Where the Magic Happens: Het combineren van gegevens en plantkunde

Omdat deze praktijk vrij nieuw is, merk ik dat er veel misvattingen en aannames zijn over het combineren van plant science met data science en de introductie van nieuwe technologieën in de kas. Hieronder deel ik een aantal van de belangrijkste misvattingen (en de waarheden) die ik vaak tegenkom.

1. Misvatting: "Mijn buikgevoel is accuraat. Ik hoef geen nieuwe technologieën te gebruiken en datawetenschap toe te passen in mijn bedrijf"
   
   Waarheid: Er is geen twijfel dat gegevens en AI zeer nuttig kunnen zijn voor een bedrijf: slimme algoritmen kunnen correlaties effectief identificeren en datatechnologie heeft de mogelijkheid om historische gegevens vast te leggen. Je hebt echter een goede combinatie nodig van plant science en data science. Dit betekent dat er rekening moet worden gehouden met de expertise van de telers (groene kennis of de groene vingers). De voorspellingen, suggesties en aanbevelingen zijn slechts gegevensgestuurde ondersteuning. Ik gebruik graag de metafoor van een piloot die een vliegtuig bestuurt. Veel van het werk van een piloot wordt tegenwoordig gedaan door een computer. De piloot is echter nog steeds essentieel voor het nemen van de werkelijke beslissingen en het nemen van weloverwogen beslissingen. Zelfs de meest succesvolle telers kunnen van tijd tot tijd gebruik maken van datagestuurde inzichten, gegevens en voorspellingen. We zien steeds vaker dat telers data science toepassen om de teeltstrategie te verbeteren.
   
   
2. Misvatting: "Generieke modellen voor planten en data science zijn geldig voor alle telers."
   
   Waarheid: Elke teler is anders en er moet rekening worden gehouden met hun specifieke informatie en kweekomstandigheden. Elke kaslocatie, type kas (verlicht of onverlicht) en groeimedia type, etc. is uniek. Deze verscheidenheid heeft een directe invloed op de groei en opbrengst. Gepersonaliseerde gegevensmodellering en werken met het juiste programma is essentieel.  naar ons eigen dataplatform, e-Gro, dat je kan helpen om je gegevens in real-time te analyseren en te personaliseren.
   
   
3. Misvatting: "Zodra ik aan de slag ga met data science en AI, zal ik meteen resultaten zien."
   
   Waarheid: Er wordt aangenomen dat je een oplossing krijgt zodra de gegevens in het model zijn ingevoerd. Zoals je je kunt voorstellen, is het niet zo eenvoudig. Hoewel je beschrijvende analyses onmiddellijk kunt uitvoeren, nemen voorspellende analyses (gegevens gebruiken om voorspellingen te doen) en prescriptieve analyses (gegevens gebruiken om betere beslissingen te nemen) meer tijd in beslag. Je moet meestal gegevens verzamelen voor ten minste één groeiseizoen en er is veel kennis, ervaring en vaardigheden op het gebied van data science voor nodig. De gegevens vereisen veel voorbereiding, verwerking, selectie van bestaande kenmerken en toevoeging van nieuwe kenmerken (feature engineering). Het zijn niet de ruwe gegevens, maar de verfijnde inzichten die van grote waarde zijn. Dit is ook waar big data om de hoek komt kijken en hoe belangrijk het is om met de juiste mensen te werken. Meer hierover in mijn volgende artikel over tips voor succes.

4. Misvatting: "Data science modellen en generieke data science modellen zullen direct werken op planten."
   
   Feit: Het "echte" gedrag van planten kan aanzienlijk verschillen van de theoretische plantfysiologische modellen, omdat er veel externe en onverwachte factoren betrokken zijn bij het kweken, zoals extreme klimaatomstandigheden, prijsschommelingen, plagen en ziekten, arbeidskwesties, enz. Wat geldig is in een labomgeving zal niet direct werken in het echte leven (one size does not fit all). Dit geldt ook andersom. Je kunt er niet van uitgaan dat bekende generieke data science modellen en recepten direct zullen werken op planten. Deze voorspellende modellen moeten worden aangepast aan de kennis van planten en tuinbouwspecifieke praktijken.
   
   
5. Misvatting: "Het inhuren van een datawetenschapper en een ontwikkelaar is voldoende."
   
   Waarheid: Zoals gezegd is het erg belangrijk om met de juiste mensen te werken, of dit nu uitbesteed of in-house is. Een team om een waardevol data science product te ontwikkelen moet bestaan uit geschikte data scientists, ontwikkelaars, domeinexperts (meerdere), productmanagers en user experience designers, om er zeker van te zijn dat je goede algoritmes kunt ontwikkelen. Ik stel voor om een gevestigd platform te zoeken dat je een uitgebreid team levert om mee samen te werken. Daarnaast zijn er veel goede gegevens uit de kas nodig om impactvolle algoritmen te bouwen. Lees mijn volgende artikel over hoe je het beste uit je kasgegevens kunt halen.

Weet je niet zeker waar je moet beginnen? Mijn advies zou zijn om eerst de basisbeginselen van datawetenschap te leren en de juiste mensen te raadplegen. Dit vereist het lezen van relevante boeken en artikelen, wat hands-on gegevensverwerking en ook vallen en opstaan. Ik zou aanraden om zoveel mogelijk data science, machine learning, AI, plant science en tuinbouw gerelateerde groepen te volgen. Grodan is ook een geweldige bron voor informatie en inspiratie. Benieuwd naar meer? Lees meer praktische tips in mijn volgende blog.

Verder lezen

• E-Gro: Het softwareplatform van Grodan, dat realtime inzichten en slimme aanbevelingen biedt op basis van wortelgebied, klimaat, gewas en oogstgegevens. 
• IoT in de landbouw: Een bonus voor al uw landbouwactiviteiten