır? Görü görevinin seçimi, sonuç belirdikten sonra gereken eyleme bağlıdır. Amaç görüntüde meyve bulunup bulunmadığını bilmekse, görüntü sınıflandırması yeterli olabilir. Ama amaç meyveleri saymaksa, sistemin her meyveyi tek tek belirlemesi gerekir. Ve amaç bir robot kolunu bir meyveyi toplamaya yönlendirmekse; onun konumunu, mesafesini ve biçimini bilmeli, ardından bu bilgiyi güvenli harekete dönüştürmelidir. Aynı biçimde, bir görüntüde yabancı ot bulunduğunu bilmek, mekanik bir aleti onlara yöneltmeye yetmez. Sistemin şunlara ihtiyacı vardır:

1. Her yabancı otu belirlemek.
2. Onları üründen ayırt etmek.
3. Konumunu makineye göre belirlemek.
4. Aletin hareketini hesaplamak.
5. Alanda hiçbir insan, hayvan ya da beklenmedik nesne bulunmadığını doğrulamak.
6. Güven düşerse ya da veriler çelişirse uygulamayı durdurmak.

Bu zincirdeki her geçiş yeni bir hata olasılığı ekler. Bu nedenle, görü modeli test görüntülerinde iyi performans gösterdi diye bir sistemi güvenli diye nitelemek geçerli değildir. Bir tarla görüntüsü laboratuvar görüntüsünden niçin farklıdır? Tarımsal görüntüler doğaları gereği değişkendir. Aynı yaprak şunlar yüzünden farklı görünebilir:

• Sabah ya da öğle ışığı.
• Gölge.
• Kamera açısı.
• Telefonun ya da kameranın türü.
• Merceğin daha yakın ya da daha uzak olması.
• Toz ya da nem.
• Arka plan.
• Bitkinin gelişme evresi.
• Üst üste binen yapraklar.
• Belirtilerin şiddeti ve evresi.

Farklı nedenlerden kaynaklanan belirtiler de birbirine benzeyebilir. Besin eksikliğinin bazı işaretleri, tek bir görüntüde hastalık ya da su stresi belirtilerine benzer görünebilir. Bu nedenle bir sistemin görsel bir örüntüyü tanımadaki başarısı, tarımsal nedeni ortaya koyduğu anlamına gelmez. Temiz bir arka plan üzerine yerleştirilmiş tek tek yapraklar üzerinde eğitilmiş bir model laboratuvarda sağlam görünebilir; ardından tarlada üst üste binen yaprakları, kayan gölgeleri, tozu, böcekleri ve erken evredeki belirtileri gördüğünde çok farklı bir gerçeklikle karşılaşabilir. Bu yüzden eğitim ve test görüntüleri, bir görüntünün yakalanabileceği en iyi koşulları değil, sistemin fiilen çalışacağı koşulları temsil etmelidir. Sistem kabiliyetini kanıtlamak yerine testi ezberlediğinde Sistemi eğitmek için kullanılan görüntüler, onu test etmek için kullanılan görüntülerden ayrı tutulmalıdır. Ama bu ayrım dosyalarda doğru görünürken gerçekte yanıltıcı olabilir. Aynı bitkinin birbirine çok benzeyen on görüntüsünü dakikalar içinde yakaladığımızı, ardından bu görüntülerin bir kısmını eğitim verisine, diğerlerini test verisine koyduğumuzu varsayalım. Sistem, bitkinin, arka planın ya da kamera açısının ayrıntılarını tanıyabilir; çünkü test görüntüsü daha önce gördüğüne aşırı benzer. Buna eğitim ve test verisi arasındaki istenmeyen örtüşme denir ve teknik olarak "veri sızıntısı" diye bilinir. Bu, bir öğrenciyi bir dizi problem üzerinde çalıştırıp sonra sırasını ya da bazı ifadelerini değiştirerek aynı problemlerle sınamaya benzer. Öğrenci yüksek bir not alabilir, ama sınav onun yeni bir problemi çözebileceğini kanıtlamaz. Bu bakımdan tarımsal test, şunları ayırdığında daha güçlüdür:

• yalnızca görüntüleri değil, bitkilerin tamamını.
• tarlaların tamamını.
• farklı çiftlikleri.
• bağımsız sezonları.
• farklı görüntüleme cihazlarını.
• eğitime dâhil edilmemiş çeşitleri ya da gelişme evrelerini.

Ve asıl soru şu değildir: Sistem, dosya olarak daha önce görmediği görüntülerde başarılı oldu mu? Asıl soru şudur: Verisinden daha önce öğrenmediği bir çiftlikte, bir sezonda ya da bir cihazla başarılı oldu mu? "Genel doğruluk" niçin yanıltıcı olabilir? Tek bir genel sonuç, bir görü modeli hakkında hüküm vermeye yetmez. Basitleştirilmiş sayısal bir örnekte, test kümesinin bin görüntü içerdiğini varsayalım:

• 950 sağlıklı görüntü.
• Önemli bir hastalıktan etkilenmiş 50 görüntü.

Zayıf bir model bütün görüntülerin sağlıklı olduğunu söylerse, bin görüntünün 950'sinde doğru olacak ve genel doğruluğu %95 gibi görünebilecektir. Ama bu model tek bir hastalıklı vakayı bile saptamamıştır ve bu nedenle yaratılma amacı olan görev bakımından işe yaramazdır. Bu noktada şunları sormalıyız:

• Kaç hastalıklı vakayı saptayabildi?
• Kaç hastalıklı vakayı sağlıklı diye sınıflandırdı?
• Kaç yanlış alarm verdi?
• Performans hastalıklar ya da çeşitler arasında farklılaşıyor mu?
• Görüntü belirsiz olduğunda hüküm vermekten kaçınabiliyor mu?
• Eğitim verisine dâhil edilmemiş bir vakayla karşılaştığında ne oluyor?

En tehlikeli hata, nadir ve ciddi bir vakayı sağlıklı diye sınıflandırmaksa, o zaman yaygın sınıflarla şişirilmiş bir ortalamayla yetinmek yerine sistemin o belirli vakayı saptama kabiliyeti ölçülmelidir. Nesneyi görmekten makineyi hareket ettirmeye Robotikte görev, sistem bir meyveyi ya da yabancı otu tanıdığında bitmez. Sonucun başka bir zincirden geçmesi gerekir: Nesneyi görmek ← konumunu belirlemek ← o konumu makinenin anlayabileceği koordinatlara çevirmek ← hareketi planlamak ← onu uygulamak ← sonucu doğrulamak ← tehlike varken durmak Bu zincirin her parçası bağımsız bir hata kaynağı olabilir. Model meyveyi doğru tanıyabilir, ama kol makine titreşimi yüzünden kesin olmayan bir konuma hareket edebilir. Ya da konum doğru olabilir, ama hareket alanı içinde bir işçinin eli belirebilir. Ya da komut gönderildikten sonra ve uygulanması doğrulanmadan önce bağlantı kesilebilir. Dolayısıyla sistem şunları içermelidir:

• hız ve kuvvet üzerinde sınırlar.
• insanların ve hayvanların çevresinde bir güvenlik bölgesi.
• iletişime bağlı olmayan yerel bir durdurma mekanizması.
• eylemin başarılı olduğunun doğrulanması.
• güvenli bir duruma dönebilme kabiliyeti.
• işçinin işletimi durdurma ya da geçersiz kılma konusunda açık yetkisi.

Ve açık kalması gereken ilke şudur: Bir model nesneyi görmekte başarılı olurken sistem onu güvenli biçimde ele almakta başarısız olabilir. Görüntü doğruluğu karar doğruluğu değildir; karar doğruluğu da uygulama güvenliği değildir. Bir tarımsal görü sistemine güvenmeden önce pratik sorular Bir çiftçi ya da alıcı şunları sorabilir:

• Belirli görev nedir: görüntü sınıflandırması, konum belirleme, alan ölçümü, yoksa makine yönlendirme mi?
• Test görüntüleri bağımsız tarlalardan ve sezonlardan mı toplandı?
• Görüntüler çiftliğimde bulunan aydınlatma koşullarını, cihazları ve çeşitleri içeriyor mu?
• Sistem hangi vakaları ayırt etmekte başarısız oluyor?
• Hata örnekleri mi gösteriyor, yoksa yalnızca en iyi vakaları mı?
• Görüntünün yetersiz olduğunu söyleyebiliyor mu?
• Sonucun ardından ne oluyor: bir uyarı, bir öneri, yoksa otomatik uygulama mı?
• Hassas bir eylem yerine getirilmeden önce sonucu kim gözden geçiriyor?
• Bir insan belirirse ya da güven düşerse makine nasıl duruyor?

Sonuç Bilgisayarlı görü, makineye bir insan gözü ya da eksiksiz bir tarımsal anlayış vermez. Sistemin görüntü ve videodan belirli bilgileri çıkarmasına yardım eder: genel bir durumu belirlemek, bir nesneyi bulmak, bir alanın sınırlarını çizmek, hareketi izlemek ya da mesafe tahmin etmek. Bu bilginin değerini üç şey belirler:

1. Görsel soru, gereken karara uyacak biçimde mi çerçevelenmiş?
2. Görüntüler gerçek tarla koşullarını temsil ediyor mu?
3. Sonuç, sorumluluğu açık olan güvenli bir sistem aracılığıyla eyleme çevrildi mi?

Bu, okuyucunun kısa bir deneyde ikna edici bir görüntü sunan bir sistemle, tarlanın ışığı, tozu, çeşitliliği ve güvenlik sınırları altında çalışmak üzere fiilen sınanmış bir sistemi birbirinden ayırt etmesini sağlar.

5. Olasılıksal Modeller ve Nedensel Çıkarım: Ne Beklenir ve Müdahale Neyi Değiştirebilir?

Tarımsal sistemler iki farklı türden soruyla karşılaşır ve yanıtlanmaları farklı kanıt gerektirse de ifadeleri benzer görünebilir. Birinci soru şudur: Mevcut koşullar sürerse ne olması muhtemeldir? Örneğin şunları sorabiliriz:

• Sezon sonunda beklenen verim nedir?
• Önümüzdeki günlerde su stresi doğma olasılığı nedir?
• Belirtilerin belirli bir hastalıkla ilişkili olma olasılığı nedir?
• Önümüzdeki hafta depoya ne kadar üretim ulaşabilir?

Bunlar öngörücü sorulardır. Burada sistem, hava durumu, toprak, ürün ve önceki yönetim hakkında bildiklerini kullanarak henüz gerçekleşmemiş bir sonucu tahmin etmeye çalışır.

İkinci soru ise şudur: Bir şeyi değiştirirsek ne olacak? Örneğin şunları sorabiliriz:

• Sulamanın zamanlaması değişirse sonuca ne olur?
• Yönetim uygulamalarından birini değiştirmek verimi iyileştirir mi?
• Bir pompanın çalışma süresini azaltmak, ürüne stres yaşatmadan su kullanımını azaltır mı?
• Uygulanan işlem iyileşmenin nedeni miydi, yoksa iyileşme başka nedenlerle mi gerçekleşti?

Bunlar nedensel sorulardır; çünkü yalnızca ne olabileceğini betimlemezler, atmak istediğimiz bir adımın etkisini sorarlar. Korelasyon, bir etkenin diğerine neden olduğunu kanıtlamaz. Veriler, belirli bir tarımsal girdiden daha büyük miktarda kullanan tarlaların daha yüksek verim elde ettiğini ortaya koyabilir. Bu, incelenmeyi hak eden bir ilişkidir; ama o girdinin artırılmasının daha yüksek verime yol açtığını kanıtlamaz.

Başka açıklamalar bulunabilir; örneğin:

• o tarlaların daha en baştan daha iyi toprağa sahip olması.
• oradaki sulamanın daha tutarlı olması.
• onları yöneten çiftçilerin daha deneyimli olması.
• sahiplerinin daha iyi ekipmana sahip olması.
• girdinin farklı ürün ya da çeşitlerin bulunduğu tarlalarda kullanılmış olması.
• onların konumlarında hava koşullarının daha elverişli olması.
• çiftçinin, veriye kaydedilmemiş bir duruma karşılık olarak girdiyi artırmış olması.

Bu durumda girdi ile verim birlikte görünebilirken, farkın gerçek nedeni başka bir etken ya da etkenlerin bir bileşimi olabilir. Bu, daha çok sensör kullanan çiftliklerin daha iyi sonuçlar elde ettiğini gözlemlemeye benzer. Bu tek başına, sensör satın almanın her çiftlikte sonucu iyileştireceğini kanıtlamaz; sensör satın alabilecek durumdaki çiftlikler, daha en baştan daha iyi donanımlı, daha iyi finanse edilmiş ve daha iyi yönetiliyor olabilir. Dolayısıyla korelasyon, örüntüleri keşfetmek ve öngörüler kurmak için yararlıdır; ama tek başına şu soruyu yanıtlamaz:

Bu etkeni başka bir çiftlikte değiştirmek aynı sonuca yol açacak mı? Bu ayrım çiftçi için niçin önemlidir? Bu ayrım, tarladan uzak soyut bir istatistik tartışması değildir. Sistem bir değişkenle verim arasında bir ilişki bulur ve ardından bunu doğrudan bir öneriye çevirirse, korelasyonu gözlemlemekten nedenselliği varsaymaya geçmiş olur. Belirli bir tarlanın yüksek verim elde edeceğini öngören bir sistem, başka bir tarlanın aynı verimi elde etmesini nasıl sağlayacağını mutlaka bilmez. Öngörü kabiliyeti; toprak türü, saha geçmişi ya da sezon koşulları gibi çiftçinin değiştiremeyeceği etkenlere dayanıyor olabilir. Aynı biçimde bir sistem, hangi tarlaların strese en açık olduğunu öngörebilir; ama bu, önerdiği herhangi bir müdahalenin stresi önleyeceğini ya da ekonomik bir fayda sağlayacağını kendiliğinden kanıtlamaz. Bu nedenle üç aşama birbirinden ayrılmalıdır:

1. Gözlem: Veride hangi ilişki belirdi?
2. Yorum: Bu ilişkinin olası nedenleri nelerdir?
3. Müdahale: Belirli bir etkeni değiştirmenin sonucu değiştireceğine dair hangi kanıt var?

Bir aşamadan diğerine ilerledikçe daha güçlü kanıta ihtiyaç duyarız. Bir müdahalenin etkisini bilmeye nasıl yaklaşırız? Farkı yaratanın müdahale olup olmadığını belirlemek için, onun etkisini diğer etkenlerin etkilerinden olabildiğince ayıran bir yönteme ihtiyacımız vardır. Bu şunlar aracılığıyla sağlanabilir:

• belirli uygulamaları karşılaştıran uygun bir tarla denemesi.
• uygulamaları, gruplar arasındaki önceden var olan farkları azaltacak biçimde dağıtmak.
• olabildiğince benzer tarlaları ya da parselleri karşılaştırmak.
• müdahaleden önceki ve sonraki koşulları, açık bir başlangıç düzeyiyle ölçmek.
• varsayımlarını ve sınırlarını beyan eden nedensel bir çözümleme tasarımı kullanmak.
• etkenin sonuca nasıl yol açabileceğini açıklayan tarımsal ya da biyolojik bilgiye dayanmak.
• sonucu farklı yerlerde ya da mevsimlerde yeniden üretmek.

"Nedensel çıkarım" adlı bir yöntemin kullanılması da, yazılım bir ilişkiye sayı atadı diye o ilişkinin nedensel hâle geldiği anlamına gelmez. Her nedensel çözümleme varsayımlara dayanır: Hangi etkenler ölçüldü? Hangi etkenler eksikti? Gruplar karşılaştırılabilir miydi? Ve neden, sonucu zaman bakımından önceledi mi? Bir algoritma da, ölçülmemiş ya da kaydedilmemiş önemli bir etkeni, ancak açıkça belirtilmesi gereken ek varsayımlara dayanmadıkça düzeltemez. Pratik kural: Tahminde iyi olan bir model, bir müdahalenin etkisini kestirmekte zorunlu olarak iyi değildir. Sonucun isabetli tahmin edilmesi, sistemin o sonucu nasıl değiştireceğini bildiğini kanıtlamaz. Olasılıksal modeller ne katar? Pek çok tarımsal durumda veri, kesin bir yanıt vermeye yetmez. Görüntü belirsiz olabilir, belirtiler örtüşebilir, hava durumu kaydı eksik olabilir ya da sensör okuması istikrarsız olabilir. Olasılıksal modeller, bu eksikliği gizlemek yerine belirsizliğin derecesini ifade etmeye çalışır. Bir ürünün yapraklarında lekeler belirdiğini düşünelim. Olası nedenler şunlar olabilir:

• mantari bir hastalık.
• besin maddesi eksikliği.
• su stresi.
• sıcaklık ya da güneş zararı.
• mekanik zarar.
• aynı anda birden fazla neden.

Sistem tek bir görüntüye dayanıyorsa bu nedenler arasında güvenle ayrım yapamayabilir. Bu nedenle doğrudan tek bir teşhise atlamamalı; bunun yerine olasılıkları sıralayabilir ve onları daraltmak için neye ihtiyacı olduğunu belirtebilir. Ayırıcı tanı ile kastedilen budur: Belirtiler için birkaç olası açıklamayı karşılaştırmak, ardından bazılarını dışlamaya ve bazılarını güçlendirmeye yarayan bilgileri toplamak. Örneğin sistem şunları isteyebilir:

• yaprağın alt yüzeyinin bir görüntüsü.
• belirtilerin tarla içinde nasıl dağıldığına dair bir tarif.
• belirtilerin daha yeni yapraklarda mı yoksa daha yaşlı yapraklarda mı ortaya çıktığı.
• sıcaklık ve nem kaydı.
• sulama ya da önceki uygulamalara ilişkin bilgi.
• gerektiğinde bir tarla incelemesi ya da uygun bir test.

Her yeni bilgi geldikçe sistem olasılıkların sıralamasını gözden geçirir. Buradaki değer, bir ada hızla ulaşmakta değil; bildiklerimizi ve bilmediklerimizi düzenlemekte ve bir sonraki en yararlı bilginin ne olduğunu belirlemekte yatar. Olasılık, sayısal biçime bürünmüş ikna edici bir kesinlik değildir Sistem şöyle diyebilir: Bu durumun olasılığı %80'dir. Peki bu sayı ne anlama gelir? Bu, o tek yaprağın "%80 enfekte" olduğu anlamına gelmediği gibi, yaprağın %80'inin enfekte olduğu anlamına da gelmez. Sistem iyi kalibre edilmişse anlamı şudur: Çok sayıda benzer vakaya %80'e yakın bir olasılık atadığında, sonuç her yüz vakanın yaklaşık sekseninde gerçekleşmelidir; hepsinde değil. Güven sayıları ile gerçekte olan arasındaki uyuma olasılık kalibrasyonu denir. Bir sistemin yüz vakaya %80'e yakın bir olasılık atadığını varsayalım:

• sonuç yaklaşık seksen vakada doğrulanıyorsa, güveni gerçeklikle görece tutarlıdır.
• yalnızca elli vakada doğrulanıyorsa, sistem olması gerekenden daha fazla kendine güvenmektedir.
• doksan beş vakada doğrulanıyorsa, sistem sonuçlarının gerektirdiğinden daha az kendine güveniyor olabilir.

Bu karşılaştırma tek bir vaka üzerinde değil, uygun sayıda benzer vaka üzerinde yapılır. Vakaları sıralamak, olasılık sayılarının doğru olduğu anlamına gelmez Sistem, vakaları en olasıdan en az olasıya doğru sıralamayı başarabilir; yine de yanıltıcı güven sayıları atayabilir. %90 atadığı bir vaka, %60 atadığı bir vakadan gerçekten daha olası olabilir; bu anlamda sistemin sıralaması yararlıdır. Ancak %90 atadığı vakalar yalnızca %65 oranında doğrulanıyorsa, güven sayıları abartılıdır. Yani birbirinden ayrı iki soru vardır:

1. Sistem vakaları yararlı bir biçimde sıralıyor mu?
2. Olasılık sayıları gerçekliği kabul edilebilir bir düzeyde yansıtıyor mu?

Birincisinde başarılı olup ikincisinde başarısız olabilir. Yeni bir çiftliğe geçildiğinde güven neden değişir? Bir sistemin olasılıkları, denendiği ortamda iyi kalibre edilmiş olabilir; başka bir yere taşındığında ise yanıltıcı hâle gelebilir. Bu, şunlardaki farklar nedeniyle olabilir:

• çeşit.
• gelişme dönemi.
• iklim.
• durumun yayılma genişliği.
• kamera ya da sensör.
• görüntü kalitesi.
• yönetim uygulamaları.
• Nadir ve yaygın vakaların oranı.
• Teşhisi doğrulamak için kullanılan yöntem.

Bu yüzden tedarikçinin, olasılıkların geliştirme verisinde uygun olduğunu göstermesi yeterli değildir. Güven, aktarımdan sonra izlenmeli, gerçek sonuçlarla karşılaştırılmalı ve gerektiğinde yeniden kalibre edilmelidir. Yeni ortam esaslı biçimde farklıysa yeniden kalibrasyon, modeli kendiliğinden uygun hâle getirmez; yeni veri ya da kullanım kapsamının kendisinin gözden geçirilmesi gerekebilir. Sonuç kullanıcıya nasıl sunulmalıdır? İdeal olarak sistem, çıplak bir sayı ya da kesin bir yanıt sunmamalı; sonucu dört katman hâlinde göstermelidir: 1\. En olası sonuç ve belirsizlik Örneğin: Birkaç olası neden vardır ve mevcut veri bunlardan herhangi birini doğrulamaya yetmemektedir. Ya da: Kestirim belirli bir aralığa düşmektedir ve hava durumu ya da yönetim değişirse değişebilir. 2\. Ağırlıklandırmayı etkileyen kanıt Örneğin: Düşük nem okumaları ve yüksek sıcaklıklar nedeniyle su stresi olasılığı arttı; ancak bir sensör okuması eksiktir. 3\. Eksik bilgi ve bir sonraki adım Örneğin: Olasılıklar daraltılmadan önce sensörün kontrol edilmesi ya da ek bir görüntü ya da belirtilerin dağılımına dair bir tarif ya da bir uzman incelemesi gerekmektedir. 4\. Kararın ve sorumluluğun sınırları Örneğin: Bu sonuç bir ön uyarıdır; doğrulanmış bir teşhis ya da bir uygulamayı yerine getirme talimatı değildir. Böylece olasılık, sisteme sahip olmadığı bir yetki bahşeden bir sayı değil; bir kararı yapılandırmaya yarayan bir araç hâline gelir. Uygulamalı örnek: Verim tahmini, verimi artırmanın reçetesi değildir Bir modelin verimi şunlara dayanarak tahmin ettiğini varsayalım:

• Toprak türü.
• Hava durumu.
• Çeşit.
• İşlemlerin zamanlaması.
• Sulama kayıtları.
• Önceki sezonlara ait veri.

Model iyi bir tahmin yapabilir; çünkü toprağı daha iyi ve yönetimi daha tutarlı olan bazı tarlaların daha yüksek verim verdiğini öğrenmiştir. Bununla birlikte daha yüksek verimin girdilerden birindeki artışla ilişkili olduğunu da fark ederse, bu girdinin bütün tarlalarda artırılmasının verimi yükselteceğini doğrudan çıkarsayamayabilir. Bu artış yalnızca belirli tarlalar ya da koşullar için uygun olabilir; ya da yalnızca daha iyi yönetilen çiftliklerle ilişkili bir belirteç olabilir. Tahmine dayalı bir model şu soruyu yanıtlar: Bu koşullar altında olası verim nedir? Bir müdahalenin etkisini kestirmek ise şunu sorar: Diğer etkenler karşılaştırılabilir kalırken yalnızca bu etkeni değiştirseydik verim nasıl farklılaşırdı? İkinci soru daha zordur; çünkü aynı tarlada aynı anda gözlemlemediğimiz alternatif bir sonuca ilişkindir. Bu yüzden de tasarım, deney ve kayıtlardaki ilişkiyi salt gözlemekten daha açık varsayımlar gerektirir. İstatistiksel bir ilişkiye dayanan bir öneriyi kabul etmeden önce sorulacak pratik sorular Okuyucu şunları sorabilir:

• Sistem bir tahmin mi sunuyor, yoksa bir müdahalenin etkisini kestirdiğini mi iddia ediyor?
• Görünürdeki ilişkiyi başka hangi etkenler açıklayabilir?
• Müdahalenin kendisi sınandı mı, yoksa yalnızca önceki verilerde mi gözlendi?
• Tarlalar ya da gruplar karşılaştırılabilir miydi?
• Hangi önemli etkenler ölçülmedi?
• Sonuç farklı konumlarda ve mevsimlerde yinelendi mi?
• Sistem bir aralık ve bir olasılık mı sunuyor, yoksa kesin bir sayı mı?
• Güven değerlerinin geçerliliği, yerel ortama aktarımdan sonra sınandı mı?
• Hangi ek bilgi belirsizliği azaltabilir?
• Sonucu eyleme dönüştürme yetkisi kimde?

Ayırt Edici Kural Fark üç soruda özetlenebilir:

• Şimdi ne oluyor? Bir ölçüm ya da teşhis sorusu.
• Daha sonra ne olması olasıdır? Bir tahmin sorusu.
• Müdahale edersek ne değişecek? Daha güçlü kanıt gerektiren nedensel bir soru.

Sorumlu bir sistem, yanıtladığı sorunun türünü beyan eder; korelasyonu nedenselliğe, bir öngörüyü bir reçeteye ya da olasılığı kesinliğe dönüştürmez.

6. Optimizasyon ve Yöneylem Araştırması

Tahmin ne olabileceğini söylerken optimizasyon, belirlenmiş kısıtlar altında pek çok alternatif arasından bir eylem ya da plan arar. Sınırlı suyu sektörler arasında dağıtabilir, bir toplama güzergâhı düzenleyebilir, hasadı, nakliyeyi ve soğutmayı eşgüdümleyebilir ya da işçileri ve makineleri birbiriyle yarışan zaman pencerelerine tahsis edebilir. Bir optimizasyon problemi üç şeyden oluşur:

1. Değiştirilebilen kararlar: Ne zaman sulamalıyız? Araç hangi güzergâhı izlemeli? Önce hangi parti soğutulmalı?
2. Göz ardı edilmemesi gereken kısıtlar: pompa kapasitesi, zaman, stok, güvenlik, enerji, işgücü ve tarımsal sınırlar.
3. İyileştirmek istediğimiz bir amaç: suyu, zamanı ya da kayıpları azaltmak veya birkaç amacı dengelemek.

