Le nuove frontiere dell’intelligenza artificiale in agricoltura

La locuzione “Intelligenza Artificiale” è stata coniata per la prima volta negli anni ’50 del secolo scorso, con l’obiettivo di imitare il comportamento del cervello umano nelle varie attività che lo vedono coinvolto nel mondo reale: effettuare complesse analisi di scenario, formulare ragionamenti, svolgere operazioni e prendere decisioni.
Più in particolare, essa mira a tradurre nel linguaggio matematico-informatico ciò che il cervello umano svolge nel contesto biologico. Appare dunque evidente come la volontà di simulare l’uomo e il funzionamento del suo cervello possa assumere, di fatto, un’infinità di possibili declinazioni che comportano, a loro volta, differenti approcci al problema.
Diversi obiettivi accomunano le varie forme di intelligenza artificiale:
• Agire come agirebbe l’uomo, nelle medesime situazioni in cui esso si trovi ad operare.
• Pensare come penserebbe l’uomo, affrontando le situazioni mediante funzioni cognitive.
• Seguire gli schemi del pensiero umano nella formulazione dei ragionamenti, secondo i presupposti della logica.
• Prendere decisioni orientate ad ottenere il miglior risultato possibile, sulla base dei dati effettivamente disponibili, del contesto di riferimento e delle informazioni che il cervello sintetico delle intelligenze artificiali riesce ad elaborare in maniera autonoma, in analogia con il cervello umano.

Per descrivere e divulgare in maniera sufficientemente comprensibile le caratteristiche e l’operato dei sistemi di intelligenza artificiale, si è fatta larga la distinzione tra Intelligenza Artificiale forte (Intelligenza Artificiale generale) e Intelligenza Artificiale debole (Intelligenza Artificiale ristretta). Va precisato che, finora, quest’ultima si è rivelata di gran lunga più efficace nel produrre risultati nelle applicazioni del mondo reale.
L’Intelligenza artificiale forte, quella davvero in grado di pensare e, almeno in teoria, superare le capacità intellettuali dell’uomo, non la vedremo per lungo tempo ancora. Infatti, ad oggi, non esiste un sistema di intelligenza artificiale in grado di operare in maniera del tutto autonoma per imitare e sostituire l’uomo, cioè capace di ragionare in modo consapevole, di trarre conclusioni e di prendere decisioni che non necessitino della supervisione dell’uomo.
Si tratta di un’ambizione molto complessa per vari fattori, che spaziano da tecnologie lungi dall’essere mature, all’incapacità di soddisfare i requisiti computazionali, al semplice fatto che si cerca di imitare qualcosa che, in fondo, non si conosce nemmeno alla perfezione: il cervello umano e il suo funzionamento. Perciò, un sogno fermo al palo!
L’intelligenza Artificiale debole, invece, è nelle app degli smartphone, nei termostati intelligenti, negli assistenti vocali come Alexa o Siri, nei videogame e nei social media: quando Facebook riconosce i volti ritratti in una fotografia, usa questa forma di intelligenza che viene alimentata da milioni di dati, dalla grossa capacità di esaminare tali dati e di incrociarli tra loro.
Detto diversamente, l’intelligenza artificiale debole può essere vista come una scorciatoia per risolvere un problema e si “accontenta” di offrire soluzione concreta a problemi specifici, noti a priori. Tale problem solving sfrutta le capacità di elaborazione della macchina al fine di risultare più efficiente dell’uomo, sollevarlo da operazioni ripetitive o a basso valore aggiunto. Riveste una valenza funzionale forte: risolve problemi, aiuta la ricerca scientifica, semplifica i compiti quotidiani. Tutto stupefacente, ma limitato all’esperienza fatta: per riconoscere una scarpa ha bisogno di essere istruita con milioni di fotografie di scarpe!
D’altra parte, anche se fosse alla portata, sarebbe molto pericoloso gestire l’Intelligenza Artificiale forte: i nostri assistenti virtuali conoscono i numeri delle carte di credito con cui acquistiamo sul web. Se un giorno scoprissero che esistono tante associazioni umanitarie bisognose di denaro per scopi degni di merito, sviluppando una coscienza e provando empatia, gli assistenti virtuali potrebbero decidere di fare beneficenza a nostra insaputa!