Sulama gerektiren üç sektör düşünelim; pompalama kapasitesi ise bunların aynı anda çalışmasına izin vermiyor. Sistem; su durumunu, ürün önceliğini ve enerji fiyatlarını dikkate alan bir program önerebilir. Ancak amaç işlevi yalnızca elektrik tüketimini asgariye indiriyorsa, hassas bir sektörü geciktirebilir. Ve yalnızca beklenen verimi azamiye çıkarıyorsa, küçük bir çiftçinin payını ya da su tükenmesine konmuş bir sınırı göz ardı edebilir. Algoritma, kendisi için tanımlanmış olanı yerine getirir; tasarımcının belirtmeyi unuttuğu değerleri kendiliğinden eklemez. Dolayısıyla soyut anlamda bir "optimal çözüm" yoktur. Belirli bir anda bir amaca, kısıtlara ve veriye göre optimal bir çözüm vardır. Öncelikler değişirse, bir kaynak arızalanırsa ya da tahmine duyulan güven azalırsa, sistem yeniden hesaplamalı ya da alternatif bir plana geçmelidir. Gerçek dünya problemlerinde amaçlar çoktur. Verimi korumak, su ve enerji kullanımını azaltmak, stresten kaçınmak ve çalışma penceresine uymak isteriz. Bu değerler her zaman tarafsız tek bir sayıya indirgenemez. Bu yüzden birkaç senaryoyu ve bunların ödünleşimlerini sunmak; tek bir planı yegâne yanıtmış gibi sunmaktan daha dürüsttür. Sistemin ayrıca güvenli bir elle kullanım kipi olmalıdır. Haberleşme kesilirse, hava durumu verisi gelmezse ya da kısıtlar çatışırsa, temel süreç uyarı vermeksizin durmamalı ya da eski bir plan üzerinden sürmemelidir. Optimizasyonun gücü yalnızca ideal koşullardaki planın zarafetiyle değil, gerçek kısıtlar ve istisnalarla başa çıkabilme kabiliyetiyle ölçülür. Pratik soru: Bir satıcı "sulamayı optimize ediyoruz" dediğinde şunu sorun: Sistem hangi amacı optimize ediyor? Su, verim ve enerji için ağırlıkları kim belirledi? Ve veri eksikse plan nedir?

7. Pekiştirmeli Öğrenme ve Kontrol: Sistem Bir Eylemler Dizisinden Nasıl Öğrenir?

Bazı tarımsal problemlerde görev, tek bir öngörüde bulunup durmak değildir. Yapılan her eylem çiftliğin ya da makinenin durumunu değiştirir ve yeni durum, sonraki kararı etkiler. Bir serada pencere açıldığında sıcaklık düşebilir ve nem değişebilir; ancak açmanın etkisi dış hava sıcaklığına, rüzgâra ve pencerenin ne kadar süre açık kaldığına da bağlıdır. Bir robot sıralar arasında hareket ettiğinde konumu değişir ve kameralarının görebildikleri de değişir; az önce orada olmayan bir işçi, bir hayvan ya da bir engel önüne çıkabilir. Bu tür problemlerde tek bir kararla değil, birbiriyle ilişkili kararlar dizisiyle karşı karşıyayızdır. Pekiştirmeli öğrenmenin bir rol üstlenebileceği yer burasıdır. Pekiştirmeli öğrenmeyle ne kastedilir? Pekiştirmeli öğrenme, sistemin yaptıklarının sonuçlarını gözleyerek bir eylemler dizisini nasıl seçeceğini öğrendiği bir yöntemdir. "Pekiştirme" sözcüğü, bu öğrenme türünün diğer bütün yöntemlerden daha iyi ya da daha güçlü olduğu anlamına gelmez. Anlamı şudur: Sistem, eylemlerinin ardından, kendisini hedefe yaklaştıran seçimleri pekiştiren ve o hedeften uzaklaştıran ya da istenmeyen sonuçlara götüren seçimlerin değerini azaltan sayısal sinyaller alır. Bu fikir, bir sonuca ulaşmak için birkaç yol deneyen, sonra da daha iyi sonuçlara götürenleri yavaş yavaş benimseyen bir öğrenciye benzetilebilir. Ancak bu benzetmenin sınırları vardır; sistem çiftliği ahlaki ya da ziraai anlamda kavramaz ve "daha iyi"nin ne sayılması gerektiğini kendiliğinden bilmez. Neyi ölçeceğini, hangi eylemlerin mevcut olduğunu ve hangi sınırların aşılmaması gerektiğini belirleyenler insanlardır. Pekiştirmeli öğrenme birkaç temel unsurdan oluşur:

1. Durum: sistemin ölçebildiği kadarıyla mevcut hâli betimleyen bilgi.
2. Eylem: sistemin o anda yerine getirebileceği seçenek.
3. Sonuç: eylem gerçekleştirildikten sonra çevrede değişen şey.
4. Sayısal skor: sonucun hedefe yaklaşıp yaklaşmadığını ya da ondan uzaklaşıp uzaklaşmadığını gösteren bir sinyal.
5. Seçim stratejisi: sistemin her durumda uygun eylemi seçmek için öğrendiği yöntem.

Uzmanlar, eylemleri seçen programa etmen, sayısal skora ödül ve seçim stratejisine politika der. Ancak işlevleri anlamak, adları ezberlemekten daha önemlidir. Bir seradan basitleştirilmiş bir örnek Bir serada sıcaklığı, nemi ve enerjiyi yönetmeye yardımcı olan bir sistem bulunduğunu varsayalım. Sistemin gördüğü durum Mevcut bilgiler şunları içerebilir:

• Sera içindeki sıcaklık.
• Nem.
• Dış sıcaklık.
• Güneş ışığının şiddeti.
• Rüzgâr hızı.
• Pencerelerin ve fanların durumu.
• Yetiştirme ortamının nemi.
• Günün saati.
• Sensörlerin ve ekipmanın durumu.

Bu, "çevrenin bütünü" değil; cihazların ölçüp sisteme gönderebildiği kısmıdır. Yani sensörlerden biri arızalıysa ya da veri geç ulaşıyorsa, sistem kararını eksik veya güncelliğini yitirmiş bir tabloya dayandırabilir. Seçebileceği eylemler Mevcut eylemler şunları içerebilir:

• Bir pencereyi belirli bir derecede açmak.
• Onu kapatmak.
• Bir fanı çalıştırmak.
• Fan hızını azaltmak ya da artırmak.
• Gölgeleme sistemini açmak.
• Mevcut durumu korumak.
• Otomatik yerine getirme yerine işçi müdahalesi istemek.

Sisteme, akla gelebilecek her eyleme de izin verilmemelidir. Mevcut eylemler önceden tanımlanmalı ve ekipmanın, güvenliğin ve ürünün sınırlarıyla kısıtlanmalıdır. Eylemden sonra ne olur? Sistem pencereyi açarsa sıcaklık düşebilir, ancak nem de değişebilir. Sistem değişimi başka ekipmanı çalıştırarak telafi ederse enerji tüketimi de artabilir. Ve bir eylem günün bir saatinde uygun, başka bir saatinde uygunsuz olabilir. Sistem, eylemden sonra ne olduğunu gözler, ardından sonucu sonraki seçimlerini iyileştirmek için kullanır. Yani tek bir karardan değil, bir diziden öğrenir: Durum → eylem → çevredeki değişim → yeni durum → yeni eylem "Ödül" ne anlama gelir? Bu bağlamda ödül bir armağan değildir; sistemin hoşnutluk ya da ceza hissettiği anlamına da gelmez. Bir eylemin sonucunu değerlendirmek için tasarımcı tarafından tanımlanmış sayısal bir skordur. Skor şu durumlarda yükselebilir:

• Sıcaklık ve nem gereken aralıkta kalır.
• Bitki koşullarına zarar vermeksizin enerji tüketimi düşer.
• Sistem ekipmanı gereksiz yere çalıştırmaktan kaçınır.
• Keskin değişimlere yol açmak yerine çevresel istikrarı korur.
• Veri yetersiz ya da çelişkili olduğunda işçi müdahalesi ister.

Ve skor şu durumlarda düşebilir:

• Koşullar kabul edilebilir sınırların dışına çıkar.
• Sistem gereğinden fazla enerji ya da su kullanır.
• Ekipmanı, aşınmayı hızlandıracak biçimde tekrar tekrar açıp kapatır.
• Arızalı bir sensörü göz ardı eder.
• Güvenlik sınırlarına yaklaşan bir eylem seçer.

Yani "hedefi ifade eden bir ödül" ifadesinin gerçek anlamı şudur: Bitki durumu, enerji, su ve ekipman istikrarı gibi birkaç sonucu, sistemin eylemlerini karşılaştırmasına yardımcı olan sinyallere dönüştürmek için tasarımcının belirlediği bir denklem ya da hesaplama yöntemi. Ne var ki bu skor, hedefin bütününü zorunlu olarak temsil etmez. Tasarımcının hesaba dâhil etmediği şey, sistemin hesaba katmayabileceği şeydir. Sistem sayıyı tutturup amacı ıskaladığında Tasarımcının sisteme tek bir hedef verdiğini varsayalım: enerji tüketimini asgariye indirmek. Sistem, fanların ya da havalandırmanın çalışmasını olması gerekenden fazla azaltmayı öğrenebilir. Hesaplama açısından elektrik kullanımını kısmakta başarılı olurken, sera içindeki sıcaklık ya da nem bozulabilir. Hedefin sıcaklığı tek bir değerde tutmak olduğunu varsayalım. Sistem, ısıtma ve soğutma ekipmanını tekrar tekrar açıp kapatabilir, nemi göz ardı edebilir ya da bitkiye zarar vermeyen küçük ve doğal bir dalgalanmayı önlemek için büyük miktarda enerji tüketebilir. Her iki durumda da sistem, hesaplama açısından kendisinden isteneni yapmıştır; ancak daha geniş tarımsal amacı gerçekleştirmemiştir. Buradaki hata, zorunlu olarak algoritmadaki bir zayıflıktan kaynaklanmaz. Hata, insanların amacı formüle ediş biçiminde olabilir. Sistem, kendisine verilen skoru optimize edebilir; ancak tanımına dâhil edilmemiş çıkarları ve kısıtları kendiliğinden bilmez. Bu çerçevede, probleme göre değerlendirme yöntemi şunları içermelidir:

• Bitki koşulları.
• Su ve enerji.
• Ekipman istikrarı.
• İnsan ve hayvan güvenliği.
• İşletim sınırları.
• Sık değişikliğin maliyeti.
• Güvenli bir kipe geri dönebilme kabiliyeti.
• Kararın bir insana devredilmesi gereken durumlar.

Temel kural: Sistem, zihnimizde istediğimizi öğrenmez; veride, skorlarda ve kısıtlarda ifade ettiğimizi öğrenir. Hesaplamalı bir ceza güvenliği korumaya neden yetmez? Bir tasarımcı, sistem tehlikeli bir eylemi yerine getirdiğinde skoru düşürmeyi düşünebilir. Ancak bazı eylemlerin, sonradan olumsuz bir skora yol açacak olsalar bile, en baştan denenmesine izin verilmemelidir. Örneğin sistemin, ağır koşullarda havalandırmayı kapatmanın tehlikesini, eylemi gerçekleştirip bitkiyi riske atarak öğrenmesine izin verilmemelidir. Bir robotun da bir işçiye yaklaşmanın güvensiz olduğunu, o işçiye bir kez çarparak öğrenmesi doğru değildir. Bu doğrultuda şunlar birbirinden ayrılmalıdır:

• Sistemin optimize edebileceği amaçlar.
• Aşmaması gereken güvenlik sınırları.

Sistem, izin verilen aralık içinde enerji kullanımını azaltmaya ya da istikrarı iyileştirmeye çalışabilir; ancak bağımsız bir katman onun şunları yapmasını engellemelidir:

• Tehlikeli bir sıcaklık sınırını aşmak.
• Hareket bölgesinde bir insan varken bir alet çalıştırmak.
• Kritik sensörler arızalandığında sürdürmek.
• Onaylanmış sınırların dışında bir birim ya da değerle bir komutu yerine getirmek.
• Konumunu ya da haberleşmesini yitirdikten sonra harekete devam etmek.
• Elle durdurma düzeneğini devre dışı bırakmak.

Bu sınırlara bazen katı kısıtlar denir; yani sistemin daha iyi bir skor peşinde çiğneyemeyeceği bağlayıcı işletim kuralları. Keşif ile ne kastedilir? Sistemin hangi eylemlerin en iyi olduğunu bilmesi için, daha önce pek kullanmadığı seçenekleri denemesi gerekebilir. Buna keşif denir. Buna karşılık gerçek bir sistemde keşif, dijital bir oyunun içindeki denemeden farklıdır. Tarladaki bir hata suyu israf edebilir, bir ürünü strese sokabilir, ekipmana zarar verebilir ya da bir işçiyi riske atabilir. Bu sebeple sistem, çiftlikte herhangi bir eylemi denemekte serbest olmamalıdır. Risk, aşamalı bir yolla azaltılabilir:

1. Öğrenme ya da değerlendirme, çevreyi makul ölçüde temsil eden bir benzetimde başlar.
2. Bütün olası eylemleri kapsamadıkları akılda tutularak, önceki koşullarda ne olduğunu anlamak için tarihsel veri kullanılır.
3. Sistem, eylemleri yerine getirmeksizin öneren izleme kipinde sınanır.
4. Önerileri, operatörün yaptıklarıyla ve sonrasında olanlarla karşılaştırılır.
5. Düşük riskli bir aralık içinde sınırlı bir denemeye geçilir.
6. Bağımsız kısıtlar ve insanın durdurma yetkisi etkin kalır.
7. İşletim, ancak güvenliğe ve istikrara dair yeterli kanıt ortaya çıktıktan sonra genişletilir.

Benzetim tek başına yeterli değildir; çünkü gerçekliğin basitleştirilmiş bir resmidir. Bitkinin, ekipmanın ya da hava durumunun tepkisi, modelin varsaydığından farklı olabilir. Bu, bazen benzetim ile gerçeklik arasındaki açık olarak bilinir. Bu nedenle gerçek işletime geçiş aşamalı, izlenen ve geri döndürülebilir olmalıdır. Her kontrol problemi pekiştirmeli öğrenme gerektirmez Pekiştirmeli öğrenme, bir kararlar dizisinden öğrendiği için çekici görünebilir; ancak kendiliğinden en iyi seçenek değildir. İşletim kuralları açık ve istikrarlıysa, dolambaçsız kural tabanlı bir sistem daha şeffaf ve sınanması daha kolay olabilir. Ekipmanın tepkisi biliniyor ve iyi temsil edilebiliyorsa, alışılmış kontrol yöntemleri ya da kısıtlı optimizasyon daha güvenli ve daha az maliyetli olabilir. Pekiştirmeli öğrenme şu durumlarda aday hâline gelir:

• kararlar ardışıktır ve her eylem sonrasını etkiler.
• bazı eylemlerin sonucu ancak bir gecikmeyle ortaya çıkar.
• anlık bir fayda ile daha sonraki bir etki arasında bir ödünleşim vardır.
• bütün durumları kapsayan sabit bir kural yazmak zordur.
• uygun bir eğitim ortamı ya da benzetim mevcuttur.
• güvenli bir eylem aralığı belirlenebilir.
• performansı izlemenin ve geri dönmenin bir yolu vardır.

Öte yandan amaç yalnızca bir görüntüde bir hastalığı saptamak, verimi tahmin etmek ya da tek bir uyarı vermekse, başka yöntemler daha uygun olabilir. Pekiştirmeli öğrenme, salt daha yeni ya da daha heyecan verici göründüğü için kullanılmamalıdır. Kontrol sistemi içinde kim ne yapar? Gerçek bir tarımsal sistemde birkaç işlev birbirinden ayrı tutulmalıdır: 1\. Durum ölçümü Sensörler ve kameralar çevre ve ekipman hakkında bilgi toplar. Bu bilgi eksik, gecikmiş ya da isabetsiz olabilir. 2\. Durum kestirimi ya da tahmini Doğrudan ölçülmeyeni kestirmek ya da belirli bir eylem yapıldıktan sonra ne olabileceğini tahmin etmek için bir model kullanılabilir. 3\. Eylem seçimi Kontrol stratejisi; durum, amaç ve kısıtlar ışığında önerilen eylemi belirler. 4\. Güvenlik denetimi Bağımsız bir katman, eylemin izinli olup olmadığını, verinin yeterli olup olmadığını ve ekipmanla çevrenin güvenli bir durumda bulunup bulunmadığını gözden geçirir. 5\. Yerine getirme Komutlar pencerelere, fanlara, pompalara ya da motorlara gönderilir ve komutun yalnızca gönderilmekle kalmayıp fiilen yerine getirildiği doğrulanmalıdır. 6\. Sonucun doğrulanması Sistem, beklenen ile yerine getirmeden sonra olanı karşılaştırır. Cihaz tepki vermiyorsa ya da farklı hareket ediyorsa, bunun saptanması gerekir. 7\. İnsan denetimi Bir insan onaylama, durdurma ya da geçersiz kılma yetkisine sahiptir ve uygulama ya da bağlantı bozulduğunda açık bir elle işletime dönebilir. Bu ayrım önemlidir; çünkü bir parçanın başarısı, sistemin bütününün başarısını kanıtlamaz. Yazılım uygun bir eylem seçebilir, ama vana tepki vermez. Vana komutu yerine getirebilir, ama sonucu doğrulayan sensör arızalı olabilir. Bileşenler teknik olarak işleyebilir, ama amacın kendisi eksik olabilir. Derin pekiştirmeli öğrenmeyle ne kastedilir? Derin pekiştirmeli öğrenme, sistemin karmaşık durumları temsil etmesine, eylemlerin değerini kestirmesine ya da onları seçmesine yardımcı olmak için derin yapay sinir ağları kullanan pekiştirmeli öğrenmedir. Ve "derin" sözcüğü, sistemin şunu yaptığı anlamına gelmez:

• çevreyi insanlar gibi anladığı.
• daha güvenli olduğu.
• zorunlu olarak bir robot gerektirdiği.
• kendiliğinden görüntüleri gördüğü.
• sahada kullanıma uygun olduğu.
• kurallardan ya da geleneksel kontrolden daha iyi olduğu.

Derin pekiştirmeli öğrenme, benzetimli bir ortamda eylemleri seçmek için kullanılabilirken bilgisayarlı görü, görüntüleri çözümlemek üzere başka bir modelden yararlanır. İkisi tek bir robotun içinde çalışabilir ama iki farklı işlevi yerine getirirler. Önemli bir kaynak düzeltmesi: yabancı otu görmek, sökülmesini denetlemek değildir Bu kitabın daha önceki editoryal malzemesinde, yabancı ot saptama çalışmalarından birini robotik sökümde kullanılan "derin pekiştirmeli öğrenme" örneği diye niteleyen bir ifade yer almıştı. Oysa doğrulanabilen kaynak [SRC009], soya fasulyesi tarlalarında çekilmiş görüntülerin evrişimli sinir ağlarıyla sınıflandırılmasına ilişkindir. Yani çalışma, bilgisayarlı görünün görevlerinden birini destekler: görüntüyü çözümlemek ve örüntüleri birbirinden ayırt etmek. Bu kaynak, çalışmanın şunları geliştirdiğini ortaya koymaz:

• bir eylem dizisini öğrenen bir sistem.
• bir robotta kontrol stratejisi.
• sökümü değerlendirmeye yarayan bir ödül sinyali.
• yabancı ota doğru otomatik hareket.
• söküm için saha kullanımı.
• derin pekiştirmeli öğrenmeye dayalı bir sistem.

Fark temeldedir: Bilgisayarlı görü şunu sorar: görüntüde yabancı ot var mı, nerede? Buna karşılık pekiştirmeli öğrenme ve kontrol şunu sorar: Makine şimdi hangi eylemi yapmalı ve bu, durumu ve bir sonraki eylemi nasıl etkileyecek? Bir yabancı ot sökme robotunun, bitkiyi tanımlamak için bir görü modeline, ardından konumu belirleyecek başka bir sisteme, sonra bir hareket planlayıcısına, ardından eylemi yürütecek bir denetleyiciye, sonra da tehlike doğduğunda makineyi durduran bir güvenlik katmanına ihtiyacı olabilir. Bir sınıflandırma algoritmasının başarısı, bu zincirin başarısını kanıtlamaz. Bu düzeltmeye yer vermek, adlandırma üzerine bir tartışma değil, kitabın kanıt yönteminin uygulanmasıdır: kaynak ortaya koymadıkça ona hiçbir algoritma, işletim kabiliyeti ya da saha etkisi atfedilmemelidir. Bütünleşik örnek: serada havalandırma yönetimi Diyelim ki sistem, bir seranın içindeki bir pencereyi ve bir fanı yönetiyor. Belirli bir anda şunları okur:

• hafifçe yükselmiş bir iç sıcaklık.
• yüksek nem.
• daha düşük bir dış sıcaklık.
• ılımlı rüzgârlar.
• ekipman alarmının bulunmaması.

Şunlar arasında seçim yapabilir:

• her şeyi olduğu gibi bırakmak.
• pencereyi kısmen açmak.
• daha fazla açmak.
• fanı çalıştırmak.
• pencereyi ve fanı birlikte kullanmak.
• bir işçinin gözden geçirmesini istemek.

Pencereyi kısmen açar ve yüksek enerji tüketimi olmaksızın sıcaklık ile nem düşerse, değerlendirme yöntemi sonucun hedefe yaklaştığını kaydeder. Eylem ani bir değişime yol açarsa ya da nem aralığın dışına çıkarsa sayısal puan düşer. Yine de deneye konu edilemeyecek kurallar bulunmalıdır, örneğin:

• bakım kapağı açıksa ekipmanı çalıştırmamak.
• kritik sensörler çeliştiğinde devam etmemek.
• motorların işletim sınırlarını aşmamak.
• iletişim koptuğunda güvenli kipe geçmek.
• işçinin onu anında durdurabilmesine izin vermek.

Böylece sistem, izin verilen bir alan içinde öğrenir ve deneyerek güvenliği yeniden tanımlama serbestisine sahip olmaz. Pekiştirmeli öğrenmeye dayalı bir sistemi kabul etmeden önce pratik sorular Çiftçi, alıcı ya da işletmeci şunları sorabilir:

• Sistem hangi ardışık kararları vermeyi öğreniyor?
• Mevcut durumu hangi bilgiler betimliyor?
• Önemli bir sensör arızalanır ya da gecikirse ne olur?
• Sistemin hangi eylemleri yapmasına izin veriliyor?
• Öğrenmeye yön veren sayısal puan nasıl hesaplandı?
• Bu sayısal puana hangi yönler dâhil edilmedi?
• Sistemin aşamayacağı sınırlar nelerdir?
• Eğitim nerede yapıldı: benzetimde mi, fiilî işletimde mi?
• Benzetim ile çiftlik arasındaki boşluk nasıl ele alındı?
• Sistem, yürütmeden önce öneri ve izlemeyle başladı mı?
• Daha önce görmediği bir durumla karşılaştığında ne olur?
• Uygulamadan bağımsız yerel bir durdurma düzeneği var mı?
• Onaylama, geçersiz kılma ve elle kullanıma dönme yetkisi kimde?
• Pekiştirmeli öğrenme gerçekten gerekli mi, yoksa daha basit ve daha açık bir yaklaşım var mı?

İleri düzey okur için: Bir pekiştirmeli öğrenme sisteminin değerlendirilmesi, eğitim sırasında elde ettiği ortalama puanla sınırlı değildir. Nadir durumlardaki davranışı, başarımının istikrarı, hedefin nasıl tanımlandığına duyarlılığı, eksik veriyle çalışabilme kabiliyeti, kısıtlara riayeti, benzetim ile gerçeklik arasındaki boşluk ve öneriden yürütmeye geçişin güvenliği bir bütün olarak incelenmelidir. Sonuç Pekiştirmeli öğrenme, makineye sahada deney yapma serbestisi veren bir yöntem değildir. İnsanların tasarladığı sınırlar içinde ardışık eylemleri seçmeyi öğrenmeye yönelik bir yaklaşımdır. Değeri beş şeye bağlıdır:

1. Mevcut bilginin ilgili durumu gerçekten betimlemesi.
2. Sayısal puanın, tarımsal hedefi yanıltıcı bir sayıya indirgemeden temsil etmesi.
3. Güvenliğin, geçersiz kılınması yasak bağımsız kurallarda kalması.
4. Benzetimden işletime geçişin kademeli ve geri döndürülebilir olması.
5. Sistemi durdurma ve nihai onayı verme yetkisinin insanlarda kalması.

Ve okurun akılda tutması gereken kural şudur: Sistem, zımnen kastettiğimiz hedefi öğrenmez; sayıların ödüllendirdiği ve kısıtların izin verdiği davranışı öğrenir. Bu nedenle algoritmanın zekâsı sınanmadan önce hedef ve sınırlar sınanmalıdır. Nihai güvenlik kuralı daha açık biçimde şöyle ifade edilebilir: Tasarımcının, sistemi değerlendirme yönteminin eksik olduğunu ya da yeni bir eylemi denemenin ürüne, insanlara veya ekipmana zarar verebileceğini keşfettiği ilk yer saha olmamalıdır.

8. Dil Modelleri, Üretim ve Erişim: Sorudan Temellendirilmiş Yanıta

Bir çiftçi, uzun menüler arasında arama yapmak ya da karmaşık bir teknik form doldurmak yerine dijital asistana gündelik dille soru sorabilir. Bir uyarının anlamını sorabilir, bir belgenin özetini isteyebilir, talimatların çevrilmesini talep edebilir, iki kaydı karşılaştırabilir ya da bir rapordan belirli bir bilgiyi çekebilir. Bu kolaylık, dil modellerinin en önemli faydalarından biridir; ama aynı zamanda olası bir yanlış anlama kaynağıdır. Açık ve kendinden emin bir dille yazılmış bir yanıt, tarlayı, konumu ve ürünü bilen bir uzmandan geliyormuş gibi görünebilir; oysa sistem onu dilsel örüntülerden ya da karar vermeye yetmeyen eksik bilgilerden derlemiş olabilir. Dolayısıyla yalnızca şunu sormak yeterli değildir: Sistem anlaşılır bir yanıt yazabiliyor mu? Şunu da sormalıyız: Yanıttaki bilgi nereden geldi? Ve bu ürüne, yere, zamana ve karara uygulanabilir mi? Dil modelleri ne yapar? Dil modeli; sözcükler, cümleler ve fikirler arasında yinelenen ilişkileri öğrenmek üzere büyük miktarda metin üzerinde eğitilmiş bir sistemdir. Kendisinden bir yanıt istendiğinde metni, soruya, sistem talimatlarına ve elindeki bağlama dayanarak parça parça kurar. Şu gibi görevlerde kullanılabilir:

• Uzun bir belgeyi özetlemek.
• İçeriği bir dilden başka bir dile çevirmek.
• Dağınık notları düzenli bir rapora dönüştürmek.
• Bir kayıttan ürün adını, konumu, tarihi ya da birimi çekmek.
• Teknik bir terimi daha yalın bir dille açıklamak.
• Birkaç belgeyi karşılaştırmak.
• Birden fazla soru ve yanıttan oluşan bir diyaloğu yönetmek.
• Kullanıcının okuyabileceği, doğal dilde bir yanıt kurmak.

Bununla birlikte bu kabiliyetler, modelin bağımsız bir tarımsal anlayışa ya da her düzenleme, fiyat ve ürüne dair güncel bir belleğe sahip olduğu anlamına gelmez. Tutarlı metin kurmakta iyidir ve bunu yaparken doğru bilgi, eksik bilgi ya da dilsel olarak makul görünen ama kaynakta sağlam biçimde temellenmemiş bir bağlantı kullanabilir. Akıcılık, o hâlde, yanıtın söz dizilişine ilişkin bir özelliktir; içeriğinin doğruluğunun kanıtı değildir. Bir yanıt nasıl ikna edici ama desteksiz olabilir? Model yeterli bilgiye sahip olmadığında, boşluğu görünür bırakmayabilir. Cümleyi, daha önceki metinlerden öğrendiği örüntülere dayanarak makul görünen bir ifadeyle tamamlayabilir. Bunun sonucunda şunlar ortaya çıkabilir:

• Kaynakta geçmeyen bir sayı.
• Sanki bir teşhismiş gibi çerçevelenmiş, kesin olmayan bir neden.
• Makul görünen ama kayıtlı bir ürüne bağlanmamış bir doz.
• Ürüne ya da ülkeye uygun olmayan bir ürün adı.
• Güncelliğini yitirmiş ya da başka bir piyasaya ait bir fiyat.
• Resmî görünen ama iddiayı desteklemeyen bir atıf.
• Bir kaydı atlayan, bir birimi değiştiren ya da kesinlik düzeyini abartan bir çeviri.
• Çiftliğe özgü bir öneriymiş gibi sunulan genel bir yanıt.

Bu, modelin kasten aldatmaya çalıştığı anlamına gelmez. Sorun, onun dilsel bağlama uyan metin üretmek üzere tasarlanmış olması; her cümlenin bu karar için geçerli bir kaynakla denetlendiğini güvence altına almak üzere değil. Temel kural: Bir sistemin cümleyi tamamlayabilmesi, kararı tamamlamak için gereken kanıta sahip olduğu anlamına gelmez. Kısa bir tarımsal soru çok sayıda bilgiyi gizleyebilir Bir çiftçi şunu sorarsa: "Ürünümde lekeler çıktı; ne kullanmalıyım?" cümle dilsel olarak açık görünebilir, ama tarımsal açıdan eksiktir. Bize şunları söylemez:

• Ürün nedir?
• Çeşidi nedir?
• Bitkinin yaşı ve gelişme evresi nedir?
• Çiftlik nerede bulunuyor?
• Belirtiler ne zaman ortaya çıktı?
• Genç yapraklarda mı, yaşlı yapraklarda mı belirdiler?
• Üst yüzeyde mi, alt yüzeyde mi?
• Tarlanın tamamına mı yayılmışlar, yoksa sınırlı kümelerle mi sınırlılar?
• Gövdede, kökte ya da meyvede belirti var mı?
• Hava ve sulama koşulları nasıl?
• Daha önce herhangi bir tedavi uygulandı mı?
• Görüntü net mi ve vakayı temsil ediyor mu?
• Kullanım ülkesinde, o ürün ve zararlı için hangi ürünler tescilli?
• Hasat öncesi bekleme süresi ya da işçinin alana yeniden girişiyle ilgili kısıtlamalar var mı?

Sistem bu boşlukları kendi başına doldurursa, çiftlikte fiilen var olan vakaya değil, kendi tasavvur ettiği bir vakaya uygun bir yanıt verebilir. Bu bakımdan sorumlu bir sistem, bilgi eksik olduğunda durmalı ve olasılıkları daraltmadan önce ihtiyaç duyduğunu istemelidir. En iyi ilk yanıt, bir öneri değil, açıklayıcı bir soru olabilir. Üretim ile erişim arasındaki fark nedir? Üretim, doğal dilde yeni bir yanıt kurma sürecidir. Model, soruyu ve mevcut bağlamı alır, sonra bunları kullanıcının okuyabileceği bir metin hâlinde düzenler. Erişim ise, bir belgeler ya da kayıtlar bütünü içinde, soruyla ilgili olabilecek pasajların aranmasıdır. Kullanıcı belirli bir ürün için gereken bekleme süresini sorarsa, sistem şunlarda arama yapabilir:

• Güncel onaylı ürün etiketi.
• Ürün tescil kaydı.
• Yetkili düzenleyici otoritenin yayımladığı belgeler.
• Ürüne ve zararlıya ilişkin resmî rehberlik.
• Onaylı bir bilgi tabanının tarihli bir baskısı.

Erişim, nihai yanıtı mutlaka kurmaz; daha çok, yanıtın kendisinden inşa edilebileceği malzemeyi bulur. Sistem, kaynaklarda arama yapmayı erişilenlere dayanarak bir yanıt kurmayla birleştirdiğinde, bu iş akışına erişimle güçlendirilmiş üretim denir; genellikle RAG diye kısaltılır. Erişimle güçlendirilmiş üretimde ne olur? İş akışı altı aşamaya sadeleştirilebilir:

1. Soruyu anlamak: kullanıcının ne sorduğunu ve hangi bilginin eksik olduğunu belirlemek.
2. Arama kapsamını tanımlamak: ürüne, konuma ve konuya uygun kaynak kümesini seçmek.
3. Aday pasajları bulmak: belgelerin soruyla ilgili görünen kısımlarını aramak.
4. Geçerliliği denetlemek: güncelliğini yitirmiş, gayriresmî ya da bağlama uygun olmayan belgeleri dışarıda bırakmak.
5. Yanıtı kurmak: kabul edilen pasajları kullanarak açık bir yanıt yazmak.
6. Kaynağı ve sınırları göstermek: kullanıcının bilginin nereden geldiğini ve yanıtın neyi ortaya koyamayacağını bilmesini sağlamak.

Bu yol, desteksiz yanıtları azaltabilir ama onları kendiliğinden önlemez. Sistem, altı aşamanın herhangi birinde hata yapabilir. Erişim, modelin içine kalıcı bilgi yerleştirmez Sistem, soru anında bir belgeye eriştiğinde, yanıtı kurmasına yardımcı olmak için onun bir kısmını modelin önüne koyar. Bu, bilginin modelin kalıcı bir parçası hâline geldiği ya da sonraki tüm yanıtlarının onu doğru biçimde kullanacağı anlamına gelmez. Yeni bir soruyla yeni bir arama yürütülebilir ve farklı bir pasaja erişilebilir. Bu nedenle her yanıtın niteliği şunlara bağlıdır:

• sorunun söz dizilişi.
• mevcut kaynaklar bütünü.
• bunların nasıl düzenlendiği ve dizinlendiği.
• arama ölçütleri.
• modele sunulan pasajlar.
• söz dizilişini kısıtlayan talimatlar.
• sistemin, yeterli destek bulamadığında çekimser kalabilme kabiliyeti.

Bu, yalnızca dil modelini değerlendirmenin yeterli olmadığı anlamına gelir; arama, kurma ve atıf yolunun tamamı değerlendirilmelidir. Erişim yolu nasıl yanlış gidebilir? Yol birkaç biçimde başarısız olabilir: 1\. Soruyu yanlış anlamak Yerel bir sözcüğü bir hastalığın adı sanabilir, bir ürünün adını bir çeşidin adıyla karıştırabilir ya da kullanıcı aslında ilk teşhisi sorarken tedaviyi sorduğunu varsayabilir. 2\. Uygun olmayan bir bütünde arama yapmak Soru resmî bir yerel belge gerektirirken sistem genel makalelerde arama yapabilir ya da başka bir ürüne ilişkin rehberlikte arayabilir. 3\. Eski bir belgeye erişmek Belge yayımlandığında doğru olabilir, ama ürün tescili, kısıtlamalar, fiyat ya da talimatlar sonradan değişmiş olabilir. 4\. Başka bir bağlam için geçerli bir kaynağa erişmek Öneri başka bir ülke, başka bir çeşit, başka bir gelişme evresi ya da farklı bir üretim sistemi için doğru olabilir. 5\. Sözcükleri paylaşan ama anlamı paylaşmayan bir pasajı seçmek Pasajda hastalık adı ve ürün geçiyor olabilir, ama tedaviden çok korunmayı ele alıyor ya da işletim talimatlarından çok bir araştırma çalışmasını betimliyor olabilir. 6\. Kurma sırasında kaynağın ötesine geçmek Kaynak genel bir nottan söz ediyor olabilir; model ise bunu, kaynakta yer almayan belirli bir öneriye dönüştürebilir. 7\. Kaynağın desteklemediği bir cümlenin ardına doğru bir atıf koymak Kaynağın adının ya da bağlantısının bulunması yeterli değildir. İddianın kendisi, aynı kesinlik derecesi ve aynı sınırlarla kaynakta yer almalıdır. Dolayısıyla kaynak güvenilir olabilir ve erişim metinsel düzeyde başarılı olabilir; yine de yanıt, tarımsal karar vermeye elverişsiz olabilir. Söz dizilişindeki benzerlik, kullanıma elverişlilik değildir Diyelim ki sistem, belirli bir üründe yaprak lekelerini ele alan bir belge buldu. Belge, soruyla son derece ilgili görünebilir, ama şöyle olabilir:

• ürün tescilinin farklı olduğu bir ülkeye ilişkindir.
• farklı bir çeşidi ya da çevreyi ele alır.
• saha rehberliği değil, bir laboratuvar çalışmasıdır.
• benzer belirtileri farklı bir nedenle betimler.
• eskidir ya da daha yeni bir sürümle değiştirilmiştir.
• kullanıcı mevcut bir vakayı sorarken korunmayı ele alır.
• yerel olarak kayıtlı bir ürün olmaksızın bir etkin maddeden söz eder.
• çeviridir ve önemli bir kaydı yitirmiştir.

Bu yüzden erişim, yalnızca sözcük benzerliğine dayanmamalıdır. Arama, şu gibi bilgiler kullanılarak daraltılmalıdır:

• Ürün.
• Gerekiyorsa çeşit.
• Konum ve hukuki yetki alanı.
• Gelişme evresi.
• Tarih.
• Belge türü.
• Yayımlayan kurum.
• Belgenin durumu: yürürlükte, arşivlenmiş, taslak ya da yürürlükten kaldırılmış.
• Ürünün tescil durumu.
• Karar türü: genel bilgi, teşhis, doz ya da düzenlemeye tabi eylem.

Bu koşullara bazen arama süzgeçleri denir. Bunlar, sistemin dilsel olarak benzeyen her metni soruyla ilgili saymasını önleyen kurallardır. Kaynakları kim onaylar? "Onaylı kaynaklar" ifadesi belirsiz kalmamalıdır. Şunları bilmemiz gerekir:

• Kaynağı kim seçti?
• Ne tür bir otoriteye sahip?
• Bilimsel, düzenleyici mi yoksa ticari bir kaynak mı?
• Ne zaman yayımlandı ya da güncellendi?
• Hâlâ yürürlükte mi?
• Hangi bölge, ürün ve üretim sistemi için uygulanabilir?
• Hangi iddiaları destekleyebilir?
• Ondan neler çıkarsanamaz?

Bilimsel bir makale bir olguyu ya da bir araştırma bulgusunu anlamada yardımcı olabilir, ama bir ürünün yasal tescilini ortaya koymaz. Resmî kullanım talimatları ise kayıtlı bir ürünün koşullarını belirler, fakat tek başlarına genel bir ekonomik etkiyi kanıtlamaz. Resmî bir piyasada yayımlanan bir fiyat, o piyasa ve tarih için doğru olabilir, ama başka bir bölgedeki bir çiftçinin nakliye ve komisyon sonrası eline geçenle zorunlu olarak eşit değildir. Dolayısıyla bir kaynağın otoritesi soruya göre değişir. Üç katman her zaman yeterli değildir Bir yanıtın; kaynakların ne söylediğini, sistemin ne çıkarsadığını ve neyin insan kararı gerektirdiğini birbirinden ayırması yararlıdır. Ama hassas tarımsal kararlarda beş katman sunmak daha iyidir: 1\. Sistemin sorudan ne anladığı Örneğin: Belirli bir ürünün yapraklarında belirli bir gelişme evresinde ortaya çıkan lekelerin nedenini sorduğunuzu anladım. Bu, kullanıcıya yanıt kurulmadan önce o anlayışı düzeltme fırsatı verir. 2\. Kaynakların ne söylediği Kaynağın desteklediği iddia; kaynağın adı, tarihi ve kapsamıyla birlikte sunulur. 3\. Sistemin birkaç bilgi parçasından ne derlediği Sistem birden fazla kaynağı birleştiriyor ya da bir ilişki çıkarsıyorsa, bunun doğrudan bir alıntı değil, kendi kurgusu ya da karşılaştırması olduğunu belirtmelidir. 4\. Bilinmeyen olarak kalan Net bir görüntünün bulunmaması, bir testin yokluğu, ülkenin bilinmemesi ya da belgenin hâlâ geçerli olup olmadığının doğrulanmamış olması gibi. 5\. İnsan kararı ya da yetkili bir merci gerektiren Nihai teşhis, düzenlemeye tabi bir maddenin seçimi, dozun onaylanması ya da ürüne veya insanlara zarar verebilecek bir müdahalenin yürütülmesi gibi. Bu, desteklenmiş bilginin otomatik çıkarımla ya da mesleki hükümle karıştırılmasını önler. Atıf bir süs değildir Kullanıcı, atfı inceleyebilmeli ve onun yanıtla ilişkisini anlayabilmelidir. İyi bir atıf şunları açık kılar:

• Belgenin ya da yayımlayan kurumun adı.
• Yayım ya da son güncelleme tarihi.
• Kullanılan kısım.
• Belgenin kapsamı.
• Resmî mi, bilimsel mi, ticari mi olduğu.
• Sistemin metni aynen aktarıp aktarmadığı, özetleyip özetlemediği ya da başka bir kaynakla birleştirip birleştirmediği.

Uzun bir paragrafın ardına genel bir bağlantı koymak, kaynağın hangi cümleyi desteklediğini göstermez. Yanıta, okurun iddianın izini sürmesini sağlamaksızın bir belgelenmişlik görüntüsü verebilir. Kural: Kaynağın yalnızca var olması yeterli değildir; soruyla ilgili olmalı, cümleyi desteklemeli ve cümlenin sınırları kaynağın sınırları içinde kalmalıdır. Sistem yeterli destek bulamadığında ne yapar? Çekimser kalmak, diyaloğun başarısızlığı değildir. Sistem, bir yanıt uydurmadan kullanıcıya yardım etmeyi sürdürebilir. Şöyle diyebilir:

• Belirtilen ülkede bu ürün için geçerli bir kaynak bulamıyorum.
• Mevcut belge güncelliğini yitirmiş ve dozu ortaya koymaya yetmiyor.
• Görüntü, olası nedenlerin ayırt edilmesine izin vermiyor.
• Soru; ürün adını, gelişme evresini ve konumu gerektiriyor.
• Genel bilgi mevcut, ama bir tedavi önerisi için yeterli değil.
• Müdahale seçilmeden önce bir uzman muayenesi ya da bir test gerekiyor.

Ardından güvenli bir sonraki adım önerir:

• Ek bir görüntü isteyin.
• Konumu belirtin.
• Ürün adını, ambalajda göründüğü biçimiyle tam olarak verin.
• Tescil durumunu denetleyin.
• Güncel resmî kullanım talimatlarını gözden geçirin.
• Yayım hizmetiyle ya da nitelikli bir uzmanla iletişime geçin.

Böylece çekimser kalmak bir çıkmaz değil, kanıtı tamamlamak için açık bir yol hâline gelir. Sorumsuz bir gidişat örneği Kullanıcı sorar: "Ürünümde lekeler çıktı; ne kullanmalıyım?" Sistem doğrudan yanıtlar: "Şu dozda X ürününü kullanın." Bu yanıt sorumsuzdur; çünkü şunları bilmeden genel bir betimlemeden bir maddeye ve bir doza geçer:

• Ürün.
• Ülke.
• Teşhis.
• Gelişme evresi.
• Tescil durumu.
• Resmî kullanım talimatları.
• Güvenlik aralığı.
• Belirtilerin başka nedenleri olup olmadığı.
• Kullanıcının tedaviyi güvenle uygulayabilme kabiliyeti.

Söz dizilişi dilsel olarak düzgün olabilir, ama karar için bir dayanaktan yoksundur. Sorumlu bir yanıt örneği Yanıt şöyle olabilir: "Mevcut bilgi, lekelerin nedenini belirlemeye ya da bir tedavi seçmeye yetmiyor. Bu belirtiler hastalık, besin eksikliği, su stresi ve hava kaynaklı zarar arasında örtüşebilir. Ürünün adını ve biliniyorsa çeşidini, ülkeyi ya da bölgeyi, gelişme evresini ve belirtilerin bitkinin neresinde göründüğünü verin; yaprağın üst ve alt yüzeylerinin net bir görüntüsünü ve sorunun tarlada ne kadar yayıldığını gösteren bir görüntüyü de gönderin. Ardından belirtileri uygun kaynaklarla karşılaştırabilir, olasılıkları ve eksik bilgiyi ortaya koyabilirim; ancak bir ürün ya da doz belirtmek, teşhisin doğrulanmasını, ürünün kullanım ülkesinde o ürün ve zararlı için tescilli olmasının denetlenmesini ve güncel resmî kullanım talimatlarını gerektirir, ayrıca bir uzmana danışılmasını gerektirebilir." Bu yanıt yalnızca çekimser kalmaz; aksine:

• Bilginin neden yetersiz olduğunu açıklar.
• Birden fazla yorumun mümkün olduğunu gösterir.
• Belirli veriler ister.
• Sistemin ne yapabileceğini açıklığa kavuşturur.
• Neyin resmî bir kaynak ya da bir uzman gerektirdiğini belirler.
• Dilsel akıcılığın, dayanaksız bir tedavi otoritesine dönüşmesini önler.

Başka bir örnek: fiyata ilişkin bir soru Bir çiftçi şunu sorarsa: "Ürünümün bugünkü fiyatı nedir?" sistemin, ürün adını içeren bir rakama erişmesi yeterli değildir. Şunları bilmelidir:

• Ülke, bölge ve piyasa.
• Fiyatın tarihi ve gerekiyorsa saati.
• Para birimi.
• Satış birimi.
• Çeşit.
• Kalite sınıfı.
• Fiyatın toptan mı, perakende mi, yoksa çiftlik çıkışı mı olduğu.
• Nakliyeyi ya da komisyonu içerip içermediği.
• Onu hangi kurumun yayımladığı.

Ve sorumlu bir yanıt şöyle demez: "Fiyat şu kadardır." Bunun yerine, örneğin şöyle der: "Belirtilen piyasada şu tarihte, anılan birim ve sınıf için yayımlanmış bir fiyat buldum. Çiftçinin eline geçen fiyat; kaliteye, nakliyeye ve komisyona bağlı olarak farklılaşabilir ve sizin çiftliğinizde yerel bir işlemi doğrulamış değilim." Bu, erişimin her yerde geçerli bir "gerçek fiyat" değil, belirli bir piyasa bilgisini döndürdüğünü açık kılar. Çevirinin kendisi de yönetişim gerektirir Bir ürün etiketini ya da tarımsal rehberliği çevirmek için bir dil modeli kullanılabilir. Ama akıcı bir çeviri şunlarda bir hatayı gizleyebilir:

• Ölçü birimi.
• Olumsuzlama.
• Bekleme süresi.
• Zararlının adı.
• Ruhsatlı bitki.
• Yükümlülüğün derecesi.
• Uyarı.
• Hukuki yetki alanı.

Dolayısıyla bir güvenlik belgesinin makine çevirisi, resmî metnin yerine geçen bir otoriteye dönüşmemelidir. Sistem anlamaya yardımcı olabilir; ancak özgün kaynak muhafaza edilmeli, kaynağı ve sürümü gösterilmeli ve hassas terimler uygulamadan önce gözden geçirilmelidir. Sistemi nasıl değerlendiririz? Biçemsel niteliği ya da kullanıcı memnuniyetini ölçmek yetmez. İşlem hattındaki her adım sınanmalıdır: Sorunun anlaşılması

• Sistem ürünü, konumu ve kastedilen anlamı belirledi mi?
• Eksik bilgiyi talep etti mi?

Erişim

• Uygun kaynağı buldu mu?
• Güncelliğini yitirmiş ya da yerel olmayan bir kaynağı dışarıda bıraktı mı?
• Soruyu yanıtlayan bölümü getirdi mi?

İfade

• Yanıt, kaynağın belirttiğine bağlı kaldı mı?
• Desteklenmeyen bir iddia ekledi mi?
• Kısıtları ve belirsizliği korudu mu?

Kaynak gösterimi

• Okur kaynağa erişebiliyor mu?
• Kaynak cümleyi gerçekten destekliyor mu?
• Belgenin tarihi ve durumu gösteriliyor mu?

Güvenlik

• Kanıt yetersizken sistem doz ya da teşhis vermekten kaçındı mı?
• Bir uzmana ya da düzenleyici mercie danışılması gerektiğini açıkça belirtti mi?
• Genel bilginin uygulanabilir bir talimata dönüştürülmesini engelledi mi?

Tarımsal uygulama

• Yanıt ürün, konum ve zamanlama bakımından geçerli mi?
• Kullanıcı onu anlayabilir ve yerine getirebilir mi?
• İnsanın sorumluluğu açık kaldı mı?

Sistem doğru bir belge bulmayı başarıp ardından onu yorumlamakta başarısız olabilir. Uygun olmayan bir pasaja sadık bir yanıt kurabilir. Kaynağın desteklemediği bir cümle için gerçek bir referans verebilir. Bu nedenle model tek başına değil, işlem hattının tamamı değerlendirilmelidir. İleri düzey okur için: erişim, modelin daha önce öğrendiklerine bağımlılığını azaltır; ancak riskin bir bölümünü dizinin niteliğine, sorunun anlaşılmasına, sonuçların sıralanmasına, belgenin geçerliliğine ve disiplinli üretime kaydırır. Bu nedenle işlem hattının başarısı, yanıtta yalnızca bir kaynağın bulunmasıyla değil; soru, kaynak, iddia, bağlam ve karar arasındaki ilişkinin sağlamlığıyla ölçülür. Yedinci Bölüm'ün rolü Yedinci Bölüm'e yapılan gönderme korunabilir; ama onun ne katacağını açıklığa kavuşturmak daha iyidir: Yedinci Bölüm; karar destek ve bilgi erişim sistemlerinin nasıl kurulacağını, kaynakların nasıl düzenleneceğini, aramanın bağlamla nasıl sınırlanacağını, referansların nasıl gösterileceğini ve erişilen metnin yetkisini aşan bir öneriye dönüşmesinin nasıl önleneceğini daha ayrıntılı biçimde ele alacaktır. Bu, göndermeyi yalnızca ileride gelecek bilginin vaadi olmaktan çıkarıp ona açık bir işlev kazandırır. Sonuç Bir dil modeli bilgiye erişimi kolaylaştırabilir: gündelik bir soruyu bir aramaya dönüştürür, pasajları toplar, özetler ve anlaşılır bir yanıt kurar. Ancak dilsel akıcılık, soruyla karar arasındaki bilimsel ve düzenleyici yolu kısaltmaz. Bu çerçevede sorumlu bir sistem şunları bilmelidir:

• Sorudan ne anladığını.
• Hangi bilgiden yoksun olduğunu.
• Nerede aradığını.
• Kaynağı neden seçtiğini.
• Kaynağın güncel ve bağlam için geçerli olup olmadığını.
• Kaynaktan ne aldığını.
• Ne çıkarsadığını.
• Rolünün nerede bittiğini.
• Ve ne zaman kaçınması ya da kararı bir insana yükseltmesi gerektiğini.

Bölümün mesajı şu ifadeyle özetlenebilir: Bir dil modeli bilgiye açılan bir kapı olabilir; ama akıcı konuştuğu için kaynağa dönüşmez, soruya yakın bir metin bulduğu için de karar verici olmaz. Önerilen kapanış ifadesi şudur: Güvenilir bir yanıt yalnızca doğru görünmekle kalmaz; kaynağını, uygulanabilirliğinin sınırlarını, eksik olanı ve onu eyleme dönüştürme yetkisinin kimde olduğunu açığa çıkarır.

9. Açıklanabilir Yapay Zekâ

Sistem bir çıktı ürettiğinde doğal bir soru belirir: Bu çıktıyı neden üretti? Model verimde bir düşüş öngörebilir, bir hastalığa ilişkin şüphe düzeyini yükseltebilir, su stresi hakkında bir uyarı verebilir ya da bir meyveyi belirli bir kalite sınıfına yerleştirebilir. Ancak çıktı tek başına, sistemin hangi bilgiye dayandığını da o bilginin eksiksiz ya da güvenilir olup olmadığını da kullanıcıya söylemez. Açıklanabilir yapay zekâ araçları, modele beslenen veriyle onun ürettiği çıktı arasındaki ilişkiyi kullanıcının anlamasına yardımcı olmayı amaçlar. Örneğin şunları gösterebilirler:

• düşük toprak neminin, daha yüksek tahmini stres riskiyle ilişkili etkenler arasında yer aldığını.
• öngörülen sıcaklığın, tahmin edilen sulama gereksinimini etkilediğini.
• çeşidin ve gelişme evresinin, verim tahminiyle ilişkili etkenler arasında göründüğünü.
• yaprak görüntüsünün belirli bir bölümünün, onun şüpheli olarak sınıflandırılmasıyla ilişkili olduğunu.
• bir sensör okumasının bulunmamasının ya da onda bir değişimin, sistemin güvenini etkilediğini.
• çıktının, iki sınıfı ayıran eşiğe yakın olduğunu.