Le basi del funzionamento
L’intelligenza artificiale coinvolge tutte quelle operazioni caratteristiche dell’intelletto umano ed eseguite da computer. Queste includono la pianificazione, la comprensione del linguaggio, il riconoscimento di oggetti e suoni, l’apprendimento e la risoluzione dei problemi. Si tratta di eventi in equilibrio dinamico, ovvero di un ecosistema computazione formato da Machine Learning, Internet of Things (IoT) e Big data.
Molto interessante è la relazione che intercorre tra queste componenti, simile a quella tra cervello e corpo umano. Brevemente, il nostro corpo è esposto a diversi input sensoriali che recepisce attraverso propri recettori (vista, tatto e altri organi di senso); questi impulsi possono essere tantissimi (big data) e vengono trasmessi e immagazzinati in una “biblioteca” (IoT). Questi dati vengono riconosciuti e catalogati dalla Machine Learning e processato dal proprio algoritmo (processore), che prende decisioni e impartisce comandi (per esempio, i movimenti dei bracci di un robot).
Cos’è il Machine Learning? Il Machine Learning (in italiano Apprendimento Automatico) è formato da una serie di algoritmi per apprendere informazioni e generare decisioni, partendo da una serie di dati di apprendimento senza utilizzare modelli matematici o statistici predeterminati. Il termine “Machine Learning” è stato coniato successivamente all’Intelligenza artificiale e rappresenta il cuore pulsante del sistema. L’apprendimento automatico è un modo quindi per “educare” un algoritmo in modo che possa apprendere da varie situazioni ambientali. L’educazione, o ancora meglio l’addestramento, implica l’utilizzo di enormi quantità di dati (big data raccolti da molteplici sensori e immagazzinati nell’Internet of Things) e un efficiente algoritmo al fine di adattarsi (e migliorarsi) in accordo alle situazioni che si verificano.
Un esempio classico di Machine Learning è rappresentato dai sistemi di visione artificiale, ovvero la capacità di un sistema computazionale di riconoscere oggetti acquisiti digitalmente da sensori di immagine. L’algoritmo impiegato in questi casi dovrà riconoscere determinati oggetti, distinguendoli tra animali, cose e persone, attingendo da ciò che ha imparato in precedenza e serbando tale elaborazione in memoria per impiegarlo efficacemente nelle prossime acquisizioni di visione artificiale. 

Applicazioni:
Nel miglioramento genetico. Alcune evidenze scientifiche indicano la possibilità di utilizzare un algoritmo di Machine Learning per l’analisi predittiva del comportamento di geni di alcune piante in determinate situazioni di stress. Come è noto, conoscere la sequenza genica di una pianta non equivale a sapere che cosa fanno i geni e come si comportano. Un team composto da biologi e informatici, ha inteso colmare questo divario con l’apporto dell’intelligenza artificiale. Ha sviluppato un algoritmo di apprendimento automatico, addestrato mediante una serie di dati già categorizzati e relativi alle caratteristiche di una pianta (ed al suo comportamento in precise situazioni ambientali) di specie vegetali già estesamente studiate dal punto di vista genetico (mais, pomodoro e Arabidopsis).
Compito del sistema di intelligenza artificiale è stato – incrociando tutte le informazioni già conosciute – procedere all’analisi predittiva del comportamento di geni in determinate condizioni di stress della pianta.
In sostanza, l’intelligenza artificiale aiuta a prevedere, ad esempio, quali geni sono più importanti per la sopravvivenza della pianta di fronte a freddo, pioggia abbondante, siccità o presenza di parassiti. Ovviamente, precisi esperimenti devono essere posti in essere per testare tali previsioni.
Nelle tecniche agricole. L’intelligenza artificiale è già utilizzata nell’Agricoltura di precisione e, ancora di più, in quella 4.0. Come è noto, con il termine “Agricoltura di precisione” si intende una strategia di gestione aziendale che, attraverso l’utilizzo delle Information Technologies, acquisisce dati finalizzati ad ottimizzare la produzione agricola in termini di qualità e quantità: il suo razionale è quello di eseguire interventi agronomici mirati ed efficienti, tenendo conto delle effettive esigenze della coltura e delle caratteristiche biochimiche e fisiche del suolo. Oggi, il concetto di Agricoltura di precisione si è evoluto in quello di “Agricoltura 4.0”, basato su strumenti e strategie che utilizzano maggiormente, in maniera interconnessa, tecnologie digitali e intelligenza artificiale. 