Ne var ki bu araçlar 'neden' sözcüğünün her anlamını yanıtlamaz. Genellikle modelin, kendi hesaplarına göre bu çıktıyı neden ürettiğini açıklarlar; ama olgunun tarlada neden gerçekleştiğini zorunlu olarak ortaya koymazlar. 'Neden' sözcüğünün içinde üç ayrı soru gizlidir Kullanıcı 'neden?' diye sorduğunda üç sorudan birini kastediyor olabilir: 1\. Model bu çıktıyı neden üretti? Bu, modelin davranışına ilişkin bir sorudur. Yanıt şöyle olabilir: Model risk tahminini yükseltti; çünkü nem okuması düştü, öngörülen sıcaklık yükseldi ve sensörlerden birinden yakın tarihli bir okuma gelmedi. Bu yanıt, modelin hangi bilgiyi kullandığını gösterir. 2\. Tarımsal olgu neden gerçekleşti? Bu, tarımsal gerçekliğe ilişkin bir sorudur. Olası bir yanıt şöyle olabilir: Belki nem düştü; çünkü su talebi arttı ya da sulama o kesime gerektiği gibi ulaşmıyordu ya da bir toprak sorunu vardı ya da bir sensör hatası söz konusuydu. Bir model yorumlama aracı tek başına bu nedenlerden hangisinin doğru olduğunu belirleyemez. Modelin nem okumasını kullanmış olması, o düşüşün nedenini kanıtlamadığı gibi bitkinin fiilen stres altında olduğunu da kanıtlamaz. 3\. Bu eylemi neden yapmalıyız? Bu, karara ilişkin bir sorudur. Modelin uyarısı makul olsa bile, doğru eylemin sulamayı artırmak olduğu kendiliğinden çıkmaz. Sensör arızalı olabilir, yağmur beklenebilir, sorun suyun yalnızca sınırlı bir alana ulaşmasında olabilir ya da ürünün gelişme evresi sistemin varsaydığından farklı olabilir. Öyleyse şunlar arasında ayrım yapılmalıdır: model çıktısını açıklamak ← tarımsal durumu açıklamak ← eylemi gerekçelendirmek Ve bir düzeyden diğerine geçmek, ek veri ve kanıt gerektirir. Açıklama kimin için? Bütün kullanıcılar için işe yarayan tek bir açıklama yoktur. Her tarafın farklı bir düzeye ihtiyacı vardır. Geliştirici şunları bilmek ister:

• Model geçerli veriye mi dayandı?
• Hatalı bir kestirme yol mu öğrendi?
• Bitki yerine görüntünün arka planına mı odaklandı?
• Veri güncellemesinden sonra davranışı değişti mi?
• Girdideki küçük bir değişiklik altında çıktı istikrarlı mı?

Ziraat uzmanı şunları bilmek ister:

• Modelin kullandığı etkenler tarımsal olarak anlamlı mı?
• Önemli bir değişkeni gözden kaçırdı mı?
• İstatistiksel bir ilişkiyi tarımsal bir nedenle karıştırdı mı?
• Sonuç bu çeşit, mevsim ve konum için makul mü?
• Hangi ölçüm ya da test onu doğrulayabilir veya çürütebilir?

Çiftçi ya da operatör pratik bir yanıta ihtiyaç duyar:

• Sistem ne dedi?
• Sonuç hangi bilgiye dayanıyordu?
• Bu bilgi güncel ve güvenilir mi?
• Sistem neyi bilmiyor?
• Güvenli bir sonraki adım nedir?

Denetçi ya da sorumlu merci denetlenebilir bir kayda ihtiyaç duyar:

• Modelin sürümü nedir?
• Karar anında hangi veriler mevcuttu?
• Hangi kurallar ya da sınırlar uygulandı?
• Bir insan sonucu geçersiz kıldı mı? Neden?
• Kaynak ya da sensör o anda geçerli miydi?

Araştırmacıya ya da geliştiriciye uygun görselleştirme, dakikalar içinde eyleme geçmesi gereken çalışan için yararlı olmayabilir. Bu nedenle açıklama, yalnızca aracın gösterebildiğine göre değil; kişiye ve karara göre tasarlanmalıdır. İki tür açıklama İki temel düzey ayırt edilebilir: Tekil bir vakanın açıklaması Şu soruyu yanıtlamayı amaçlar: Sistem bu sonucu şimdi, bu görüntü ya da bu tarla için neden verdi? Belirli bir uyarıyla en güçlü ilişkili iki etkenin toprak nemi ve sıcaklık olduğunu ya da yaprak görüntüsünün bir bölümünün onun sınıflandırılmasıyla ilişkili olduğunu gösterebilir. Bu açıklama belirli bir vakayı gözden geçirmek için yararlıdır; ancak modelin bütün vakalardaki davranışını zorunlu olarak betimlemez. Modelin genel davranışının açıklaması Şu türden soruları yanıtlamayı amaçlar:

• Model genellikle ne tür bilgilere dayanır?
• Belirli bir değişken değiştikçe verim tahmini artar mı, azalır mı?
• Davranışı çeşitler ya da bölgeler arasında farklılaşır mı?
• Etkili etkenler arasında hangi değişkenler sık sık görünür?
• Belirli bir veri türü yokken zayıflar mı?

Bu düzey, modeli geniş bir vaka kümesi boyunca anlamaya yardımcı olur; ama tek başına bireysel bir kararı açıklamaz. Model genel olarak hava durumuna ve toprağa dayanıyor olabilirken, belirli bir tarladaki sonuç esas olarak tek bir sensörden gelen olağan dışı bir okumadan etkilenmiş olabilir. Bu nedenle genel açıklama, vaka açıklamasının yerine ya da tersi biçimde kullanılmamalıdır. Açıklama hangi biçimleri alabilir? Bir açıklamayı sunmanın birden çok yolu vardır ve her birinin kendi anlamı ve sınırları vardır. 1\. Sonuçla ilişkili etkenlerin gösterilmesi Sistem şöyle bir liste görüntüleyebilir:

• Düşük toprak nemi: risk tahminini yükseltti.
• Yüksek öngörülen sıcaklık: tahmini yükseltti.
• Yağış olasılığı: tahmini düşürdü.
• Yakın tarihli okuma yok: güveni düşürdü.

Bu liste, modelin bilgiyi nasıl işlediğini gösterir; ancak bu etkenlerin tarımsal duruma neden olduğunu kanıtlamaz. 2\. Görüntünün bir bölümünün öne çıkarılması Bir açıklanabilirlik aracı, sonuçla en güçlü ilişkili alanları göstermek için yaprak görüntüsünün bölümlerini renklendirebilir. Bu, modelin şunlara odaklandığını ortaya koymaya yardımcı olabilir:

• İlgili lekeye.
• Yaprağın kenarına.
• Görüntünün arka planına.
• Bitkinin yanına konulmuş bir etikete.
• Durumla ilgisi olmayan bir gölgeye ya da yansımaya.

Bununla birlikte renklendirilen alan, modelin bir uzman gibi 'hastalığı gördüğü' anlamına gelmez; öne çıkarılan bölümün sınıflandırmaya neden olduğunu da kanıtlamaz. Bu, model içindeki hesaplamalı bir ilişkinin işaretidir ve temkinli bir yorum gerektirir. 3\. Sonucun benzer bir vakayla karşılaştırılması Sistem şöyle diyebilir: Bu vaka, aynı kategoride sınıflandırılmış daha önceki örneklere benziyor. Karşılaştırma, kullanıcının benzerliğin dayanağını görmesine yardımcı olur. Ancak kullanıcı şunları bilmelidir:

• Daha önceki örnekler belgelenmiş mi?
• Benzer bir üründen, çeşitten ve ortamdan mı geldiler?
• Benzerlik belirtilerde mi, yoksa arka planda ve aydınlatmada mı?
• Farklı bir sonuca yol açan benzer örnekler var mı?

4\. Sonucu neyin değiştirmiş olacağının belirtilmesi Araç şöyle diyebilir: Modelin hesaplamasında nem okuması daha yüksek olsaydı, risk tahmini daha düşük olurdu. Bu, modelin girdideki bir değişime duyarlılığını gösterir; ancak nemi fiilen artırmanın tarlada riski önleyeceğini kanıtlamaz. Modelin hesaplamasındaki bir değişimi betimler; gerçek bir tarımsal müdahalenin etkisini değil. Burada yine şunlar arasındaki fark belirir: Modelin sonucunu ne değiştirir? ve: Tarımsal gerçekliği ne değiştirir? Yorum, tam bir ifşa değil bir yaklaşıklama olabilir Bazı modeller görece basittir ve hesaplama yöntemleri doğrudan izlenebilir. Ne var ki bazı karmaşık modellerde, sonucun ardındaki nedenlere yaklaşmaya çalışmak için sonuç üretildikten sonra başka bir araç kullanılır. İkinci durumda yorum, modelin içinde gerçekleşen her şeye açılan eksiksiz bir pencere değildir. Modelin davranışının bir basitleştirmesi ya da bir yaklaşıklaması olabilir. Bu bakımdan yorumun kendisi de sınanmalıdır:

• Veriler yalnızca hafifçe değiştiğinde büyük ölçüde değişiyor mu?
• Çelişkili sonuçlar için benzer yorumlar mı veriyor?
• Modelin kullandığını gerçekten yansıtıyor mu?
• Önemli bir etkeni, ona yalnızca eşlik eden bir etkenden ayırt edebiliyor mu?
• Model güncellendikten sonra yorum istikrarlı kaldı mı?

Öyleyse 'en önemli etkenler' listesi, sonucu değiştirmeyen küçük bir değişiklikten sonra köklü biçimde değişiyorsa, grafik ikna edici görünse bile yorum istikrarsız olabilir. Birbiriyle ilişkili etkenler Veriler, birlikte hareket eden değişkenler içerebilir; örneğin:

• Sıcaklık ve buharlaşma.
• Mevsim ve gün uzunluğu.
• Toprak türü ve drenaj.
• Çiftlik büyüklüğü ve ekipman türü.
• Deneyim ve kayıt tutmanın niteliği.

Değişkenler güçlü biçimde ilişkiliyken, açıklanabilirlik aracı önemi aralarında farklı biçimlerde dağıtabilir. Diğeri benzer bilgiyi taşıyor olsa bile, biri en üst sıralarda görünebilir. Dolayısıyla etkenlerin sıralaması, tarımsal nedenlerin sabit bir sıralaması olarak okunmamalıdır. Bir uzmanın, aralarındaki ilişkileri ve modelin birini diğerinin yerine kullanıp kullanmadığını incelemesi gerekebilir. Açıklanabilirliğin temel sınırları Açıklanabilirliğin görünür kalması gereken sınırları vardır:

• Modelin neyi kullandığını betimler; olguya tarlada neyin yol açtığını zorunlu olarak ortaya koymaz.
• Modelin davranışının bir yaklaşıklaması olabilir; nasıl hesapladığının eksiksiz bir betimlemesi değil.
• Yanlış bir modeli doğru bir modele dönüştürmez.
• Yetersiz veriyi ya da bozuk ölçümleri telafi etmez.
• Eğitim verisinin yeni çiftliği temsil ettiğini kanıtlamaz.
• Olasılıkların kalibre edildiğini ya da sonucun isabetli olduğunu kanıtlamaz.
• Önerilen eylemi kendiliğinden gerekçelendirmez.
• Vaka, modelin öğrendiklerinin kapsamı dışında kaldığında bile ikna edici görünebilir.
• Farklı bir açıklanabilirlik aracı kullanıldığında değişebilir.
• İstikrarsızlığı, açık ve çekici bir grafiğin ardında gizleyebilir.

Demek ki açıklanabilirlik, bir inceleme ve hesap verebilirlik aracıdır; bir geçerlilik belgesi değil. Açıklanabilirlik veri hatalarını gidermez Diyelim ki bir toprak nemi sensörü yakın tarihli bir okuma göndermedi ve sistem altı saat öncesine ait son kayıtlı okumayı kullandı. Bir açıklanabilirlik aracı, nemin sonuçta önemli bir etken olduğunu gösterebilir; ama eski okumayı güncel kılmaz. Benzer biçimde, eğitim görüntüleri belirli bir çeşidi ya da bölgeyi temsil etmiyorsa sistem yeni görüntüye ilişkin sonucu açıklayabilir; ancak bu açıklama, modelin o ortam için geçerli olduğunu kanıtlamaz. Açıklanabilirlik, veri niteliğini etkisiyle birlikte sunmalıdır; örneğin:

• En son okumanın zamanı.
• Eksik değerlerin bulunup bulunmadığı.
• Sensörün kalibrasyon durumu.
• Verinin kaynağı.
• Vakanın eğitim verisine ne ölçüde benzediği.
• Sonucun, modelin sınandığı aralık içine düşüp düşmediği.

Etkili bir etken, değerinin kendisi güvenilmezse yararlı olmaz. Açıklanabilirlik nedenselliği kanıtlamaz Sistem, nemin verim tahmininde etkili bir etken olduğunu gösteriyorsa bu, modelin sonucu hesaplarken nem bilgisini kullandığı anlamına gelir. Ancak yalnızca nemi değiştirmenin verimi aynı ölçüde değiştireceğini kanıtlamaz. Nem, başka etkenlerle ilişkili olabilir; örneğin:

• Toprak türü.
• Sulama sistemi.
• Hava durumu.
• Gelişme evresi.
• Tarla yönetimi.
• Çeşit.

Belirli bir müdahalenin etkisini belirlemek için, önceki bölümün açıkladığı gibi, uygun tarımsal bilgiyle birlikte bir deneye ya da nedensel bir tasarıma ihtiyacımız vardır. Temel bir kural: model açıklanabilirliği bize hesaplamasının nasıl değiştiğini söyler; girdilerden birini değiştirirsek tarlanın zorunlu olarak nasıl değişeceğini değil. Verim tahmini çalışmasından çıkarım yapmanın sınırları Verim tahmini çalışması [SRC006], belirli bir araştırma ortamı içinde, sonuçlarını yorumlamaya yardımcı olan araçlarla birlikte regresyon modellerinin kullanımına bir örnek sunar. Çalışma şunları anlamak için kullanılabilir:

• Modellere beslenen verinin türü.
• Çalışmada kullanılan tahmin yöntemi.
• Açıklanabilirlik araçlarının o ortamda nasıl uygulandığı.
• Araştırmacıların, kendi verilerinin ve çalışma tasarımlarının sınırları içinde bildirdiği sonuçlar.

Ne var ki çalışmadaki değişkenlerin sıralaması ya da önemi, her çiftlik için genel bir nedensellik kuralına dönüştürülmemelidir. Belirli bir değişken, modelin tahmininde etkili görünüyorsa bu şunları kanıtlamaz:

• onun bütün ortamlarda verimin başlıca nedeni olduğunu.
• bu değişkeni değiştirmenin başka bir tarlada aynı etkiyi üreteceğini.
• etkenlerin sıralamasının başka bir çeşitte ya da mevsimde istikrarlı kalacağını.
• modelin doğrudan bir müdahale önerisi vermeye uygun olduğunu.
• hesaplamalı sonucun genel bir ekonomik ya da tarla etkisi ima ettiğini.

İzin verilen sonuç, çalışmanın ve kullandığı değerlendirme ortamının sınırları içinde kalır. Çiftçinin açıklamadan ihtiyacı olan nedir? Çiftçi için yararlı açıklama, teknik bir şemayla ya da uzun bir değişken listesiyle başlamaz. Daha çok altı soruyu yanıtlar:

1. Sonuç nedir?

Sistem tam olarak ne dedi?

2. Hangi bilgiye dayandı?

Sonucu hangi okumalar, görüntüler ya da kayıtlar etkiledi?

3. Bu bilginin durumu nedir?

Güncel, eksiksiz ve kalibre edilmiş mi, yoksa eski ya da eksik bir okuma mı var?

4. Belirsizliğin derecesi nedir?

Sonuç açık mı, eşiğe yakın mı, yoksa modelin deneyim aralığının dışında mı?

5. Açıklama neyi ortaya koymaz?

Sonuç bir ön uyarı mı, bir teşhis mi, yoksa yalnızca bir tahmin mi?

6. Güvenli bir sonraki adım nedir?

Kararı değiştirmeden önce hangi ölçüm, denetim ya da gözden geçirme gereklidir?

Böylece açıklama, karardan kopuk teknik bir gösteri değil, çalışan bir araç hâline gelir. Örneğin yeniden çerçevelenmesi Şöyle demek yerine: "Yüzey katmanındaki nem üç gün boyunca düştüğü ve öngörülen sıcaklık yükseldiği için su stresi riski arttı..." —ki bu ifade nedensel bir kanıt olarak anlaşılabilir— şöyle diyebiliriz: "Sistem, su stresi olasılığına ilişkin tahminini yükseltti; çünkü yüzey katmanındaki nem okuması son üç gün boyunca düştü ve sıcaklık tahminleri yükseldi. Ancak 4 numaralı kesimdeki sensör altı saattir yeni bir okuma göndermedi; bu nedenle tahmin eksik veriye dayanıyor olabilir. Sulama programını ayarlamadan önce sensörü denetleyin, kesimden bağımsız bir ölçüm alın ve sonucu benzer koşullardaki komşu bir kesimle karşılaştırın." Bu ifade şunları açıkça ortaya koyar:

• tartışmanın modelin tahminine ilişkin olduğunu, doğrulanmış bir nedene değil.
• tahmini hangi verilerin etkilediğini.
• veri girdilerinden birinin eksik olduğunu.
• bu eksikliğin güveni nasıl etkilediğini.
• sonraki adımın ne olduğunu.
• sulamanın ayarlanmasının otomatik bir emre dönüştürülmediğini.

Bir yaprak görüntüsünden örnek Sistem şöyle diyebilir: "Model görüntüyü şüpheli bir vaka olarak sınıflandırdı ve sonuç, esas olarak yaprağın kenarına yakın lekelerle ilişkiliydi. Ancak görüntü alt yüzeyi göstermiyor ve model, olası bir hastalıkla bir besin eksikliğini güvenle ayırt edemedi. Her iki yüzün daha net bir görüntüsünü gönderin ve teşhise ya da tedaviye geçmeden önce belirtilerin bitkide nerede göründüğünü ve tarlada nasıl dağıldığını belirtin." Bu açıklama tek başına renkli bir haritadan daha iyidir; çünkü şunları gösterir:

• Modelin nereye odaklandığını.
• Hangi olasılıkların örtüştüğünü.
• Hangi bilginin eksik olduğunu.
• Sonraki adımın ne olduğunu.
• Sınıflandırmanın nihai bir teşhis olmadığını.

Verim tahmininden bir örnek Sistem şöyle diyebilir: "Tahmin edilen verim, bu tarlanın tarihsel ortalamasının altında çıktı. Model içinde, daha düşük tahminle en güçlü ilişkili etkenler gecikmiş ekim, belirli bir dönem boyunca düşük toprak nemi ve daha yüksek öngörülen sıcaklıklardır. Ancak kayıt, en son uygulamaya dair eksiksiz bilgi içermiyor ve model bu tarlada aşırı sıcak bir mevsim boyunca sınanmadı. Bu nedenle sonuç, garanti edilmiş bir değer olarak değil, bir planlama senaryosu olarak ele alınmalıdır." Bu ifade, açıklamanın şunlara dönüştürülmesini engeller:

• Doğrulanmış bir neden.
• Bir verim vaadi.
• Bir müdahale önerisi.
• Sınamanın kapsamını aşan bir genelleme.

Açıklama ne zaman yetersizdir? Şu durumlarda açıklamaya tek başına güvenilmemelidir:

• Kritik veriler eksik ya da güncelliğini yitirmiş olduğunda.
• Vaka, modelin sınandığı ürünlerin ya da çeşitlerin dışında kaldığında.
• Sonuç karar eşiğine yakın olduğunda.
• Birkaç sensör birbiriyle uyuşmadığında.
• Olası hata insan ya da hayvan güvenliğiyle ilgili olduğunda.
• Karar bir doza ya da düzenlemeye tabi bir maddeye götürdüğünde.
• Sistem hareket hâlindeki bir makineyi denetlediğinde.
• Kullanıcı açıklamayı ya da kaynağını inceleyemediğinde.
• Açıklama, verilerdeki küçük bir değişiklikle köklü biçimde değiştiğinde.
• Modelin açıkladığıyla kararın ortaya koyması gereken şey arasında bir boşluk bulunduğunda.

Bu durumlarda açıklama, yalnızca daha büyük bir güvene değil; denetime ya da üst mercie yükseltmeye götürmelidir. Açıklamayı değerlendirmek için pratik sorular Okur ya da alıcı şunları sorabilir:

• Sistem tekil bir vakanın sonucunu mu, yoksa genel davranışını mı açıklıyor?
• Hangi verilere dayandığını ve bunların hangi tarihe ait olduğunu açıkça belirtiyor mu?
• Eksik ya da güvenilmez verileri gösteriyor mu?
• Açıklama modelin doğrudan bir betimlemesi mi, yoksa başka bir araçla üretilmiş bir yaklaşıklama mı?
• Açıklama, girdideki küçük bir değişiklikle değişiyor mu?
• Geliştirici, modelin arka plana ya da cihaza dayanıyor olma olasılığını inceledi mi?
• Sistem korelasyonla nedenselliği ayırt ediyor mu?
• Sınandığı ürün, konum ve mevsim aralığını açıkça belirtiyor mu?
• Kullanıcı açıklamayı programlama uzmanlığı olmadan anlayabiliyor mu?
• Açıklama güvenli, uygulanabilir bir adıma götürüyor mu?
• Bir insan sonuca itiraz edebiliyor ya da onu geçersiz kılabiliyor mu?
• Açıklamayı üreten veriler ve sürüm, sonradan gözden geçirmek üzere korundu mu?

İleri düzey okur için: açıklama; modelin davranışını ne kadar sadık temsil ettiği, küçük değişiklikler altında ne kadar istikrarlı kaldığı, ne kadar anlaşılır olduğu ve kullanıcıyla karara ne ölçüde uyduğu bakımından değerlendirilmelidir. Hassas bir karar için daha basit ve daha açık bir model, laboratuvar ölçütünde biraz daha yüksek puan alan ama istikrarsız bir yaklaşık açıklama gerektiren bir modelden daha iyi olabilir. Sonuç Açıklanabilir yapay zekâ, modeli kendi gerekçelerinin bilincine vardırmaz, istatistiksel bir ilişkiyi tarımsal bir nedene dönüştürmez ve karara kendiliğinden meşruiyet kazandırmaz. En iyi rolü, şunları sormamıza yardımcı olmaktır:

• Model hangi bilgiyi kullandı?
• O bilgi isabetli ve güncel miydi?
• Odaklanması gereken şeye mi odaklandı?
• Neyi hesaba katmadı?
• Güveninin sınırları nelerdir?
• Ve eyleme geçmeden önce neyin doğrulanması gerekir?

Bölümün mesajı şu ifadeyle özetlenebilir: İyi bir açıklama bize yalnızca sayının neden öyle çıktığını söylemez; onu üreten veriyi, onu kısıtlayan sınırları ve onun kör bir karara dönüşmesini engelleyen adımı da gösterir.

10. Akıllı Tarım Sistemi Bütünleşik Bir Sistemdir, Tek Başına Bir Model Değil

Bir çiftliğin "akıllı sulama modeli" ya da "akıllı hastalık saptama sistemi" kullandığını söylediğimizde okuyucu, veriyi alıp ardından kararı veren tek bir program hayal edebilir. Oysa yararlı tarımsal sistemler genellikle bu basitleştirilmiş biçimde çalışmaz. Daha çok birbirine bağlı bir zincire benzerler: Tarlada olup bitenin ölçülmesiyle başlar, verinin denetlenmesinden ve çözümlenmesinden, tarımsal kısıtlarla karşılaştırılmasından geçer ve bir insana öneri sunulmasıyla ya da belirlenmiş sınırlar içinde otomatik bir eylemin gerçekleştirilmesiyle sona erer. Bu yapı melez sistem diye tanımlanır: Tek bir yapay zekâ türüne dayanmaz ve kararı tek başına bir modele bırakmaz. Bunun yerine sensörleri, veriyle eğitilmiş modelleri, uzmanların koyduğu kuralları, seçenekler arasında tercih araçlarını, ekipmanı ve karardan sorumlu insanı bir araya getirir. Bu bütünleşik sistem şu katmanlardan oluşabilir:

1. Bilgi toplama:

Zincir, toprak nemini ya da sıcaklığını ölçen bir sensörle, bir telefon ya da insansız hava aracıyla çekilen bir görüntüyle ya da işçinin tarlada olup biteni not ettiği bir kayıtla başlar. Bu katman bir karar sunmaz; gerçekliğin kısmi bir betimini iletir ve bu betim doğru ya da eksik olabilir, bir cihaz arızasından veya ölçüm yönteminden etkilenebilir.

2. Veri kalitesinin denetlenmesi:

Sistem bir okumayı kullanmadan önce onun makul olup olmadığını denetler. Bir nem sensörü yağışla ya da sulamayla bağdaşmayan ani bir sıçrama bildiriyorsa, bir cihaz veri göndermeyi kesiyorsa ya da bazı okumalar farklı bir birimle geliyorsa, bu değerler güvenilir olgularmışçasına sistemin geri kalanına geçmemelidir. Sistem bunları dışlayabilir, onlara duyduğu güveni düşürebilir ya da cihazın denetlenmesini isteyebilir.

3. Bir tahmin ya da öngörü oluşturma:

Çözümleyici bir model, doğrudan ölçülemeyen bir durumu tahmin etmek ya da daha sonra ne olabileceğini öngörmek için mevcut veriyi kullanır. Bir görüntüden bitkinin hastalıklı olma olasılığını tahmin edebilir, gelecek saatlerde toprak nemindeki değişimleri öngörebilir ya da ertesi günkü su talebinin hacmini tahmin edebilir. Bu çıktı bir tahmin olarak kalır ve verinin kalitesiyle, modelin öğrendiklerinin sınırlarıyla belirlenir.

4. Tarımsal ve düzenleyici kuralların uygulanması:

Öngörülen her sonuç otomatik bir öneriye dönüştürülmez. Rüzgâr hızı belirli bir eşiği aştığında sulamayı önleyen, ürün ya da bölge için kayıtlı olmayan bir maddenin önerilmesini engelleyen ya da teşhis sonuçsuz kaldığında vakanın bir uzmana yönlendirilmesini gerektiren bir kural bulunabilir. Bu kurallar zorunlu olarak veriden öğrenilmez; ürünü, işçiyi ve çevreyi korumak ve resmî talimatlara uymak için konur.

5. Mevcut seçeneklerin tartılması:

Birden fazla olası plan varsa sistem, bunları karşılaştırmak ve kısıtlar içinde en uygun planı seçmek için hesaplamalı bir araç kullanır. Örneğin sınırlı miktarda suyu; ürün ihtiyaçlarını, pompa kapasitesini, işletim saatlerini ve enerji maliyetini hesaba katarak birden fazla sektöre dağıtmaya çalışabilir. Burada "en uygun", mutlak bir ideal çözümün bulunduğu anlamına gelmez; sisteme girilen amaç ve kısıtlar göz önüne alındığında en iyi çözüm demektir.

6. Sonucun, dayanağının ve sınırlarının sunulması:

Arayüz, sistemin ne önerdiğini, hangi veriye dayandığını, ne ölçüde güven duyduğunu ve hangi kısıtların ya da eksik okumaların sonucu etkileyebileceğini kullanıcıya açıkça göstermelidir. "İki saat sulama yap" diyen bir tablo; söz konusu sektörü, önerinin gerekçesini, ölçüm zamanını, sensörlerin durumunu ve planın onay gerektirip gerektirmediğini belirten bir ekrandan daha az yararlı ve daha az güvenlidir.

7. Gözden geçirme ya da yürütme:

Bazı sistemlerde çiftçi ya da sorumlu, öneri uygulanmadan önce onu gözden geçirir. Diğer sistemlerde komutlar pompalara ya da vanalara otomatik olarak gönderilebilir; ama önceden belirlenmiş işletim ve güvenlik sınırları içinde. İnsanlar, verinin yakalayamadığı bir şeyi fark ettiklerinde sistemi durdurma ya da kararını geçersiz kılma yetkisini korumalıdır.

Sulama örneğini ele alalım. Süreç, toprak nemi okumaları, hava durumu verisi ve ürünün gelişme dönemiyle başlayabilir. Sistem önce okumaları denetleyerek sensörlerin çalıştığından ve ölçüm birimlerinin doğru olduğundan emin olur. Ardından her sektörün ertesi gün boyunca su gereksinimini öngörmek için nemdeki zaman içindeki değişimleri izleyen bir model kullanır. Ne var ki bu öngörü tek başına sulama planını belirlemez. Tarımsal kurallar, drenajı kötü toprakta daha fazla su eklenmesini önleyen ya da hassas bir gelişme döneminden geçen bir ürüne öncelik veren kısıtlar ekleyebilir. Bunun ardından bir planlama programı olası seçenekleri karşılaştırır ve pompa kapasitesiyle işletim süresini farklı sektörler arasında paylaştırır. Yürütmeden önce güvenlik katmanı, sensörler arasında bir çelişki bulunmadığını, şebeke basıncının ve vana durumunun plana izin verdiğini denetler. Ardından sonucu operatöre onay için sunar ya da izin verilen sınırlar içinde kalıyorsa onu otomatik olarak uygular. Bu örnekte kararı "yapay zekâ" tek başına vermedi. Model bir öngörü sundu, kurallar kısıtlar dayattı, planlama aracı seçenekler arasından seçim yaptı, güvenlik katmanı yürütmenin uygulanabilir olup olmadığını gözden geçirdi ve nihai karardan operatör sorumlu kaldı. Dolayısıyla tüm sistemi bir "yapay zekâ sulama modeli" diye tanımlamak, işleyişinin temel parçalarını gizler ve hatanın nerede gerçekleştiğini ve ondan kimin sorumlu olduğunu belirlemeyi güçleştirir. Bir model doğru olabilir, ama sistem başka bir aşamada başarısız olabilir. Örnekler şunlardır:

• Bir sensör, okumayı sistemin beklediğinden farklı bir birimle gönderir.
• Öngörü, karar penceresi kapandıktan sonra ulaşan eski veriye dayanır.
• Doğu sektörüne ilişkin bir sonuç, batı sektörünün vanasına bağlanır.
• Planlama aracı, hesaplama açısından sağlam ama pompanın fiilî kapasitesini aşan bir plan seçer.
• Arayüz, ölçüm zamanını ya da ona duyulan güven düzeyini belirtmeksizin bir sayı gösterir.
• Sistem doğru bir komut gönderir, ama vana onu yürütmez ve durumunu doğrulayan bir sinyal döndürmez.
• Karar, operatöre onu durdurmak için açık bir yol tanınmaksızın otomatik olarak yürütülür.

Tarımsal dijitalleşmeye ilişkin bir inceleme; algılamayla başlayan, veriden, bağlamdan ve karar vermeden geçen ve gerçek dünyadaki eylemle sona eren birbirine bağlı bir yol tarif eder [SRC035]. Bu kavrayışın önemi, her aşamanın kalitesinin ona bir önceki aşamadan ulaşana bağlı olmasında ve küçük bir hatanın zincir boyunca ilerlerken büyüyebilmesinde yatar. Nem okuması yanlışsa yanlış bir öngörü üretebilir. Öngörü doğru ama çok geç gönderilmişse, plan uygulandığı sırada uygunsuz hâle gelmiş olabilir. Plan doğru ama yanlış vanaya yönlendirilmişse, suya ihtiyacı olmayan bir sektör zarar görürken ihtiyacı olan sektör sulanmadan kalabilir. İşte bu yüzden sistemin bileşenleri arasındaki bağlantıları denetlemek, algoritmanın kendi doğruluğunda hafif bir artış elde etmekten daha önemli olabilir. Derinlemesine okuyan için: Modeli, içinde işlediği sistemden bağımsız olarak değerlendirmek yeterli değildir. Hata, ilk ölçümden nihai tarla etkisine kadar izlenmelidir: Sensör hatası ne kadar büyük? Eksik değerler nasıl ele alındı? Öngörü zamanında ulaştı mı? Bir karar kuralına nasıl dönüştürüldü? Planlama aracı gerçek kısıtları hesaba kattı mı? Komut, hedeflenen ekipmanda yürütüldü mü? Ve bundan hangi tarımsal etki doğdu? Belirli bir model hesaplama testlerinde daha iyi görünebilir; oysa daha basit bir model kullanan bir sistem, verisinin kalitesi, kurallarının açıklığı ve güvenlik katmanlarının gücü sayesinde daha güvenilir olabilir. Sistemdeki her katman, yalnızca teknik olarak mümkün diye "akıllı" hâle gelmemelidir. Bazı yerlerde sabit bir kural, öğrenilmiş bir modelden daha açık, sınanması daha kolay ve daha güvenlidir. Bir güvenlik muhafazası açıkken makinenin çalışmasını önlemek, çalışmanın tehlikeli olup olmadığını öngören bir model gerektirmez; geçersiz kılınmaması gereken açık bir kural gerektirir. Buna karşılık karmaşık bir görüntüyü çözümlemede ya da basit bir kurallar kümesiyle betimlenmesi zor bir değişimi öngörmede öğrenme yararlı olabilir. Olgun mühendislik, "Yapay zekâyı nereye ekleyebiliriz?" sorusuyla başlamaz. Daha ziyade daha kesin sorularla başlar:

• Sorunun hangi parçasının veriden öğrenmesi gerekir?
• Hangi parça açık bir tarımsal ya da düzenleyici kural gerektirir?
• Hangi kararlar otomatik olarak yürütülebilir, hangileri insan onayı gerektirir?
• Bileşenler arasındaki bağlantılar nerede bozulabilir?
• Kullanıcı, verinin eksik olduğunu ya da yürütmenin planlandığı gibi gerçekleşmediğini nasıl bilir?
• Beklenmedik bir durum ortaya çıktığında sistemi durdurma ve geçersiz kılma yetkisi kimdedir?

Yol gösterici kural: Bir tarımsal sistemin kalitesi, içindeki en akıllı modelle değil; tarladaki ilk okumadan orada gerçekleştirilen son eyleme kadar zincirin tamamının güvenliğiyle ölçülür.

11. Görevi, Yöntemi ve Doğrulamayı Birbirine Bağlamak İçin Bir Ön Kılavuz

Uygun yöntem, algoritmanın adıyla başlamaz; yanıtlamak istediğimiz soruyla ve o yanıta dayanabilecek eylemle başlar. Aynı görüntü, bir yaprağın durumunu sınıflandırmak, bir yabancı otun yerini belirlemek ya da hasarın alanını ölçmek için girdi olabilir; ama bu görevlerin her biri farklı referans veri gerektirir, farklı bir çıktı üretir ve farklı ölçütlerle değerlendirilir. Aşağıdaki kılavuz, bir algoritma seçmek için otomatik bir reçete değildir ve her tarımsal sorunun tek bir kategoriye ait olduğu anlamına da gelmez. Okuyucunun altı şeyi birbirine bağlamasına yardım eden bir ön haritadır:

1. Görev: Hangi tarımsal soruyu yanıtlamak istiyoruz?
2. Veri: Onu yanıtlamak için hangi bilgi gerekli?
3. Yöntem ailesi: Soruyu hangi tür çözümleme ele alabilir?
4. Çıktı: Sistemin hangi sonucu sunması gerekir?
5. Performans ölçütü: Sonucun yalnızca iyi görünmekle kalmayıp yararlı olduğunu nasıl biliriz?
6. Güvenlik ve doğrulama sorusu: Sonuç bir karara ya da eyleme dönüştürülmeden önce ne denetlenmelidir?

Ürün, çevre, kararın zamanlaması, hatanın maliyeti ve kullanıcının yanıt verebilme kabiliyeti belirlenmedikçe bu soruların yanıtı tamamlanmış olmaz. 1\. Bir yaprağın durumunu görüntüden sınıflandırma Görev: Yaprak görüntüsüne en iyi hangi sınıfın uyduğunu belirlemek; örneğin sağlıklı, belirli bir durumdan etkilenmiş ya da belirsiz. Gereken veri: Sağlıklı dokunun ve hastalıklı durumların, her biri uzmanca doğrulanmış bir referans sınıfa ya da güvenilir bir teste bağlanmış çeşitli görüntüleri. Görüntülerin yalnızca çok sayıda olması yeterli değildir; ayrıca çeşitlerdeki, gelişme dönemlerindeki, aydınlatmadaki, görüntüleme cihazlarındaki ve belirti şiddetindeki değişkenliği de temsil etmelidirler. Yöntem ailesi: Görüntü sınıflandırma modelleri. Hedeflenen çıktı: En olası durumun adı ve bir güven skoru; kanıt yetersiz olduğunda sistemin "belirsiz" diyebilmesi ya da ek bir görüntü isteyebilmesi seçeneğiyle birlikte. Neyi ölçüyoruz? Genel bir başarı oranı yeterli değildir. Sistemin önemli her durumu saptayabilme kabiliyetini, gözden kaçırdığı vakaların sayısını, yanlış uyarıların sayısını ve birbiriyle karıştırdığı vakaları ölçmeliyiz. Güvenlik ve doğrulama sorusu: Sistem, öğrenmediği bir hastalıkla, birden fazla nedenden kaynaklanan belirtilerle ya da düşük kaliteli bir görüntüyle karşılaşırsa ne yapar? Belirsiz vakaları bir uzmana mı yönlendirir, yoksa onları bilinen sınıflardan birine mi sıkıştırır? 2\. Müdahaleye hazırlık olarak bir yabancı otun yerini belirleme Görev: Yabancı otu görüntüde saptamak ve bir işçiyi ya da makineyi ona yönlendirmeye yetecek hassasiyetle yerini belirlemek. Gereken veri: Yabancı otların ve ürünün konumlarını gösteren, konumlarına ilişkin referans etiketlemeler içeren görüntüler ya da video klipleri. Sistem bir makineye rehberlik edecekse, nesnenin görüntüdeki konumunu ekipmanın önündeki gerçek konumuna bağlayan kalibrasyon bilgisine de ihtiyaç duyar. Yöntem ailesi: Çalışma, nesne saptamayla ya da görüntü içindeki nesne sınırlarının çizilmesiyle başlar; sonuç ardından ekipmanın hareketini belirleyen bir kontrol sistemine geçer. Hedeflenen çıktı: Yabancı otun konumu, sınırları ve saptanmasına ilişkin güven skoru; ardından makinenin zamanında kullanabileceği koordinatlar. Neyi ölçüyoruz? Hangi yabancı otların saptandığını ve hangilerinin gözden kaçtığını, konumlandırmalarının doğruluğunu, sonucun ulaşma hızını ve yürütme sırasında zarar gören ürün bitkilerinin sayısını ölçeriz. Güvenlik ve doğrulama sorusu: Sistem güvenini yitirirse, çalışma alanına bir insan ya da hayvan girerse ya da yabancı otu üründen ayırt etmek imkânsız hâle gelirse ekipman duruyor mu? Ve yalnızca görüntü modeli değil, kameradan ekipmanın hareketine kadar zincirin tamamı sınandı mı? 3\. Verim tahmini Görev: Belirli bir alandan hasat edilmesi beklenen ürün miktarını tahmin etmek. Gereken veri: Önceki verim ölçümleri ile hava durumu, toprak, çeşit, gelişme dönemi ve tarımsal uygulamalara ilişkin veriler; her değerin kaynağı ve ölçüm birimi açıkça belirtilerek. Yöntem ailesi: Regresyon modelleri ya da verinin zaman içinde nasıl değiştiğini inceleyen modeller; koşullar tarla içinde ya da bölgeler arasında farklılaşıyorsa mekânsal modeller eklenebilir. Hedeflenen çıktı: Hektar başına kilogram gibi anlaşılır bir birimde bir verim tahmini; yanlış bir kesinlik izlenimi veren tek bir sayı yerine belirsizlik derecesini gösteren bir aralıkla birlikte. Neyi ölçüyoruz? Hata, verimle aynı birimde ölçülür; aynı zamanda beyan edilen güven aralıklarının fiilî sonuçlarla uyuşup uyuşmadığı da denetlenir. Sistem, verimin belirli bir aralığa düşmesinin muhtemel olduğunu söylüyorsa, bunun fiilen ne sıklıkla gerçekleştiğini sınamalıyız. Güvenlik ve doğrulama sorusu: Model, eğitiminin parçası olmayan çiftliklerde, mevsimlerde ya da bölgelerde sınandı mı? Ve kullanıcı, tahminin; olağandışı bir mevsimi ya da yeni bir çeşidi temsil etmeyebilecek geçmiş koşullara dayandığını anlıyor mu? 4\. Bir sulama programı hazırlama Görev: Ürünün ihtiyaçlarını ve sulama şebekesinin kapasitesini hesaba katarak sektörlerin ne zaman sulanacağını ve her sektörün ne kadar su alacağını belirlemek. Gereken veri: Toprak nemi, hava durumu, ürünün gelişme dönemi, toprak özellikleri, su kaynakları, pompa kapasitesi, vana durumu ile zaman ve işletim kısıtları. Yöntem ailesi: Sistem; su gereksinimlerini öngören bir modeli, güvensiz kararları önleyen tarımsal kuralları ve seçenekleri karşılaştırıp mevcut kaynakları tahsis eden bir planlama programını birleştirebilir. Hedeflenen çıktı: Sektörü, zamanı, miktarı ve işletim süresini belirten uygulanabilir bir program; su kıtlaşırsa ya da bir ekipman arızalanırsa devreye girecek bir yedek planla birlikte. Neyi ölçüyoruz? Başarı, yalnızca su tüketiminin azaltılmasıyla ölçülmez; bitkinin durumu, verim, enerji kullanımı, dağılımın türdeşliği, suyun iletilme zamanlaması ve planın mevcut ekipmanla uygulanabilir olup olmadığıyla da ölçülür. Güvenlik ve doğrulama sorusu: Veri kesildiğinde ya da sensörlerden biri arızalandığında ne olur? Sistem elle çalışma kipine ya da güvenli bir acil durum planına mı geçer, yoksa eksik bilgiye dayanarak komut vermeyi mi sürdürür? 5\. Bir hayvanın durumuna ilişkin uyarı verme Görev: Hastalığa, yaralanmaya ya da harekette veya beslenmede bir bozulmaya işaret edebilecek bir değişimi saptamak. Gereken veri: Veri; sesler, görüntüler, video klipleri ya da hareketlilik, sıcaklık ve yem alımı okumaları olabilir. Mümkün olduğunca bir veteriner hekim ya da başka bir uzman tarafından gözden geçirilmiş vakalara bağlanmalıdır. Yöntem ailesi: Her hastalığın eksiksiz bir tanımına sahip olmadığımızda olağandışı vakaların saptanması ya da sistemin öğrenebileceği belgelenmiş vakalara sahip olduğumuzda sınıflandırma. Hedeflenen çıktı: Hayvanı, zamanı ve kaygı nedenini belirten bir uyarı; uyarılar önceliğe göre sıralanmış olarak. Neyi ölçüyoruz? Sistemin saptayamadığı önemli vakaların sayısını, hayvan başına ya da gün başına yanlış uyarı sayısını ve değişimin başlangıcıyla uyarının verilmesi arasındaki süreyi. Güvenlik ve doğrulama sorusu: Tedaviden önce durumu mesleki olarak kim doğruluyor? Ve ekip fiilen kaç uyarıyı inceleyebilir? Sıralanmamış yüzlerce uyarı gönderen bir sistem, tehlikeli vakayı gürültünün içinde gizleyebilir. 6\. Belirtilerin alanını tahmin etme ve yayılımlarını izleme Görev: Bitkide ya da tarlada etkilenen alanı ölçmek, ardından belirtilerin zaman içinde genişleyip genişlemediğini ya da gerileyip gerilemediğini belirlemek. Gereken veri: Farklı zamanlarda çekilmiş ardışık görüntüler ya da haritalar; adil bir karşılaştırma yapılabilmesi için görüntü çekiminin konumu, yüksekliği, açısı ve aydınlatma koşullarına ilişkin bilgilerle birlikte. Yöntem ailesi: Etkilenen dokuların ya da alanların sınırlarının görüntü içinde çizilmesi, ardından bunların farklı zaman noktalarında nasıl değiştiğinin çözümlenmesi. Hedeflenen çıktı: Tahmini bir alan ya da hasar yüzdesi, değişimin yönü ve hızı; karşılaştırmaya duyulan güven derecesine ilişkin bir göstergeyle birlikte. Neyi ölçüyoruz? Alanın tahminindeki hatayı, görüntüleme yinelendiğinde sonucun istikrarını ve sistemin aynı alanı bir zamandan diğerine izleyebilme kabiliyetini. Güvenlik ve doğrulama sorusu: Hasar fiilen arttı mı, yoksa ışık, görüntüleme açısı ya da kamera yüksekliği mi değişti ve alan daha büyük veya daha küçük mü göründü? Ve görüntüler tek bir referans standardına göre mi karşılaştırılıyor? 7\. Danışmanlık niteliğinde bir yanıt sunma Görev: Bir tarımsal soruyu açık bir dille, kullanıcının bağlamına uygun yetkin kaynaklara dayanarak yanıtlamak. Gereken veri: Kullanıcının sorusu, ürüne, konuma, gelişme dönemine ve duruma ilişkin bilgiler ile sistemin başvurabileceği güvenilir ve güncel kaynaklar. Yöntem ailesi: Yetkin kaynakları arayıp ilgili pasajları getirmek, ardından yanıtı biçimlendirmek için bir dil modeli kullanmak; kanıtın desteklemediği iddiaları ya da önerileri engelleyen kurallarla birlikte. Hedeflenen çıktı: Genel bilgiyle nitelikli bir öneriyi birbirinden ayıran, kaynaklarını gösteren ve kanıt yetersiz olduğunda ek bilgi isteyen ya da yanıt vermekten kaçınan bir yanıt. Neyi ölçüyoruz? Kaynaklar, yanıtta ileri sürülen iddiaları destekliyor mu? Referanslar doğru ve doğrulanabilir mi? Yanıt; ürüne, konuma ve zamanlamaya uygun mu ve kullanıcı, güvensiz bir eyleme itilmeksizin bir sonraki adımı anlayabiliyor mu? Güvenlik ve doğrulama sorusu: Sistem; belgelenmemiş bir doz, madde, resmî kayıt ya da fiyat uydurmaktan kaçınıyor mu? Bir ürünün onayının ya da kullanım koşullarının, yürürlükteki onaylı ürün etiketine ve yerel mevzuata karşı doğrulanması gerektiğini açıkça belirtiyor mu? 8\. Sınırlı bir kaynağın tahsisi Görev: Sınırlı miktarda suyu, gübreyi, işgücünü ya da makine zamanını birden fazla tarla veya sektör arasında paylaştırmak. Gereken veri: Talebin ölçeği, mevcut kaynaklar, öncelikler, teknik ve zamanlama kısıtları ile verime, maliyete ya da getiriye ilişkin öngörüler. Yöntem ailesi: Matematiksel planlama ve seçenekler arasında ödünleşimler; uzmanlık alanlarında eniyileme ve yöneylem araştırması diye bilinir. Bu yöntemler, belirlenmiş kısıtları çiğnemeksizin amacı olabildiğince gerçekleştiren bir plan arar. Hedeflenen çıktı: Uygulanabilir bir plan; her tarafın ne aldığının ve öncelikler değişirse ya da kaynak daha da kıtlaşırsa neyin değişeceğinin bir beyanıyla birlikte. Neyi ölçüyoruz? Plan tüm kısıtlara uydu mu? Fiilen uygulanabilir mi? Ve maliyet, verim, zaman ile sektörler veya yararlanıcılar arasındaki hakkaniyet üzerindeki etkisi nedir? Güvenlik ve doğrulama sorusu: Aracın azamileştirmeye çalıştığı amacı kim belirledi? Ve öncelikleri ve her sektör için kabul edilebilir asgari düzeyi kim saptadı? Amaç tek bir sayıya indirgenirse, bir plan matematiksel olarak doğru olduğu hâlde adaletsiz ya da tarımsal açıdan kabul edilemez olabilir. 9\. Bir eylemler dizisinin denetimi Görev: Ardından sistemin durumunun değiştiği bir eylemler dizisi seçmek; örneğin örtüaltı bir yapıda havalandırma ve ısıtmayı ayarlamak ya da hareket hâlindeki bir makineyi ürün sıraları arasında yönlendirmek. Gereken veri: Mevcut durumun bir betimi, olası eylemler kümesi ve her eylemin ardından ne olduğuna ilişkin veriler; işletim ve güvenlik sınırlarıyla birlikte. Yöntem ailesi: Sistem; kurallara ve bilinen denklemlere dayanan geleneksel kontrolü, benzetimden ya da deneyimden bir eylem seçme stratejisi öğrenen pekiştirmeli öğrenmeyi ya da ikisinin bir karışımını kullanabilir. Hedeflenen çıktı: Her durum için uygun eylemi belirleyen bir strateji ve ardından ekipman için açık işletim komutları. Teknik terminolojide bu stratejiye "eylem seçme politikası" denir. Neyi ölçüyoruz? Sistemin istikrarını, yanıt hızını, kısıtların aşılma sayısını, kaynak tüketimini, eylemlerin bitki, hayvan ya da ekipman üzerindeki etkilerini ve beklenmedik koşullarla baş edebilme kabiliyetini. Güvenlik ve doğrulama sorusu: Amaç ne olursa olsun sistemin aşmasına izin verilmeyen sınırlar nelerdir? Onu durdurma yetkisi kimdedir? Ve iletişim kesilirse, veri arızalanırsa ya da durum sınanan aralığın dışına düşerse ekipman hangi güvenli duruma geçer? Bu harita gösteriyor ki tek bir tarımsal görev birden fazla yöntem gerektirebilir ve her aşamadaki başarı, zincirin bütünü için başarıyı güvence altına almaz. Makine ona güvenli biçimde ulaşamıyorsa yabancı otun konumunu belirlemek yeterli değildir; sulama planı pompanın kapasitesini aşıyorsa su talebini öngörmek yeterli değildir; ve doğru bir kaynak farklı bir ürüne, ülkeye ya da tarihe ilişkinse onu getirmek yeterli değildir. Ayrıca gösteriyor ki teknik ölçüt ile güvenlik sorusu birbirinden ayrı meseleler değildir. Ölçüt, sistemin testlerde ne kadar iyi başarım gösterdiğini belirtir; güvenlik sorusu ise sistem tarlada hata yaptığında neler olabileceğini belirtir. Bir algoritma yüksek bir ortalama sonuca ulaşabilir, ama nadir hatası en yüksek riskli vakaya denk düşebilir. Derinlik arayan okuyucu için: Yöntemin seçimi, modellerin adlarını karşılaştırmakla değil; kararın ve farklı hata örüntülerinin maliyetinin formüle edilmesiyle başlar. Veri aynı kalsa bile, hedeflenen çıktı değişirse uygun yöntem değişebilir. Sistem ayrıca üç düzeyde değerlendirilmelidir: Tahminin kalitesi, o tahmini bir karara dönüştürmenin kalitesi ve kararı gerçeklikte uygulamanın kalitesi. Birinci düzeydeki iyileşme, diğer ikisindeki başarısızlığı telafi etmez. Ve herhangi bir yeni uygulama değerlendirilirken matris şu sorularla özetlenebilir:

• Sistemin yanıtlamaya çalıştığı belirli tarımsal soru nedir?
• Hangi veriye ihtiyaç duyuyor ve bunların doğruluğunu kim doğruladı?
• Hangi çıktıyı üretecek, hangi birimde ya da hangi güven düzeyiyle?
• Bu çıktıya hangi karar ya da eylem dayandırılacak?
• Hangi hata türü daha tehlikelidir: sistemin gözden kaçırdığı bir vaka mı, yoksa yanlış bir uyarı mı?
• Sistem, fiilen kullanılacağı ortama benzeyen bağımsız bir ortamda sınandı mı?
• Veri eksik olduğunda ya da vaka tanıdık gelmediğinde ne olur?
• Sonucu kim gözden geçirir ve onu durdurma ya da geçersiz kılma yetkisi kimdedir?

Genel ilke: Bir yöntem, en yeni ya da en meşhur olduğu için değil; kararın gerektirdiği çıktıyı ürettiği, uygun ölçütle doğrulanabildiği ve veri eksik olduğunda ya da sonuç yanlış çıktığında güvenli kaldığı için seçilir.