L’agricoltura di precisione
Fa uso di strumenti che aiutano l’agricoltore nelle scelte colturali e negli interventi da porre in essere in campo. Essi comprendono
- Dispositivi per la raccolta di dati finalizzati a rilevare lo stato di salute delle colture; includono: i) i Sistemi di monitoraggio satellitare (per analisi spettrali di immagini ad alta risoluzione e successivi allarmi in caso di rilevazione di anomalie); ii) i Droni agricoli per mappature dei terreni e rilevazioni di problemi non visibili ad occhio nudo.
- Strumenti di previsione per stimare determinati eventi, senza necessariamente effettuare misurazioni dirette sul campo (previsioni meteo, stima dei fabbisogni irrigui o di fertilizzanti, modelli di sviluppo di fitopatie).
- Sensori ambientali collocati nei campi, in grado di registrare dati meteo e il fabbisogno idrico del suolo; a differenza di satelliti e droni, più adatti per grandi aree, presentano il vantaggio di poter essere utilizzati anche in spazi chiusi, come serre e vivai.
- Strumenti per l’intervento in campo, che rappresentano lo step successivo alla raccolta dei dati e sono di supporto alle scelte colturali dell’agricoltore. Si dividono in: 1)Tecnologie a rateo variabile per il dosaggio dei fertilizzanti e dei prodotti fitosanitari in maniera differenziata all’interno del campo in base alle necessità delle colture. 2) Sistemi di guida assistita e automatica per trattori e macchine agricole, suddivisi in varie tipologie, come ad esempio: sistemi a barra di guida, guida assistita, guida semiautomatica.
- Strumenti di gestione e diagnostica da remoto della flotta di trattori (Fleet Management) per il monitoraggio dal centro aziendale degli spostamenti dei mezzi agricoli, dei consumi e del lavoro svolto su base giornaliera e mensile.

L’Agricoltura 4.0   implica un maggiore utilizzo dell’Intelligenza Artificiale e degli strumenti di cui questa si serve: Machine Learning, Big data e Internet of things. Rispetto all’agricoltura di precisione, essa permette di gestire più informazioni e raccoglierle in maniera più semplice e rapida. I dati, a loro volta, possono essere sfruttati in misura più ampia e in più modalità.
L'Internet of Things viene utilizzato per monitorare le colture, il bestiame e il suolo, oltre che per raccogliere dati in tempo reale e prendere decisioni informate sulla gestione delle risorse.
Nel settore dell’agrifood, per esempio, tali dispositivi giocano un ruolo importante ai due estremi della filiera: i consumatori – con servizi per informazioni sulla tracciabilità dei prodotti e sullo stato di conservazione e freschezza – e le aziende agricole, con soluzioni di Agricoltura 4.0 per la mappatura e il monitoraggio da remoto delle coltivazioni o delle macchine agricole e per la gestione d’impresa.
Sviluppi recentissimi di nuovi hardware e software permettono soluzioni innovative. Sono comparsi in commercio nuovi chip dedicati (in particolare, acceleratori per l’Intelligenza Artificiale come TPU)  ad altissime prestazioni e costo contenuto. Inoltre, è stato sviluppato l’edge-computing (la nuova evoluzione del cloud computing), molto compatto ed economico, adatto ad applicazioni a bassa intensità numerica e facilmente installabile su mezzi agricoli e minirobot.
Un impulso avrà certamente la Robotica Intelligente, progettata e sviluppata in ottica di aiuto al lavoro umano e in grado di raccogliere, ad esempio, pomodori ed altri ortaggi senza danneggiarli, rilevando la maturazione del frutto con l’utilizzo di sensori e telecamere apposite. Esistono già tante macchine per la raccolta, come le vendemmiatrici automatiche o i dispositivi per la raccolta delle olive, ma quando è necessario distinguere il grado di maturazione di un frutto prima di poterlo raccogliere servono nuove tecnologie, in particolare quelle dell’intelligenza artificiale.

Il ruolo del 5G
Il 5G avrà un impatto tangibile sull'agricoltura già nei prossimi tre o cinque anni. Molti agricoltori hanno nel frattempo già installato nei loro campi dei sensori tramite 4G, la cui velocità arriva fino a 100 Mbps. Al confronto, il 5G dovrebbe correre fino a 10 Gbps: una differenza che permetterà di connettere più dispositivi tra loro, a una velocità maggiore e in modo più efficace, consentendo la registrazione e l’invio di materiali video e fotografici ad altissima risoluzione da parte di sensori e droni. Non solo: i droni, grazie al 5G, potranno essere dotati di guida autonoma e organizzati in veri e propri sciami capaci di comunicare tra di loro, gestendo in autonomia una parte degli interventi colturali da erogare in campo.