12. Modelleri ve Sistemleri Nasıl Karşılaştırırız? Test Doğruluğundan Tarladaki Değere

Bir geliştirici ya da şirket yeni bir sistem sunduğunda ilk soru çoğu kez şudur: Doğruluğu ne kadar? Bu meşru bir sorudur ama sistemin yararlılığına hükmetmek için yeterli değildir. İki sistem bir laboratuvar testinde aynı puanı alabilir; yine de yaptıkları hata türlerinde, yanıt hızlarında, işletme maliyetlerinde, tarlada çalışabilme kabiliyetlerinde ve yanıldıklarında doğabilecek zararın büyüklüğünde büyük ölçüde farklılaşabilirler. Yaprak görüntülerini sınıflandırmada her biri %92'lik genel bir puana ulaşan iki model düşünün. Birincisi sağlıklı vakaları saptamakta iyi olabilir, ama tehlikeli bir hastalığın erken evrelerini kaçırabilir. İkincisi hastalıklı vakaların çoğunu saptayabilir, ama o kadar çok yanlış uyarı üretir ki kullanıcı ona olan güvenini yitirir. Genel puan aynı görünür, ama iki modelin çiftlikteki değeri aynı değildir. Modelin kendisi iyi olabilirken onu barındıran sistem zayıf kalabilir. Model görüntüyü doğru çözümleyebilir, ama uygulama onu ayrıntı kaybolana dek sıkıştırır ya da sonucu göndermeyi geciktirir ya da güven düzeyini belirtmeden gösterir ya da onu bölgeye uygun olmayan bir öneriye bağlar. Bu nedenle üç şeyi birbirinden ayırmamız gerekir:

• Model performansı: Ürettiği tahminin ya da sınıflandırmanın ne kadar iyi olduğu.
• Sistem performansı: Veri toplamaktan sonucu göstermeye ya da eylemi gerçekleştirmeye kadar tüm zincirin ne kadar iyi işlediği.
• Tarımsal etki: Sistemi kullanmanın, çiftlikteki kararı ve sonucu fiilen iyileştirip iyileştirmediği.

Bir karşılaştırma, ancak aşağıdaki düzeyleri ele alırsa adil ve yararlıdır. A. Bugün yaptığımızdan başlayın: karşılaştırma için başlangıç düzeyi Başlangıç düzeyi (baz çizgi), yeni sistemi devreye almadan önce referans noktası olarak kullandığımız yöntemdir. Daha yalın söylemek gerekirse yalnızca "Model çalışıyor mu?" diye değil, şunu da sorarız: Bugün yaptığımızdan daha iyi çalışıyor mu ve değişimin maliyetini haklı çıkaracak kadar iyi mi? Başlangıç düzeyi şunlar olabilir:

• Bir uzmanın ya da bir tarımsal yayım görevlisinin yaptığı bir inceleme.
• Yerel bir uzmanın geliştirdiği basit bir kural.
• Önceki sezonların ortalama verimi.
• Yarınki okumanın bugünkine yakın olacağı varsayımı.
• Yerel koşullara göre ayarlanmış sabit bir sulama programı.
• Yenisinin yerine geçmesi amaçlanan eski dijital sistem.

Dolayısıyla hedef verimi öngörmekse, model tarlanın önceki sezonlardaki ortalama verimiyle karşılaştırılabilir. Hedef bir görüntüden hastalık saptamaksa, mevcut incelemenin performansıyla karşılaştırılabilir; bu incelemeyi bir çiftçinin mi, bir teknisyenin mi, yoksa bir uzmanın mı yaptığı açıkça belirtilerek. Hedef sulamayı yönetmekse, su, enerji, bitkinin durumu ve verim açısından hâlihazırda kullanılan programla karşılaştırılabilir. Yeni modeli üstün göstermek için kasıtlı olarak zayıf bir referans yöntem seçilmemelidir. Karmaşık bir sistem, saf bir kuralı geride bırakabilir; ama çiftçinin deneyimini ya da yerel olarak ayarlanmış basit bir sistemi geride bırakamayabilir. Bu durumda teknik kazanç sınırlıdır ve donanım, bağlantı, bakım ve eğitim maliyetini haklı çıkarmayabilir. Karşılaştırma "Kim daha yüksek sayıya ulaştı?" sorusuyla da sınırlı kalmamalıdır. Şunları da kapsamalıdır:

• Mevcut yönteme kıyasla iyileşmenin büyüklüğü.
• Bu iyileşmenin tarlalar ve sezonlar arasındaki tutarlılığı.
• Azalan ya da artan hata türleri.
• İyileşmeyi elde etmenin maliyeti.
• Kullanıcının bundan fiilen yararlanabilme derecesi.

Başlangıç düzeyinin pratik anlamı: Önce yeni sistem olmaksızın sahip olduğumuz performans düzeyini saptarız, sonra sistemin bunun ötesinde gerçek bir değer katıp katmadığını sınarız. B. Testi fiilî kullanım koşullarına yaklaştırın Bir model, eğitim verisi denen bir örnekler kümesinden öğrenir. Öğrenme tamamlandıktan sonra, daha önce kullanmadığı bağımsız örnekler üzerinde sınanmalıdır. Amaç, önceki örnekleri ne kadar iyi hatırladığını öğrenmek değil; çiftlikte karşılaşacaklarına benzeyen yeni vakaların üstesinden gelip gelemeyeceğini anlamaktır. Sistem birden çok tarlada kullanılacaksa, test eğitimin parçası olmayan tarlaları da içermelidir. Farklı sezonlarda çalışacaksa, onu aynı sezonun görüntüleriyle sınamak yeterli değildir. Kullanıcılar farklı kalitelerde telefonlarla fotoğraf çekiyorsa, onu tümüyle tek bir kamerayla ideal koşullarda çekilmiş görüntüler üzerinde değerlendirmek geçerli olmaz. Verinin rastgele bölünmesi yanıltıcı bir izlenim verebilir. Aynı bitkinin on benzer görüntüsü alınıp bazıları eğitime, diğerleri teste konursa model, öğrenmesini istediğimiz tarımsal belirtiler yerine bitkiyi, arka planı ya da görüntüleme koşullarını tanıyor olabilir. Daha güçlü bir test, görevin niteliğine bağlı olarak şunları birbirinden ayırır:

• Farklı bitkiler.
• Farklı parseller ya da tarlalar.
• Farklı çiftlikler ya da bölgeler.
• Farklı sezonlar ya da yıllar.
• Farklı çeşitler ve gelişme evreleri.
• Farklı görüntüleme cihazları ya da sensör türleri.
• Konuşma tabanlı sistemlerde farklı diller ya da lehçeler ve farklı soru kuruluşları.

Bu, her testin tüm dünyayı kapsaması gerektiği anlamına gelmez; sistemin kullanılacağı ortamı sadakatle temsil etmesi gerektiği anlamına gelir. Sistem sınırlı bir ortamda sınandıysa bu sınırlar beyan edilmeli, sonucu her ürün, çiftlik ve sezon için geçerliymiş gibi sunulmamalıdır. Aday modeller de aynı teste, aynı koşullarda ve aynı veriyle tabi tutulmalıdır. Biri temiz görüntüler üzerinde, diğeri zor tarla görüntüleri üzerinde sınanıyorsa ya da biri hızlı bir cihazda, diğeri düşük güçlü bir telefonda ölçülüyorsa karşılaştırma adil değildir. Bağımsız testin pratik anlamı: Sistemi, kullanımının gerçekliğini yansıtan yeni vakaların önüne koyarız; sonra laboratuvarın kolaylıkları ortadan kalktığında performansını koruyup korumadığına bakarız. C. Ölçütü hatanın sonucuna bağlayın Her hata eşit değildir. Bir sistem, var olmayan bir enfeksiyon için uyarı vererek ya da enfekte bir bitkiyi sağlıklı sayarak hata yapabilir. İkisi de hatadır, ama sonuçları farklı olabilir. Yanlış bir uyarı; inceleme zamanını boşa harcayabilir, ek analiz gerektirebilir ya da kullanıcıyı rahatsız edebilir. Buna karşılık ciddi bir enfeksiyonu kaçırmak, zarar yayılana dek müdahaleyi geciktirebilir. Başka bir uygulamada, örneğin bir makinenin çalıştırılmasında, yanlış bir uyarı; ürüne ya da işçiye zarar veren hatalı bir hareketten daha az tehlikeli olabilir. Bu yüzden genel ortalama, daha önemli olan hata türünü gizlememelidir. Bir karşılaştırma şunları sormalıdır:

• Sistem kaç tehlikeli vakayı kaçırdı?
• Kaç yanlış uyarı verdi?
• Hangi çeşitlerde ya da gelişme evrelerinde hatalar daha sık?
• Erken vakalarda, bariz olanlara kıyasla daha çok mu yanılıyor?
• Her hata türünün maliyeti nedir?
• Ekip, ortaya çıkan uyarı sayısıyla baş edebilir mi?

Görev bir sayıyı öngörmekse, hata karar vericinin anlayabileceği bir birimle ifade edilmelidir. "Ortalama hata 0,12'dir" deyip açıklama yapmamak yerine, verim tahmininin hektar başına ortalama belirli bir kilogram ya da ton miktarı kadar saptığı söylenebilir. Ayrıca depolama ya da taşıma planlanırken, alışıldık küçük hataların, tüm planı altüst edebilecek az sayıda büyük hatayı gizleyip gizlemediği açıkça belirtilmelidir. İki model arasındaki farkın tek bir sayıda görünmesi de yeterli değildir. Üstünlük öyle ufak olabilir ki, testi başka bir sezonda ya da başka bir örneklemde yinelersek tersine dönebilir. Bu nedenle yalnızca tek bir en iyi sonuca değil, testler arasındaki değişkenliğin miktarına bakılmalıdır. Ölçütün pratik anlamı: Ölçme yöntemini, sonucundan etkilenecek karara göre seçeriz ve hatayı çiftçinin, uzmanın ya da işletme müdürünün anlayabileceği bir etkiye çeviririz. D. Sistemin belirsizliği nasıl ifade ettiğini ve ne zaman hüküm vermekten kaçındığını sınayın Model her vakada aynı bilgi düzeyine sahip değildir. Görüntü net ve öğrendiklerine benzer olabilir; ya da karanlık, eksik veya daha önce görmediği bir vakadan olabilir. Sensör okumaları eksiksiz ve tutarlı olabilir; ya da bazıları eksikken geri kalanı birbiriyle çelişebilir. Bu değişkenliğe belirsizlik denir: Mevcut kanıt, tüm sonuçları aynı ölçüde desteklemez. Sistem bunu çeşitli biçimlerde ifade edebilir; bunlar arasında:

• Kesin bir hüküm vermek yerine bir güven puanı göstermek.
• Sıralanmış birkaç olasılık sunmak.
• Tek bir sayı yerine beklenen bir aralık göstermek.
• Eksik ya da çelişkili veriyi belirtmek.
• Ek bir görüntü, okuma ya da bilgi parçası istemek.
• Kanıt yetersiz olduğunda vakayı bir uzmana yönlendirmek.

Verim tahmininde, beklenen verimin hektar başına 4,2 ile 5,1 ton arasında olduğunu söylemek, tek bir 4,7 ton rakamı vermekten daha dürüst ve yararlı olabilir; özellikle de gelecekteki hava durumu verisi istikrarsızsa. Bir yaprak görüntüsünün teşhisinde, sistemin görüntünün iki nedeni ayırt etmeye yetmediğini söyleyip ardından yaprağın alt yüzünün bir görüntüsünü istemesi daha uygun olabilir. Ne var ki modelin gösterdiği güven puanı, güvenceye bağlanmış bir gerçek değildir. %80 güvenli olduğunu söylerken fiilî sonuçları çok daha kötü olabilir. İşte bu yüzden güven kalibrasyonu incelenir: Güven sayılarının gerçekle uyuşup uyuşmadığının sınanması. Sistemin yaklaşık %80 güven atadığı çok sayıda vakayı bir araya getirirsek, sonuçlarının buna yakın bir oranda doğru olması gerekir; yalnızca yarısında doğru olması değil. Sistemin öğrendiklerinin kapsamı dışındaki bir vaka, eğitim örneklerinden açıkça farklı olan vakadır: Yeni bir çeşit, farklı bir kamera, veriye dâhil edilmemiş bir hastalık, keskin biçimde farklı aydınlatma koşulları ya da üzerinde sınanmadığı bir dildeki bir soru. Model böyle vakalarda bile güvenle yanıt verebilir; bu nedenle bir girdinin tanıdık olmadığını saptayabilme kabiliyeti sınanmalıdır. Hüküm vermekten kaçınma, kanıt yetersiz olduğunda sistemin kendini bir teşhis ya da öneri vermeye zorlamaması demektir. Bu ne rastgele bir duruş ne de bir başarısızlık işaretidir; kasıtlı bir davranıştır, örneğin şöyle demek gibi: "Mevcut görüntü, durumu güvenli biçimde belirlemeye yeterli değildir. Yaprağın alt yüzünün daha net bir görüntüsünü çekin ve ürünü ile gelişme evresini belirtin ya da vakayı bir uzmana yönlendirin." Kaçınmanın kendisi de değerlendirilmelidir. Sistem vakaların çoğunda kaçınıyorsa güvenli görünürken pek az işe yarayabilir. Hiç kaçınmıyorsa, bilmediği vakalarda kendinden emin yanıtlar verebilir. Gereken; görevin ciddiyetine ve ekibin yönlendirilen vakaları gözden geçirme kapasitesine uygun bir dengedir. Belirsizliğin ve kaçınmanın pratik anlamı: Yalnızca sistemin yanıt verip vermediğini değil; kanıtının sınırlarını fark edip etmediğini, doğru anda yardım isteyip istemediğini ve bu isteğin takibi yapabilecek kişiye ulaşıp ulaşmadığını da sorarız. E. Sistemin performansını yalnızca gösterimde değil, işletimde ölçün Bir sistem, kısa bir kamuya açık gösterimde ya da istikrarlı bir ağa bağlı güçlü bir bilgisayarda iyi çalışabilir; sonra çiftlikte gün be gün kullanıldığında zorluklarla karşılaşabilir. Dolayısıyla karşılaştırma, bir doğruluk rakamında görünmeyen yönleri de içerir; örneğin:

• Veri girişiyle sonucun görünmesi arasındaki süre.
• Sistemin, fiilen mevcut olan telefonda ya da cihazda çalışabilme kabiliyeti.
• Enerji tüketimi ve aktarılan veri hacmi.
• Sürekli internet bağlantısı ihtiyacı.
• Ağ zayıfladığında ya da elektrik kesildiğinde ne olduğu.
• Kameraların, sensörlerin, sunucuların ve aboneliklerin maliyeti.
• Ekipmanın kurulumu, kalibrasyonu ve bakımı için gereken süre.
• Yazılımın, işi aksatmadan ne kolaylıkta güncellenebildiği.
• Arayüzün açıklığı ve kullanıcının sonucu anlayabilme kabiliyeti.
• Teknik desteğin ve yedek parçaların bulunabilirliği.
• Bir hatayı düzeltebilme ya da elle çalışma biçimine dönebilme kabiliyeti.

Laboratuvar testinde biraz daha az iyi performans gösteren bir model; mevcut bir telefonda hızlı çalışıyorsa, anlaşılır bir sonuç sunuyorsa ve bağlantı zayıfken temel işlevlerini sürdürüyorsa tarlada daha yararlı olabilir. Tersine, daha doğru olan model; pahalı bir cihaz, sürekli bağlantı ya da müdahale penceresinden uzun bir yanıt süresi gerektiriyorsa pratik olmayabilir. Bir yabancı ot saptama sistemi, makine yabancı otun bulunduğu yerden geçtikten sonra sonucu gönderiyorsa, yüksek görüntü doğruluğunun ona bir faydası olmaz. Bir hastalık uyarısı, veri alındıktan günler sonra ulaşıyorsa, teşhis doğru olsa bile değerini yitirebilir. İşletimsel performansın pratik anlamı: Yararlı sistem, günlük çalışma koşullarına uyan sistemdir; yalnızca ideal gösterim koşulları mevcut olduğunda başarılı olan değil. F. Devreye alma sonrasında değişen koşulları ve düşen performansı izleyin Sistem devreye girdiğinde alınan iyi bir sonuç, bunun süreceğinin güvencesi değildir. Tarımsal ortamlar değişir: Yeni çeşitler çıkar, ekim tarihleri kayar, kameralar ve sensörler değiştirilir, uygulamalar değişir ve özgün veride temsil edilmeyen bir zararlı ya da bir durum yayılabilir. Sistemin aldığı verinin niteliği, üzerinde eğitildiği ve sınandığı veriden farklılaştığında buna veri kayması denir. Mesele, verinin harfi harfine yer değiştirmesi değil; sistemin gördüğü gerçekliğin özelliklerinin artık eskisi gibi olmamasıdır. Örnekler arasında şunlar vardır:

• Bir modeli belirli bir kameranın görüntüleriyle eğitip ardından onu, renkleri ve görüntü işleme biçimi farklı bir kamerayla değiştirmek.
• Yetiştirilen çeşidin değişmesi ve böylece belirtilerin farklı görünmesi.
• İklimin ya da sezonun zamanlamasının değişmesi ve böylece hava durumu ile verim arasındaki ilişkinin değişmesi.
• Bir serada besleme ya da aydınlatma sisteminin değiştirilmesi.
• Kayıtların girilme yönteminin ya da uygulamadaki alan adlarının değişmesi.
• Konuşma tabanlı danışmanlık sisteminde yeni soruların ve lehçelerin ortaya çıkması.

Veri yüzeyde benzer kalırken, veri ile sonuç arasındaki ilişkinin değişmesi de olabilir. Belirli bir sıcaklık, daha eski bir sulama sistemi altında bitki stresiyle ilişkilendirilmiş olabilir; havalandırma iyileştirildikten ya da yeni gölgeleme kurulduktan sonra bu ilişki değişmiştir. Bu bakımdan devreye alma sonrasında sistemin şunları içeren bir izlemeye ihtiyacı vardır:

• Yeni veriyi, üzerinde sınandığı veriyle karşılaştırmak.
• Olağandışı vakaları ya da güvenin düştüğü vakaları kaydetmek.
• Tarladaki sonuçlardan bir örneklemi gözden geçirmek.
• Yanlış uyarıların ve kaçırılan vakaların sayısını izlemek.
• Yeniden değerlendirmeyi tetikleyen bir eşik tanımlamak.
• Modelin güncellenip güncellenmeyeceğine ya da yeniden eğitilip eğitilmeyeceğine kimin karar vereceğini belirlemek.
• Yeni sürümü onaylamadan önce sınamak.
• Bir sorun ortaya çıkarsa önceki sürüme dönebilme kabiliyetini korumak.

Yeniden eğitim, her düşüşün otomatik çözümü değildir; yeni veriye hatalar ya da belgelenmemiş sonuçlar karışabilir ve sistem bunlardan öğrenip daha kötü hâle gelebilir. Bu nedenle güncellemeler gözden geçirme, test ve onay süreçlerinden geçmelidir. Veri kaymasının pratik anlamı: Geçen sezon geçerli olan, izleyen sezonda kendiliğinden geçerli kalmayabilir; bu yüzden sistemin sürekli izlemeye ihtiyacı vardır, bir kez ve ebediyen verilmiş bir başarı belgesine değil. G. Sonuç kullanıcıya ulaştıktan sonra ne olduğunu ölçün Tahmin, tarımsal sonuç iyileşmeksizin iyileşebilir. Sistem hastalığı erken saptayabilir, ama uyarı doğru kişiye ulaşmaz. Uyarı ulaşabilir, ama kullanıcı onu anlamaz. Kullanıcı onu anlayabilir, ama müdahale için gereken malzemeye, işçiye ya da zamana sahip olmayabilir. Kullanıcı öneriyi uygulayabilir, ama öneri tarla koşullarına uymayabilir. Dolayısıyla tüm zincir izlenmelidir:

1. Modelin tahmini doğru muydu?
2. Sistem bunu açık bir uyarıya ya da öneriye dönüştürdü mü?
3. Sonuç doğru anda ulaştı mı?
4. Kullanıcı onu anladı mı ve ona güvendi mi?
5. Kararı değiştirdi mi?
6. Karar planlandığı gibi uygulandı mı?
7. Uygulama daha iyi bir tarımsal sonuca yol açtı mı?

Bu düzeyler aynı şeyi ifade etmez. Sulama tahmininin doğruluğu iyileşebilirken, şebekede bir kaçak olduğu için su tüketimi düşmeyebilir. Sistem bir hayvan durumunu erken saptayabilir, ama ekip uyarıları gün sonuna kadar gözden geçiremeyebilir. İşgücünün daha iyi dağıtılmasını önerebilir, ama plan tarlalar arasındaki ulaşımı hesaba katmayabilir. Etki ölçülürken birden fazla sonuç göz önünde bulundurulmalıdır. Sistem su tüketimini azaltırken enerji kullanımını artırabilir; verimi yükseltirken girdi maliyetlerini artırabilir; elle yapılan işi azaltırken onarımı zor dış bir hizmete bağımlılığı artırabilir. Verimdeki ya da maliyetteki her değişiklik, yalnızca sistem kullanıldıktan sonra gerçekleştiği için sisteme atfedilmemelidir; neden daha iyi bir sezon, fiyatlardaki bir değişim ya da başka bir tarımsal uygulama olabilir. Sistemin bir fark yarattığı ortaya konmak isteniyorsa; aşamalı uygulama, benzer tarlaların ya da dönemlerin karşılaştırılması veya sistemin etkisini diğer etkenlerden ayıran uygun bir saha tasarımı gerekebilir. Etki ölçümünün pratik anlamı: Değerlendirme, yanıtın doğru olup olmadığıyla bitmez; yanıtın ulaşıp ulaşmadığını, kararı değiştirip değiştirmediğini ve kararın gerçek dünyada daha iyi bir sonuca yol açıp açmadığını sorarak sürer. H. Hakkaniyeti, sorumluluğu ve yönetişimi gözden geçirin Sistem iyi bir ortalamaya ulaşabilirken, bir kullanıcı ya da çiftlik grubu için diğerinin aleyhine daha iyi çalışıyor olabilir. Uzak bölgelerde bulunmayan hızlı bir bağlantıya, tüm kullanıcıların sahip olmadığı modern bir telefona, küçük işletmeleri temsil etmeyen büyük ve iyi örgütlenmiş çiftliklerden gelen görüntülere ya da yerel soruları ve lehçeleri iyi karşılamayan resmî bir dile bağımlı olabilir. Bu çerçevede sonuçlar, uygun olduğu yerlerde şunlara göre ayrıştırılmalıdır:

• Çiftlik büyüklüğü ve üretimin niteliği.
• Bölge ve iklim koşulları.
• Çeşit ve gelişme evresi.
• Cihazın ya da sensörün türü.
• Bağlantının kalitesi.
• Dil ya da lehçe.
• Kullanıcının deneyimi ve arayüzü kullanabilme kabiliyeti.

Hakkaniyet, sistemin herkese aynı sonucu vermesi gerektiği anlamına gelmez; bilakis, belirli bir grubun daha fazla hataya maruz kalıp kalmadığını, hizmete erişip erişemediğini ya da hatalı bir karara itiraz edecek bir yolunun bulunup bulunmadığını incelemek anlamına gelir. Yönetişim ise, sistemi yaşam döngüsü boyunca yöneten kuralları ve sorumlulukları ifade eder; bunlar arasında:

• Kullanımına kim izin verdi?
• Verisini ve performansını kim gözden geçiriyor?
• Hatanın sorumluluğunu kim üstleniyor?
• Kullanıcı itiraz edebilir ya da insan incelemesi talep edebilir mi?
• Sistem hangi kararları önerebilir ya da uygulayabilir?
• Hangi kararlar bir uzmanın ya da yetkili bir mercinin elinde kalmalıdır?
• Kayıtlar nasıl tutuluyor ve mahremiyete nasıl saygı gösteriliyor?
• Değişiklikler ve sürümler nasıl belgeleniyor?
• Bir risk belirdiğinde sistemi durdurma yetkisi kimde?

Bu sorular; sistem bitki ya da hayvan sağlığını, işçi güvenliğini, suyun ve düzenlemeye tabi maddelerin kullanımını ya da ürünün piyasada kabul görmesini etkilediğinde daha da önem kazanır. Bu bakış açısına, yapay zekâ risklerinin tasarım ve testten işletim, izleme ve güncellemeye kadar yaşam döngüsünün tüm aşamalarında yönetilmesi fikri yol gösterir [SRC033]. Yönetişimin pratik anlamı: Sistemin ne yapabildiğini bilmek yeterli değildir; onu kimin izlediğini, kimin gözden geçirdiğini ve hata yaptığında karar yetkisinin kimde olduğunu da bilmemiz gerekir. İleri düzey okur için: Mesleki bir karşılaştırma, tek bir sayıyı nihai hüküm diye sunmaz. Test örnekleminin büyüklüğünü, sonuçtaki değişkenliğin derecesini, farklı gruplar ve ortamlardaki performansı, zaman içindeki istikrarını ve her hata türünün maliyetini açıkça ortaya koymalıdır. Karşılaştırmanın koşulları da sabit tutulmalıdır: Aynı veri, aynı görev tanımı, aynı uyarı eşiği ve aynı işletim ortamı. Bir model, çok sayıda uyarı göndermesine izin verildiğinde üstün gelebilir; oysa bir diğeri, uyarı sayısı ekibin gözden geçirebileceğiyle sınırlandığında üstün gelebilir. Dolayısıyla karşılaştırma her zaman kararın koşullarına ve mevcut kaynaklara bağlıdır; algoritmanın soyuttaki performansına değil. Herhangi bir sistemi karşılaştırmak için pratik bir kontrol listesi Karşılaştırma sekiz soruda özetlenebilir; ama her sorunun ne anlama geldiği açıkça kavranmalıdır:

1. Sistem yüzünden hangi karar değişecek?

Çıktı; ek bir incelemeye, bir sektörün sulanmasına, bir hayvanın tedavisine, bir girdinin satın alınmasına ya da bir makinenin çalıştırılmasına mı yol açacak? Hangi kararın değişeceğini bilmezsek, nasıl bir performans gerektiğini de bilemeyiz.

2. Sistem hangi mevcut yöntemle karşılaştırılıyor?

Çiftçinin deneyimini, uzmanın incelemesini, basit bir kuralı ya da hâlihazırda kullanılan sistemi geride bırakıyor mu? Ve ne kadar katma değer sağlıyor?

3. Kullanılacağı yere benzeyen bağımsız bir ortamda sınandı mı?

Test; verisi eğitime dâhil edilmemiş tarlaları, sezonları, cihazları, çeşitleri ve kullanıcıları içerdi mi?

4. Hangi hata en tehlikelidir ve ne sıklıkla gerçekleşti?

En büyük risk; vakayı kaçırmak mı, yanlış alarm vermek mi, gecikme mi, yoksa eylemi yanlış yere yönlendirmek mi? Ve bu hatanın çiftlik üzerinde nasıl bir etkisi var?

5. Bilgisinin sınırlarını açıkça ortaya koyuyor mu?

Bir güven düzeyi ya da beklenen bir aralık sunuyor mu? Ve kanıt yetersiz olduğunda ek bilgi istiyor ya da vakayı bir insana yönlendiriyor mu?

6. Onu işletmenin ve bakımını yapmanın maliyeti nedir?

Hangi cihazları, bağlantıyı, elektriği, eğitimi, desteği ve bakımı gerektiriyor? Ve bir kesinti ya da arıza hâlinde ne oluyor?

7. Performansının bozulduğunu nasıl saptarız?

Devreye alma sonrasında sonuçları kim izliyor? Hangi işaret yeniden test etme ya da güncelleme ihtiyacına işaret eder? Ve yeni sürümü kim onaylar?

8. Nihai karar ve durdurma yetkisi kimde?

Kullanıcı, sonucun tavsiye niteliğinde olduğu anları biliyor mu? Yüksek riskli vakaları kim gözden geçiriyor? Ve otomatik uygulama durdurulup sistem güvenli bir kipe döndürülebilir mi?

Genel ilke: Bir model, salt sayısı daha yüksek olduğu için daha iyi değildir; bilakis, gerçekçi bir yöntemi geride bıraktığında, kullanım ortamında ayakta kaldığında, bilgisinin sınırlarını açığa vurduğunda, mevcut kaynaklar dâhilinde çalıştığında, en zararlı hatayı azalttığında ve nihayetinde çiftlikte daha iyi bir karara ve daha iyi bir sonuca yol açtığında daha iyidir.

13. Bütünleşik Bir Öğretim Vakası: Bir Yaprak Görüntüsü Nasıl Sorumlu Bir Tarımsal Karara Dönüşür?

Aşağıdaki vaka, bölümün kavramlarını tek bir yolda bir araya getiren öğretici bir örnektir. Herhangi bir hastalığın teşhisini vermez, bir tedaviyi, maddeyi ya da dozu anlatmaz; daha çok, sorumlu bir sistemin eksik bilgiyi nasıl ele alması gerektiğini ve ilk görüntüden, gerekçeleri ile sınırları incelenebilir bir karara nasıl geçtiğini gösterir. Bir çiftçi, tarlanın bir bölümündeki bazı yapraklarda sarı ve kahverengi lekeler fark etti. Telefonuyla bir fotoğraf çekti, bunu bir asistan sisteme gönderdi ve ardından şunu yazdı: "Bu sorun nedir ve buna karşı ne kullanmalıyım?" Soru basit görünebilir; ama sorumlu bir yanıt, bir hastalığın ya da bir maddenin adıyla başlamaz. Tek bir görüntü bir belirti gösterebilir — yani yaprağın renginde ya da biçiminde görünür bir değişimi — ama tek başına belirtinin nedenini ortaya koymaz. Görüntüde; mantar ya da bakteri kaynaklı bir hastalığın etkileri, bir besin eksikliği, su stresi, kimyasal zarar, güneş yanığı, böcek zararı ya da aynı anda birden fazla etken birbirine benzer görünebilir. Dolayısıyla görüntü, inceleme yolunun sonu değil başlangıcıdır. Birinci Adım — Genel Soruyu İncelenebilir Bir Soruya Dönüştürmek Sistem, "Ne kullanmalıyım?" sorusundan bir tedavi önermeye atlamaz. Bunun yerine konuyu daha küçük sorulara ayırır:

• Görüntüde açıkça tarif edilebilir işaretler beliriyor mu?
• Bunlar yaprağın hangi bölümünde bulunuyor?
• Desen yerel mi, yaygın mı?
• Görüntü, olasılıklardan bazılarını birbirinden ayırmaya yetiyor mu?
• Teşhise doğru ilerlemeden önce hangi bilgi eksik?
• Bir uzmanın ivedi incelemesini gerektiren herhangi bir işaret var mı?

Sistemin ilk yanıtı örneğin şöyle olabilir: "Görüntüde sarı ve kahverengi alanlar görünüyor; ancak nedeni belirlemek ya da bir tedavi seçmek için görüntü tek başına yeterli değil. Önce görüntü kalitesini değerlendireceğim, sonra ürün, belirtilerin ne kadar geniş bir alana yayıldığı ve çevre koşulları hakkında bilgiye ihtiyacım var." Bu giriş önemli bir işlev görür: Belirtiyi görmeyi, nedenini bilmekten ayırır ve sistemin görsel benzerliği, sahip olmadığı bir kesinliğe dönüştürmesini önler. İkinci Adım — Görüntünün Çözümlemeye Elverişli Olduğunu Doğrulamak Lekeleri çözümlemeden önce uygulama, görüntünün kendi kalitesini inceler. Hastalık belirtisi gibi görünen şey aslında bir gölge, bir ışık yansıması, görüntü sıkıştırmasının yol açtığı bir bozulma ya da odak dışında kalmış bir kısım olabilir. Sistem, mümkün olduğunca şu hususları denetler:

• Yaprak net mi, yoksa hareketten dolayı bulanık mı?
• Aydınlatma, gerçek rengi gösterecek kadar doğal mı?
• Etkilenen alan yakın plandan görünüyor mu?
• Belirtilerin yaprak üzerindeki konumu belirlenebilsin diye yaprağın tamamı görünüyor mu?
• Üst yüzeyin bir görüntüsü ve alt yüzeyin başka bir görüntüsü var mı?
• Yalnızca yaprağın değil, bitkinin tamamının bir görüntüsü var mı?
• Lekenin boyutunu tahmin etmeye yardımcı olacak bir referans nesne var mı?
• Görüntü, yaprak ıslandıktan ya da görünümünü değiştirebilecek bir şeyle ilaçlandıktan sonra mı çekildi?

"İki yüzey"i göstermekle kastedilen, yaprağın üst yüzeyini ve alt yüzeyini fotoğraflamaktır; çünkü bazı işaretler birinde diğerinden daha belirgin olabilir. Görüntü yetersizse sistem, yalnızca kullanıcı bir yanıt beklediği için kendinden emin bir yanıt üretmemelidir. Bunun yerine neyin eksik olduğunu açıklar ve görüntünün yeniden çekilmesini ister; örneğin: "Görüntü, lekelerin kenarları çevresinde net değil. Doğal ışıkta daha yakın bir görüntü ve yaprağın alt yüzeyinin başka bir görüntüsünü çekin, ardından bitkinin tamamının ve tarlanın etkilenen kısmının bir görüntüsünü ekleyin." Bu davranış kullanıcının önüne bir engel koymaz; tam tersine, güvenilir bir çıkarımı desteklemeyen bir girdiye dayanan bir sonuçtan kullanıcıyı korur. Üçüncü Adım — Teşhis İddiasında Bulunmadan Görü Aracının Gördüğünü Betimlemek Görüntü çözümlemeye elverişliyse sistem, bir bilgisayarlı görü modelini şu görevlerden birini ya da birkaçını yerine getirmek için kullanabilir:

• Görüntü içindeki renk değişimine uğramış alanları belirlemek.
• Yaprağın etkilenen kısmının oranını tahmin etmek.
• Lekelerin biçimini ve görünür dağılımını betimlemek.
• Deseni, modelin önceki görüntülerden öğrendiği kategorilerle karşılaştırmak.
• Görüntünün, modelin üzerinde sınandığı vakalara yeterince benzemediğini saptamak.

Çıktı, sınırları konusunda açık olmalıdır. Yani sistemin şöyle demesi yerine: "Bu X hastalığıdır." şöyle diyebilir: "Sistem, yaprak dokusunun bazı kısımlarında düzensiz sarı ve kahverengi lekeler saptadı. Bu görünüm birden fazla duruma görsel olarak benziyor ve mevcut görüntü nedeni belirlemeye yeterli değil." Sistem ayrıca görüntüde odaklandığı alanı gösterebilir; böylece kullanıcı ya da uzman, sistemin arka planı veya yakındaki bir gölgeyi değil, etkilenen yaprak dokusunu çözümlediğini doğrulayabilir. "Bilinmeyen kategori" ifadesine gelince, bu, modelin "bilinmeyen" adlı bir hastalık keşfettiği anlamına gelmez. Kastedilen; görüntünün, sistemin ayırt etmeyi öğrendiği kategorilere yeterince yakın biçimde uymadığı ya da kalitesinin güvenli bir yargıya izin vermediğidir. Bu durumda şöyle bir sonuç göstermelidir:

• Vaka, sistemin bilinen sınıfları arasında temsil edilmiyor.
• Görüntü karşılaştırma için yetersiz.
• Sınıflandırmaya izin vermeyen, iç içe geçmiş işaretler var.
• Bir insan incelemesi ya da ek bilgi gerekiyor.

Burada önemli bir ayrım beliriyor: Model, lekelerin yerini doğru biçimde saptayabilir ama nedenlerini belirleyemeyebilir. Birinci görsel görevdeki başarı, teşhisteki başarıyı kanıtlamaz. Dördüncü Adım — Görüntü bağlamına tarla bağlamını eklemek Bitki belirtileri; üründen, çevreden ve yönetimden ayrılamaz. İşte bu yüzden sistem, görüntünün yorumunu değiştirebilecek bilgileri ister; ama çiftçiyi bir anda onlarca soruyla boğmaması daha iyidir. En yararlı sorularla başlar, sonra gerektiğinde ayrıntı ister. Önce şunları sorabilir:

• Biliniyorsa ürün ve çeşit nedir?
• Bitkinin yaşı ya da gelişme evresi nedir?
• Belirtiler ne zaman ortaya çıktı?
• Hızla artıyorlar mı, yoksa durağan mı görünüyorlar?
• Tek bir bitkide mi, yoksa bir grup bitkide mi görünüyorlar?
• Tarlanın kenarlarında mı, dağınık kümeler hâlinde mi, yoksa sulama sıraları boyunca mı yoğunlaşmış?
• Daha yaşlı yapraklarda mı yoksa daha yeni yapraklarda mı başladı?
• Yaprağın alt yüzünde ek işaretler var mı?
• Gövdede, meyvede ya da köklerde belirti ortaya çıktı mı?
• Yoğun bir sulama, bir su kesintisi ya da bir sıcak veya soğuk dalgası oldu mu?
• Bir tarımsal girdi kullanıldı mı ya da gübreleme programı yakın zamanda değişti mi?
• Komşu bir üründe ya da tarlada benzer belirtiler var mı?

Bu bilgiler "tesadüfi ayrıntılar" eklemez; görüntünün anlamını bütünüyle değiştirebilir. Belirtilerin bir sulama hattı boyunca dağılması araştırmayı suya, köklere ya da sulama ekipmanına yöneltebilirken; bir odaktan komşu bitkilere yayılma başka bir olasılıklar kümesini gündeme getirebilir. Belirtilerin yaşlı yapraklarda görünmesi ise, önce yeni sürgünlerde belirmesinden farklı bir anlam taşıyabilir. Sistem ayrıca kullanıcının girdiği bilgi, bir sensörün ölçtüğü bilgi ve görüntüden yapılan çıkarım arasında ayrım yapmalıdır. Bunların hepsini eşit ağırlıkta olgularmış gibi sunmamalıdır. Beşinci Adım — Tek bir neden ilan etmek yerine olasılıkları sıralamak Görüntüyü ve bağlamı topladıktan sonra sistem, olası nedenleri sıralayabilir. Burada tartmak, olasılıkları eldeki kanıt ışığında karşılaştırmak demektir; en üst sırada yer alan nedenin sabit olduğunu ilan etmek değil. Sonucu şu biçimde sunabilir:

• Bir olasılık, lekelerin biçimi ve dağılımıyla uyumlu; ancak yaprağın alt yüzünde denetlenmesi gereken bir işaret ondan eksik.
• Başka bir olasılık, son dönemdeki hava koşullarınca destekleniyor; ama belirtilerin konumunu bütünüyle açıklamıyor.
• Beslenme ya da sulamayla ilgili bir olasılık, belirtilerin tarladaki dağılımının ve toprak veya su ölçümlerinin gözden geçirilmesini gerektiriyor.
• Diğer nedenler daha düşük olasılıklı; ama bilgi eksik olduğu için olanaklı olmayı sürdürüyorlar.

Çıplak yüzdeler sunmak da yeterli değildir; çünkü bir sayı okuyucuya, kanıtın izin verdiğinden daha büyük bir kesinlik duygusu verebilir. Sistem şunları açıkça belirtmelidir:

• Her olasılığı hangi kanıt yükseltti?
• Hangi bilgi onu düşürdü?
• Hangi veri eksik?
• Olasılıkları en etkili biçimde birbirinden hangi sonraki soru ya da test ayırırdı?
• Sunduğu güven puanları benzer bir üründe ve çevrede sınandı mı?

Teknik ifadeyle olasılıksal katman terimi, farklı kanıt parçalarını bir araya getiren ve yeni bilgi geldiğinde olasılıkları yeniden sıralayan kısmı belirtir. Ama bu kısım kendi başına "gerçeği bilmez"; verinin desteklediğini ve hâlâ karara bağlayamadığını düzenler. Dolayısıyla kullanıcı yaprağın alt yüzünün bir görüntüsünü, belirtilerin nasıl yayıldığına dair bir betimlemeyi ya da bir tarla veya laboratuvar testinin sonucunu eklerse sıralama değişebilir. Bu bir çelişki işareti değil; daha güçlü kanıt geldiğinde yargının güncellenmesinin doğal bir sonucudur. Altıncı Adım — Bağlama uygun güvenilir kaynaklarda arama yapmak Olasılıkları daralttıktan sonra sistem, onaylanmış bilgi kaynaklarında arama yapar. Yönetişime tabi kaynaklar ile kastedilen, bir aramanın rastgele bulduğu herhangi sayfalar değil; kaynağı, tarihi, geçerlilik kapsamı ve onay durumu belirlenmiş bir belgeler kümesidir. Bunlar, göreve ve ülkeye bağlı olarak şunları içerebilir:

• Güvenilir tarım otoritelerinin yayımladığı rehber belgeler.
• Ürün için uygun bilimsel ya da tanısal referanslar.
• Güncellenmiş resmî bültenler.
• Yetkili düzenleyici mercilerin yayımladığı talimatlar.
• Yerel olarak ruhsatlandırılmış ürünler için geçerli resmî kullanım talimatları.
• Numune alma protokolleri ya da bir laboratuvara yönlendirme.

Bir kaynak, salt kendi içinde doğru olduğu için uygun hâle gelmez. Ruhsatlı ürünlerin farklı olduğu başka bir ülkede yayımlanmış olabilir; ya da farklı bir çeşitle ilgili olabilir, güncelliğini yitirmiş olabilir veya başka bir üründe benzer belirtiler gösteren bir hastalığı ele alıyor olabilir. Bu amaçla sistem, mümkün olduğunca şunları eşleştirmelidir:

• Ürün ve çeşit.
• Konum ya da ülke ve bölge.
• Belge tarihi ve sürümü.
• Yayımlayan kurum.
• Yetiştirme türü ve çevre.
• Ürünün gelişme evresi.
• Maddenin ya da işlemin düzenleyici statüsü.

Sistem kaynağı, kullanıcının ya da uzmanın inceleyebileceği bir biçimde sunmalı; belge başlığını, yayımlayan kurumu, tarihi ve dayandığı kısmı belirtmelidir. Ayrıca şunları birbirinden ayırmalıdır:

• Kaynakta açıkça belirtilen.
• Sistemin, birkaç bilgi parçasını birleştirerek çıkardığı.
• Yeterli dayanak bulamadığı.

Uygun bir kaynak bulamazsa sorumlu ifade şudur: "Mevcut onaylanmış kaynaklar kümesi içinde, bu ürün ve bölge için belirli bir öneriyi gerekçelendirecek güncel ve uygun bir rehberlik bulamadım. Bir uzmana ya da yerel tarım otoritesine danışmak gerekiyor." Kaynak bulunamaması, modelin tahminle doldurması gereken bir boşluk değildir; tam tersine, gösterilmesi gereken önemli bir bilgidir. Yedinci Adım — Olasılıktan tedaviye güvenli olmayan geçişi durdurmak Olasılıklar ve kaynaklar sunulduktan sonra güvenlik kapısı devreye girer. Bununla kastedilen; sistemin görsel benzerliği ya da karara bağlanmamış bir olasılığı doğrudan bir tedavi talimatına dönüştürmesini önleyen kurallar ve incelemeler bütünüdür. Farklı çıktı düzeyleri birbirinden ayrılmalıdır:

1. Genel betimleme: Görüntüde ne beliriyor ve hangi bilgi eksik?
2. Doğrulama adımı: Gereken bir sonraki görüntü, inceleme ya da bilgi parçası nedir?
3. Genel, düşük riskli koruyucu rehberlik: Uygun bir kaynakça destekleniyorsa ve doğrulanmamış bir teşhisi varsaymıyorsa.
4. Mesleki teşhis: Bu, bir uzman ya da bir referans test gerektirebilir.
5. Bir maddenin, dozun ya da düzenlemeye tabi bir işlemin seçilmesi: Bu; teşhise, yerel ruhsata, ürünün geçerli resmî kullanım talimatlarına ve kararı vermeye yetkili kişinin yetkisine bağlıdır.

Olasılıklar listesinde bir hastalık adının bulunması, otomatik olarak bir madde adına geçmeyi haklı çıkarmaz. Eski bir kaynakta ya da başka bir ülkede yayımlanmış bir kaynakta bir maddenin anılması da, onun o ürün ve bölge için ruhsatlı olduğunu veya kullanımının vakaya uygun olduğunu ortaya koymaz. Güvenlik kapısı, doğru çıktının şu olduğunu belirleyebilir:

• Ek görüntü ya da bilgi talebi.
• Bitkinin geri kalanının ve tarlanın incelenmesi önerisi.
• Vakanın bir ziraat uzmanına yönlendirilmesi.
• Muayene için numune gönderirken uzmanın talimatlarına uyulması.
• Ülkedeki ya da bölgedeki yetkili düzenleyici merciyle doğrulama.
• Teşhis ya da kaynak yetersiz olduğu için bir madde veya doz önermekten kaçınma.
• Eldeki göstergeler hızlı bir mesleki müdahaleyi gerektiriyorsa, kesin bir teşhis iddiasında bulunmaksızın uyarının nedenini belirterek ivedi bir uyarı yayımlama.

Sistem her seferinde "bir uzmana danışın" türünden genel bir ifadeye razı olmamalıdır; çünkü bu, onu sınırlı bir yarara indirger. Daha iyisi, konunun neden bir uzman gerektirdiğini, hangi bilginin hazırlanması gerektiğini ve uzmanın hangi soruyu karara bağlaması gerektiğini açıklamasıdır. Sekizinci Adım — Kararı vermek, olup biteni belgelemek ve sonucu izlemek Kanıt ve sınırları sunulduktan sonra karar; eylemin türüne ve risk düzeyine bağlı olarak çiftçide ya da yetkili uzmanda kalır. Sonuç; ek inceleme talebi, vakanın belirli bir süre izlenmesi, bir test yapılması ya da yerel gerekliliklere uygun olarak uzmanın onayladığı bir müdahalenin yürütülmesi olabilir. Sistem, kullanıcının rızasıyla ve gizlilik kurallarına uygun biçimde şu kalemleri kaydeder:

• Çözümlemenin dayandığı görüntüler ve bilgiler.
• Sonucun verildiği zaman.
• Sunulan olasılıklar ve güven düzeyleri.
• Erişilen kaynaklar ve sürümleri.
• Eksik olan veriler.
• Uyarılar ya da kaçınma gerekçeleri.
• Kullanıcının ya da uzmanın aldığı karar.
• Fiilen yerine getirilen.
• Sonradan ortaya çıkan herhangi bir sonuç ya da değişiklik.

Geri bildirim, karardan sonra sisteme dönen bilgi demektir: Uzman belirli bir nedeni doğruladı mı? Test bir referans sonuç üretti mi? Belirtiler değişti mi? Eylem fiilen yerine getirildi mi? Öte yandan kullanıcının sonradan yazdığı şey, üzerine eğitim dayandırılabilecek bir olguya kendiliğinden dönüşmez. Kullanıcı, iyileşme gördüğü için teşhisin doğru olduğunu düşünebilir; oysa iyileşme gerçekte hava, sulama ya da başka bir etkendeki değişimden kaynaklanmış olabilir. Kullanıcı ayrıca kesin olmayan bir ad girebilir ya da sonucu, kaydedildiği gibi yerine getirilmemiş bir eyleme atfedebilir. Bu yüzden sonraki bilgiler değişken güçte kalır:

• Kullanıcının gözlemi izleme için yararlıdır.
• Bir uzmanın doğrulaması, ilk bir tahminden daha güçlüdür.
• Bir referans test sonucu, belirli bir görev için daha güçlü olabilir.
• Bir eylemin ardından gelen iyileşme, teşhisin ya da eylemin iyileşmeye yol açtığını tek başına kanıtlamaz.

Bu bilgiler modeli güncellemek için kullanılmadan önce kalitesi gözden geçirilmeli, kaynağı doğrulanmalı, onu kimin onayladığı belirlenmeli ve güncellenen model, yayımlanmadan önce sınanmalıdır. Aksi hâlde sistem, eski hatalarından öğrenip onları daha büyük bir güvenle tekrarlayabilir. Yanıt çiftçiye nasıl görünebilir? İlk aşamalardan geçtikten sonra sistem şuna benzer bir yanıt sunabilir: "Görüntüde yaprak dokusunda sarı ve kahverengi lekeler görünüyor; ancak bu görünüm birden fazla nedenden kaynaklanabilir ve mevcut görüntü bir teşhisi doğrulamaya ya da bir tedavi seçmeye yeterli değil. Yaprağın alt yüzeyinin net bir görüntüsünü, bitkinin tamamının bir görüntüsünü gönderin; ürünü ve gelişme evresini, belirtilerin ne zaman başladığını ve komşu bitkilerde ya da sulama hattı boyunca görünüp görünmediğini belirtin. Bu bilgiler tamamlandığında olasılıklar sıralanabilir ve bir sonraki test belirlenebilir. Bir teşhis, bölgeye uygun bir kaynak ve ürünün geçerli resmî kullanım talimatlarına karşı bir doğrulama olmadan bir madde ya da doz önermeyeceğim." Bu yanıt, çiftçiyi yardımsız bırakmaz; aynı zamanda ona yapay bir kesinlik de bahşetmez. Sistemin ne gördüğünü, neyi ortaya koyamadığını, hangi bilginin gerektiğini ve neden doğrudan tedaviye geçmediğini açıklar. Yolculuk nerede başarısız olabilir? Vaka gösteriyor ki hata, yalnızca görüntü modelinde yatmıyor. Her aşamada ortaya çıkabilir:

• Görüntü kullanılamaz olabilir, ama uygulama onu kabul eder.
• Model, lekeler yerine bir gölgeye ya da arka plana odaklanabilir.
• Vaka, eğitim verisinde temsil edilmiyor olabilir.
• Kullanıcı yanlış bir ürün adı ya da konum girebilir.
• Sistem görüntüyü başka bir tarlanın bağlamıyla ilişkilendirebilir.
• Sistem olasılıkları, kanıtın izin verdiğinden daha büyük bir güvenle sıralayabilir.
• Sistem doğru bir kaynağa erişebilir; ama bu kaynak güncelliğini yitirmiş ya da o ülkeye uygun olmayan bir kaynak olabilir.
• Arayüz kaynağı, anlamını değiştirecek biçimde özetleyebilir.
• Genel bilgi, yetkisiz bir tedavi önerisine dönüşebilir.
• Yanıt, durum değiştikten sonra geç ulaşabilir.
• Sistem, önerilmiş bir kararı fiilen yerine getirilmiş gibi kaydedebilir.
• Belgelenmemiş bir gözlem, doğrulanmış bir teşhis olarak eğitim verisine girebilir.

Dolayısıyla "model görüntüyü tanıdı" demek yeterli değildir. Görüntünün nasıl bir olasılığa dönüştüğünü, o olasılığın kaynakla nasıl ilişkilendirildiğini, güvenli olmayan bir çıkarımın nasıl önlendiğini, kararı kimin aldığını ve sonucun nasıl belgelendiğini bilmemiz gerekir. İleri düzey okur için: Bu vaka, her biri ayrı ayrı değerlendirilmesi gereken birkaç farklı işlevi bir araya getiriyor: Görüntü kalitesi, belirtilerin yerini saptama, görsel deseni sınıflandırma, olağan dışı vakaları saptama, bağlam toplama, olasılıkları sıralama, kaynaklara erişme, uygunluklarını doğrulama, yanıtı formüle etme, güvenlik kurallarını uygulama, bir insana yönlendirme ve sonucu izleme. Bir işlevin başarısı, diğerlerinin başarısının kanıtı olarak kullanılmamalıdır. "Erken tanısal kapanma"dan da kaçınılmalıdır — yani ikna edici görünen ilk açıklamada durmaktan — ve bunun yerine onu destekleyen kanıtla onu çürütebilecek kanıt aranmalıdır. Yolculuk, görüntüde görünen deseni belirledikten sonra duruyorsa, karşımızda bir görüntü çözümleme aracı vardır. Buna bağlam ve olasılıkların sıralanması eklenirse, karşımızda bir ilk muhakeme asistanı vardır. Uygun kaynaklara, güvenlik kurallarına, bir insan inceleme yoluna, belgelemeye ve izlemeye bağlanırsa, karşımızda bir karar destek sistemi vardır. Bu düzeyler arasındaki fark, ille de arayüzün zarafetinde ya da yanıtın akıcılığında belirmez; sistemin sorduğu sorularda, açığa vurduğu varsayımlarda, incelemeye sunduğu kaynaklarda ve aşmasına izin vermediği sınırlarda belirir. Kapsayıcı ilke: Yaprak görüntüsü sorunun nerede başladığını açığa çıkarabilir; ama yanıtın nerede bittiğini tek başına ortaya koymaz. Sorumlu karar ise, sistemin gördüğünü; bağlam hakkında bildikleriyle, kaynaklardan ortaya koyabildikleriyle ve insan yargısına bırakılması gerekenlerle birleştiren karardır.

14. Bu Bölümden Okurun Aklında Ne Kalmalı?

Bu bölümden okurun aklında ne kalmalı? Okurun, tarımsal yapay zekâ üzerine berrak biçimde düşünebilmek için algoritmaların adlarını ezberlemesine ya da nasıl kurulduklarının ayrıntılarını bilmesine gerek yoktur. Önemli olan, dört şey arasındaki bağı görmektir: Yanıtlamak istediğimiz soru, elimizdeki veri, sistemin ürettiği sonuç ve bunun üzerine tarlada gerçekleşebilecek eylem. Bir yaprak görüntüsünü çözümleyen bir sistem, verimi öngören bir sistemle aynı görevi yerine getirmiyordur. Bir ürünün su ihtiyacını öngören bir sistem, pompanın ne zaman çalıştırılacağını seçen bir planlama aracıyla aynı görevi yerine getirmiyordur. Aynı biçimde bir uyarı yayımlamak, karar vermekle aynı şey değildir; karar vermek, bir eylemi yerine getirmekle aynı şey değildir; bir eylemi yerine getirmek de tek başına iyileşmiş bir tarımsal sonucu güvence altına almaz. Herhangi bir uygulama, cihaz ya da satış sunumuyla karşılaştığında okur, değerlendirmeyi dört soru grubu hâlinde düzenleyebilir. Birincisi — sistem hangi sorunu çözmeye çalışıyor? Teknolojinin adından değil, amaçtan başlayın:

• Sistem hangi belirli tarımsal soruna yöneliyor?
• Hedeflenen kullanıcı kim: çiftçi mi, yayım görevlisi mi, veteriner mi, işletme müdürü mü, yoksa araştırmacı mı?
• Şu anda olan biteni mi betimliyor, yoksa sonradan olabilecekleri mi öngörüyor?
• Olasılıklar mı sunuyor, bir karar mı öneriyor, yoksa bir makinede bir eylemi mi yürütüyor?
• Sonuç yüzünden hangi kararın değişmesi bekleniyor?
• Çıktı, müdahalenin hâlâ yararlı olabileceği bir zamanda mı ulaşıyor?

Bir şirket, sisteminin "bitki hastalıklarını saptadığını" söyleyebilir; ama bu betimleme birbirinden çok farklı görevleri gizliyor olabilir. Yalnızca yaprakta bir değişimin varlığını mı belirliyor? Görüntüyü sınırlı sayıda vakayla mı karşılaştırıyor? Olası nedenleri sıralıyor mu? Bir kaynak sunuyor mu? Bir tedavi öneriyor mu? Bu düzeylerin her biri farklı veri, risk ve sorumluluk içerir. Ayrıca sonucun kendisinin ne anlama geldiği de sorulmalıdır. Sistem 0,82 sayısını gösteriyorsa bu ne demektir? Bir olasılık mı? Bir benzerlik puanı mı? Etkilenen alanın oranı mı? Ve 4,7'lik bir verim öngörüyorsa birim nedir: hektar başına ton mu, feddan başına mı, yoksa çiftliğin tamamı için mi? Ve hangi zaman dilimine gönderme yapıyor? Birimi, zamanlaması ya da kararla ilişkisi bilinmeyen bir çıktı kesin görünebilir; ama sorumlu bir eylemi desteklemez. İkincisi — sistem neyi biliyor ve neyi bilemez? Her model, öğrendiği veriye ya da kendisine sağlanan kurallara ve kaynaklara dayanır. Bu yüzden şunlar sorulmalıdır:

• Hangi tür veri üzerine kuruldu?
• Bu veri nereden geldi?
• Kalitesini kim doğruladı?
• Kullanılacağı ürünleri, çeşitleri, mevsimleri ve çevreleri temsil ediyor mu?
• Erken, karma ve zor vakaları da içeriyor mu, yoksa yalnızca apaçık olanları mı?
• Sistemin göremediği ya da erişemediği bilgi nedir?
• Görüntü kötüyse, okuma eksikse ya da sensör arızalıysa ne olur?
• Fiilen ölçtüğü, kullanıcının girdiği ve kendisinin çıkarsadığı arasında ayrım yapıyor mu?

Bir bitki görüntüsü modeli, her biri uzmanca doğrulanmış bir referans sınıfa bağlı örneklerden öğrenebilir. Bir verim modeli, hasat sonrasında ölçülmüş referans değerlere bağlı kayıtlardan öğrenebilir. O referans sınıflar ya da ölçümler yanlışsa, hata öğrenme sürecinin bizzat içine girer. Eğitim verisiyle çiftlik ortamı arasındaki benzerlik de ikincil bir ayrıntı değildir. Laboratuvarda tek tek yaprakların görüntüleriyle eğitilmiş bir model, yaprakların üst üste bindiği ve ışığın değiştiği bir tarlada zorlanabilir. Düzenli sensör kapsamına sahip büyük çiftliklerde eğitilmiş bir sistem, aralıklı ölçümlere dayanan küçük bir işletmede performansını koruyamayabilir. Önemli soru yalnızca "Sistem ne gördü?" değil, aynı zamanda şudur: Karar ona bağlı olduğu hâlde neyi göremiyor? Bir görüntü köklerin durumunu her zaman ortaya koymaz, sulama ve gübreleme geçmişini tek başına açıklamaz ve hastalık yapıcı bir etkenin varlığını kanıtlamaz. Tek bir noktadaki nem okuması, zorunlu olarak bütün sektörü betimlemez. Dijital bir kayıt da kaydedilen işlemin fiilen yapılıp yapılmadığını her zaman göstermez. Üçüncü — sistemin gerçekten işe yaradığını nereden biliyoruz? Bir ürünün yüksek bir yüzde ya da başarılı bir deneme sergilemesi yetmez. Şu sorular sorulmalıdır:

• Sistem neyle karşılaştırıldı?
• Hâlihazırda kullanılan yöntemi mi geride bıraktı, yoksa yalnızca zayıf bir başlangıç düzeyini mi?
• Eğitiminin parçası olmayan çiftliklerde, mevsimlerde ya da cihazlarda sınandı mı?
• Bu görevde hangi tür hata daha ağırdır?
• O hata ne sıklıkla gerçekleşti?
• Sonuçlar önemli her durum için mi sunuldu, yoksa genel bir ortalamanın içine mi gizlendi?
• Yalnızca modelin başarılı olduğu mu gösterildi, yoksa sistemin tamamı mı sınandı?
• Karar ve tarımsal sonuç üzerinde bir etkiye dair kanıt var mı, yoksa yalnızca tahmin doğruluğuna dair mi?

Hâlihazırda kullanılan yöntem ya da yeni sistemi kendisiyle karşılaştırdığımız en basit gerçekçi kural, karşılaştırma için başlangıç düzeyi ya da "baz çizgi" diye adlandırılır. Bu başlangıç düzeyi bir uzman muayenesi, önceki mevsimlerin ortalaması, yerel olarak kalibre edilmiş bir sulama programı ya da hâlihazırda kullanılan daha eski bir sistem olabilir. Soru, modelin hiçbir şeyi geride bırakıp bırakmadığı değil, şudur: Zaten mevcut olan gerçekçi yöntemin ötesinde bir değer kattı mı ve bu değer, onu kullanmanın maliyetine değer mi? Test de gerçek kullanım koşullarına benzemelidir. Aynı bitkinin görüntüleri ya da birbirine çok benzeyen ardışık görüntüler hem eğitim verisine hem de test verisine giriyorsa, model fiilen teste benzer bir şeyi daha önce gördüğü için sonuç mükemmel görünebilir. Bu, veri sızıntısının bir biçimidir: Bilginin ya da yakından ilişkili örneklerin, test kümesinden ayrı kalmaları gerekirken o kümeye ulaşması. Ayrıca üç tür kanıtı birbirinden ayırmak gerekir:

1. Model performansının kanıtı:

Modelin belirli bir testte görüntüleri iyi sınıflandırdığını ya da değerleri iyi öngördüğünü gösterir.

2. Sistem performansının kanıtı:

Veri toplamanın, kalite denetimlerinin, çözümlemenin, sonucun sunulmasının, iletişimin ve uygulamanın gerçek dünya koşullarında birlikte işlediğini gösterir.

3. Tarımsal etkinin kanıtı:

Sistemin kullanılmasının daha iyi bir karara yol açtığını, zararı azalttığını, bir kaynağı koruduğunu ya da çiftlikteki bir sonucu iyileştirdiğini gösterir.

Ve ilk tür, diğer ikisini kendiliğinden ortaya koymaz. Tahmin doğru olabilir ama uyarı geç ulaşır. Ya da zamanında ulaşır ama kullanıcıda öneriyi yerine getirecek kaynak yoktur. Karar uygulanabilir de ama sistemin hesaba katmadığı bir etken yüzünden etkisi farklılaşır. Dördüncü — Sistem bilmediğinde ya da başarısız olduğunda ne olur? Sorumlu bir sistem, bütün durumlar tanıdıkmış, bütün veriler eksiksizmiş ve bütün cihazlar her zaman çalışıyormuş gibi davranmaz. Bu nedenle şunları sormalıyız:

• Durum belirsizken kanıtın yetersiz olduğunu açıkça belirtiyor mu?
• Kesin bir sayı yerine bir aralık ya da güven düzeyi sunuyor mu?
• Ek bilgi isteyebiliyor mu?
• Yeterli dayanağı yokken teşhis ya da öneri vermekten kaçınabiliyor mu?
• Sensör, bağlantı ya da elektrik kesilirse ne yapıyor?
• Güvenli bir kipe mi geçiyor, yoksa eski veriye dayanarak sürdürüyor mu?
• Çözümlenmemiş vakaları kim gözden geçiriyor?
• Uygulamayı durdurma ya da geçersiz kılma yetkisi kimde?
• Ekip, satın alma ya da devreye alma sonrasında performansın bozulduğunu nasıl saptıyor?
• Güncellemeleri ve yeni sürümleri kim onaylıyor?

Belirsizlik, kanıtın bütün sonuçları eşit güçle desteklememesi demektir. Görüntü net ve modelin öğrendiklerine benzer olabilir ya da eksik olup daha önce görmediği bir durumu tasvir ediyor olabilir. Sensörler birbiriyle uyuşabilir ya da okumaları çelişebilir. Çekimser kalmaya gelince, bu, kanıt elvermediğinde sistemin kendini bir hüküm vermeye zorlamaması demektir. Şöyle diyebilir: "Mevcut veriler, durumu güvenli biçimde belirlemeye yetmiyor. Ek bir görüntü gönderin, sensörü denetleyin ya da vakayı bir uzmana yönlendirin." Doğru yerde kullanıldığında bu bir zayıflık işareti değildir. Sınırlarını belirten ve bir sonraki adımı gösteren bir yanıt, yeterli kanıtla desteklenmeyen kesin bir yanıttan daha yararlı olabilir. Bununla birlikte çekimserlik de denge gerektirir. Çoğu durumda çekimser kalan bir sistemin faydası az olabilir; hiç çekimser kalmayan bir sistem ise tehlikeli olabilir. Gereken şey, hangi durumlarda yanıt vermesi, hangi durumlarda ek bilgi istemesi ve hangi durumlarda yetkinin nitelikli bir insana geçmesi gerektiğini belirlemektir. Veri ya da bağlantı çöktüğünde, teknik kılavuzun sistemin "çevrimdışı çalışmayı desteklediğini" söylemesi yetmez. Fiilen neyin kullanılabilir kaldığını, verilerin en son ne zaman güncellendiğini, kullanıcının canlı bir okumayla eski bir okumayı ayırt edip edemediğini ve güvenli bir elle çalışma kipine nasıl dönüleceğini bilmemiz gerekir. Bu sorular yeniliğin karşısında değildir Yukarıdaki sorular çok görünebilir, ama teknolojiyi engellemeyi ya da reddetmeyi amaçlamaz. Yeniliği, heyecan verici bir gösteriden; güvenilebilen, kullanılabilen ve gözden geçirilebilen bir araca taşımaya yardım ederler. Olgun bir teknoloji şunları açıklayabilir:

• Yerine getirdiği görevi.
• Dayandığı veriyi.
• Sınandığı koşulları.
• Yaptığı hata türlerini.
• Ürettiği sonucun sınırlarını.
• Veri eksik olduğunda ya da ekipman arızalandığında ne olacağını.
• Nihai kararın kimde olduğunu.
• Kullanım başladıktan sonra performansın nasıl izlendiğini.

Ne var ki bu soruları ünlü bir modelin adının, genel bir yüzdenin ya da göz alıcı bir arayüzün arkasına gizleyen bir teknoloji, sunumu ne kadar akıcı olursa olsun hâlâ olgunluğa muhtaçtır. Güven, soruların yokluğundan değil; sistemin ve ondan sorumlu tarafın bu soruları açık kanıtlarla yanıtlayabilme kabiliyetinden doğar.

Bölüm Özeti

Bütün tarımsal sorunlar için en iyi olan tek bir yöntem yoktur; yapay zekâ yöntemleri de zorunlu olarak en büyük ya da en yeni modelle biten bir merdivende ilerlemez. Her yöntemin iyi başa çıktığı bir soru türü, ihtiyaç duyduğu bir veri türü ve anlaşılması gereken sınırları vardır. Bölümün sunduğu şeyler, yöntemin yerine getirdiği işleve göre düzenlenebilir. Sonuçları bilinen örneklerden öğrenen yöntemler Gözetimli öğrenmede model, girdi ile ona bağlı referans sonuç arasındaki ilişkiyi öğrenir. Girdiler yaprak görüntüleri, referans sonuçlar ise bir uzmanın doğruladığı durumlar olabilir. Ya da girdiler hava durumu, toprak ve işletme verileri; referans sonuçlar ise hasattan sonra ölçülmüş verim değerleri olabilir. Bu yöntemin gücü, yeni bir sonucu öngörmek için önceki örnekleri kullanmasıdır. Temel sınırlılığı ise, o örneklerin kurulma biçiminden — hataları, yanlılıkları ve temsil darlığı dâhil — öğrenmesidir. Yarı gözetimli öğrenmeye gelince, bir uzmanın gözden geçirdiği sınırlı sayıda örnekten ve yanı sıra sonuçları henüz belirlenmemiş daha çok sayıda görüntü ya da kayıttan yararlanır. Bu, gözden geçirme yükünü azaltabilir; ama zayıf belgelenmiş örnekleri ya da aralarındaki sınırlı çeşitliliği telafi etmez. Her örnek için hazır bir yanıt olmadan örüntü arayan yöntemler Gözetimsiz öğrenmede sistem, verinin içindeki benzerlikleri ve farklılıkları arar. Tarlayı benzer nem ya da verim taşıyan bölgelere ayırabilir ya da alışılmış örüntüden sapan kayıtları saptayabilir. Bununla birlikte sistemin keşfettiği bir küme, kendi başına tarımsal bir teşhis değildir. İki bölge, farklı nedenlerle hesaplama açısından benzer olabilir. Algoritmanın rolü, incelenmeye değer bir örüntüyü ortaya çıkarmaktır; nedeni yorumlamak ise tarla bağlamı, muayene ve uzmanlık gerektirir. Anomali saptama birçok uygulamada bu alana girer. Sistem, kaymaya başlamış bir sensöre, etkinliği değişmiş bir hayvana ya da alışılmış aralığın dışına çıkmış bir su tüketimine dikkat çekebilir. Ama bir hastalığın ya da arızanın gerçekleştiğini kendiliğinden ortaya koymaz. Görüntüleri ve zaman içindeki değişimi çözümleyen yöntemler Bilgisayarlı görü, bir durumu sınıflandırmak, bir nesnenin konumunu belirlemek, etkilenmiş bir alanın sınırlarını çizmek ya da bir nesneyi ardışık kareler boyunca izlemek için görüntü veya video kullanır. Ne var ki bir lekeyi görmek onun nedenini bilmek anlamına gelmez; bir yabancı otun yerini saptamak da makinenin onu güvenli biçimde sökebileceği anlamına gelmez. Bir görü çıktısı, eksiksiz bir karar olmaktan çok, sonraki bir çıkarım ya da denetim aşamasına girdi olabilir. Zaman içindeki değişimi çözümleyen yöntemlere gelince, bunlar okuma dizilerini inceler: Nem nasıl değişti? Hayvanın etkinliği yükseliyor mu, düşüyor mu? Verimde ya da su talebinde beklenen eğilim nedir? Bu yöntemler; mevsimselliğe, değişen koşullara, ölçümdeki boşluklara ve geçmişteki bir örüntünün her zaman süreceğini varsaymama gereğine dikkat etmeyi gerektirir. Olasılığı temsil eden ve tahmini müdahalenin etkisinden ayıran yöntemler Olasılıksal modeller, belirsizliği gizlemek yerine dile getirmeye yardımcı olur. Olası birkaç açıklamayı sıralayabilir, beklenen verim için bir aralık sunabilir ya da yeni bilgi geldiğinde olasılıklarını güncelleyebilir. Bununla birlikte olasılık, salt bir yüzde olarak göründüğü için yararlı değildir; güven puanlarının güvenilirliği sınanmalı ve durumun, sistemin sınandığı ortamlara benzeyip benzemediği gösterilmelidir. Nedensel çıkarıma gelince, o, tahminden daha zor bir soruyu ele alır. Tahmin "Ne olması bekleniyor?" diye sorar; nedensel soru ise "Müdahale edersek neyin değişmesi bekleniyor?" diye sorar. Bir model, toprak ve işletme verilerinden verimi öngörmekte başarılı olabilir; ama bu, girdilerden birini artırmanın verimi yükselteceğini ortaya koymaz. Bir ilişkiyi gözlemekten bir müdahale önermeye geçmek; daha güçlü kanıt, uygun tasarım, tarımsal bilgi ve çevresel ile düzenleyici sınırlar gerektirir. Seçenekleri karşılaştıran ya da ardışık eylemlerle uğraşan yöntemler Matematiksel planlama ve eniyileme, kaynakların dağıtılmasına ve açık kısıtlar içinde planlar arasındaki ödünleşimlerin tartılmasına yardımcı olur. Gelişme evresini, pompa kapasitesini, enerjiyi ve işletme sürelerini hesaba katarak sınırlı bir su miktarını birden fazla sektöre dağıtabilirler. Öte yandan ortaya çıkan plan, tasarımcının belirlediği amacı ve kısıtları yansıtır. Amaç, bitki sağlığını ya da sektörler arasındaki hakkaniyeti ihmal ediyorsa, araç hesaplama açısından başarılı ama tarımsal açıdan kabul edilemez bir plan üretebilir. Pekiştirmeli öğrenmeye gelince, o, ortamın durumunu değiştiren bir eylem dizisiyle uğraşır. Sistem bir eylem seçebilir, sonucu gözleyebilir ve ardından uzun vadeli bir amacı iyileştirmek için seçimlerini ayarlayabilir. Ne var ki bu tür öğrenme, eylemlerin sonuçlarını keşfetmeyi gerektirir; sistem de tehlikeli eylemlerin güvensiz olduğunu öğrenmek için onları tarlada denememelidir. Bu nedenle benzetim, kademeli test, açık güvenlik kısıtları ve onu durduracak insan yetkisi gerekir. Bilgiyle diyaloğun kapısını aralayan yöntemler Dil modelleri metinleri özetleyebilir, çevirebilir, bilgi çıkarabilir ve doğal dilde bir yanıt kurabilir. Bilgiye erişimi kolaylaştırırlar; çünkü çiftçi karmaşık menülerde gezinmek yerine kendi dilinde soru sorabilir. Ne var ki bir yanıtın akıcılığı doğruluğunu kanıtlamaz. Bir model, yeterli dayanağı olmadan ikna edici bir ifade üretebilir. Bu nedenle, yanıtı kurmadan önce yetkin kaynaklarda arama yapan ve ilgili pasajları getiren bir işlem hattına bağlanabilir. Getirim, yanıtın doğruluğunu kendiliğinden güvence altına almaz; sistem, doğru olmakla birlikte ürüne, ülkeye ya da tarihe uygun olmayan bir kaynak bulabilir. Yanıt; kaynakta yer alan şeyi, sistemin çıkarsadığı şeyi ve bir uzmanın hükmünü gerektiren şeyi birbirinden ayırmalıdır. Sonucu incelememize yardım eden araçlar Açıklanabilir yapay zekâ araçları, modelin sonucunu neyin etkilediğini göstermeye çalışır: görüntünün parçalarını, tahminle ilişkili okumaları, benzer örnekleri ya da model çıktısını değiştirebilecek bir değişimi. Bu araçlar, geliştiricinin bir hatayı keşfetmesine ya da uzmanın bir sonucu gözden geçirmesine yardımcı olabilir. Ama bunlar, modelin neyi kullandığını açıklar; tarladaki olguya neyin yol açtığını zorunlu olarak ortaya koymazlar. İkna edici bir açıklama, yanlış bir sonucu doğruya çevirmez; zayıf veriyi ya da dış testin yokluğunu da telafi etmez. Yöntem, daha büyük bir zincirin parçasıdır Bu yöntemlerin hiçbiri boşlukta işlemez. Tarımsal sistem genellikle gerçeklikle başlayıp yine onun üzerinde yeni bir etkiyle biten bir zincirden geçer: Tarla gerçekliği → ölçüm ya da görüntü ya da kayıt → veri kalitesi denetimi → kestirim ya da tahmin → kurallar ve bağlam → karar → uygulama → tarımsal etki → takip Zincir herhangi bir halkada kopabilir:

• Sensör yanlış bir okuma ya da beklenmedik bir birimde okuma üretebilir.
• Bir görüntü, yanlış bir referans sonuca bağlanmış olabilir.
• Aynı bitkinin görüntüleri hem eğitime hem teste girerek sonucun, gerçek genelleme kabiliyetinden daha iyi görünmesine yol açabilir.
• Model, içinde çalışacağı çiftliğe benzemeyen bir ortamdan öğrenmiş olabilir.
• Tahmin doğru olabilir ama karar kuralı onun anlamını yanlış çevirebilir.
• Tarımsal ya da çevresel bir kısıtı gözden kaçıran hesaplamalı bir amaç seçilebilir.
• Sistem, ürünle ya da bölgeyle ilgisi olmayan bir kaynak getirebilir.
• Dil yanıtı, dayandığı kanıttan daha güvenilir görünebilir.
• Uyarı, müdahale penceresi kapandıktan sonra ulaşabilir.
• Doğru komut verilmiş olabilir ama ekipman onu yerine getiremeyebilir.
• Kullanıcının, öneriyi uygulamak için gereken kaynakları ya da yetkisi bulunmayabilir.
• Gerçeklik zamanla değişirken sistem, koşullar değişmemiş gibi sürdürebilir.

Bu bakımdan iki algoritmayı karşılaştırmak her zaman yeterli olmaz. Aralarındaki fark küçük olabilirken; sensör kalitesinin, arayüz açıklığının, uygulama güvenliğinin ya da ekibin yanıt verme kapasitesinin etkileri çok daha büyük olabilir. Teknolojiyi kararla bağlayan sözleşme Bölümün mesajı şu ifadeyle özetlenebilir: Teknik yöntem; soruyu, veriyi, çıktıyı, eylemi ve sorumluluğu birbirine bağlayan açık bir sözleşmenin parçasıdır. Kastedilen hukuki bir sözleşme değil, koşulları açık olması gereken düşünsel ve pratik bir mutabakattır:

1. Soru: Hangi belirli sorunu çözmeye çalışıyoruz?
2. Veri: Onu yanıtlamamızı hangi kanıt sağlıyor ve bu kanıtın kalite ve temsil sınırları neler?
3. Çıktı: Sistem ne üretecek, hangi birimlerle ve hangi güven düzeyiyle?
4. Hata: Nasıl başarısız olabilir ve hangi hata en zararlı olur?
5. Eylem: Bu çıktıya dayanarak hangi karar ya da eylem verilebilir?
6. Sorumluluk: Kim gözden geçirir, kim onaylar, kim uygular, kim durdurur ve etkiyi kim izler?

Algoritma bu noktalar anlaşılmadan seçilirse, bir sorun arayan teknik bir ada dönüşür. Ama tasarım; gereken karardan, mevcut veriden, hatanın sonuçlarından, gerçekçi karşılaştırma temelinden ve işletme kısıtlarından başlıyorsa, o zaman algoritma; insanların yönettiği, gözden geçirdiği ve hesabını sorduğu daha büyük bir sistemin içinde hassas bir araca dönüşebilir. Tarımsal yapay zekâyı gerçekten anlamak, model adlarını ezberlediğimizde değil; şunları sorabildiğimizde başlar:

• Sistem fiilen ne gördü?
• Ne çıkarsadı?
• Neyi bilemedi?
• Sonucu hangi kanıt destekliyor?
• Hangi eyleme yol açacak?
• O eylemin sorumluluğunu kim taşıyor?
• Sonuç yanlışsa ne olur?

Görev açık, veri uygun ve sınırlar aleni olduğunda yapay zekânın hızından yararlanırız. Sonuç, kanıtın ortaya koyabileceğinin ötesine geçtiğinde ise bir ölçüm, bir kaynak ya da bir uzman aramak için dururuz. Sentez: Yalnızca "Bu sistem akıllı mı?" diye sormayın. Bunun yerine şunu sorun: "Ne biliyor, bunu nasıl bildi, neyi bilmiyor ve ona güvenirsek tarlada ne olacak?" Kanıt ve güvenmenin sınırları üzerine notlar [SRC001] ve [SRC002] incelemeleri, yapay zekâ ve bilgisayarlı görü uygulamalarının tarım ve gıda alanlarındaki genişliğine dair genel anlatımı destekler; her uygulamanın bütün ürünlere ve ortamlara uygun olduğunu ima etmeksizin. [SRC035], dijital tarımsal sistemi algılamayı, veriyi, bağlamı, kararı ve eylemi içeren birbirine bağlı bir zincir olarak görmeyi destekler; bu da sistemi yalnızca model çıktısına dayanmak yerine bir bütün olarak değerlendirmeyi gerekçelendirir. [SRC006], verim tahmininin ve yorumlanabilirlik araçlarının belirli bir araştırma ortamı içinde kullanımının sınırlı bir örneği olarak kullanılmıştır. Etkenlerin sıralaması ya da o ortamdan elde edilen bulgular, genel nedensel ilişkilere ya da her tarla için geçerli olgulara dönüştürülmemelidir. [SRC009], yabancı ot saptama teknolojisinin atfını düzeltmek için kullanılmıştır: Soya fasulyesi tarlalarından alınan görüntülerin evrişimli görü yöntemleriyle çözümlenmesine ilişkindir ve pekiştirmeli öğrenmeye dayalı robotik bir sökme sisteminin varlığını ortaya koymaz. Bu düzeltme, bir nesneyi görüntüde görmek ile onunla etkileşen bir makineyi denetlemek arasındaki ayrımı yapmaya yardımcı olur. Risklerin, denetimin ve sistemin yaşam döngüsü boyunca sürekli gözden geçirmenin sunumunda [SRC033]'te anılan çerçeve yol göstermiştir. Bütünleşik öğretim vakasına, görevi yöntemle ilişkilendirme kılavuzuna, pratik sorulara ve bölümde sunulan tarla örneklerine gelince, bunlar; ölçüm, çözümleme, karar ve uygulama arasındaki ayrımları netleştirmeyi amaçlayan öğretici bir editoryal sentezdir. Bu örnekler; yeni bir deneyin sonuçlarını, herhangi bir sistemin performansının kanıtını, tarımsal bir teşhisi ya da bir ürünün tedavisine ilişkin bir reçeteyi temsil etmez.