Recent gaf ik een presentatie over digitalisering in de glastuinbouw. In een bijzin had ik het over ‘de toepassing van AI’ zonder er verder op in te gaan.
Aan het eind van de presentatie volgde een levendige discussie over hoe ver we nu zijn met de toepassing van digitale technologie en hoe Nederland zijn positie als leidend tuinbouwland zou kunnen behouden op dit gebied. Later kreeg ik van een van de aanwezigen de vraag om toch vooral een volgende keer ook ‘even’ uit te leggen wat AI is. Ja, dat is toch best een moeilijke vraag want wat is AI nou eigenlijk?
Er zijn honderden definities te vinden. Een paar die ik vond tussen de honderden definities:
“AI is een verzamelnaam geworden voor applicaties die complexe taken uitvoeren waarvoor voorheen menselijke input was vereist, zoals bij de online communicatie met klanten of een potje schaken”
“AI is de mogelijkheid van een machine om mensachtige vaardigheden te vertonen – zoals redeneren, leren, plannen en creativiteit.”
De Europese Commissie hanteert als formele definitie van AI: “systems that display intelligent behaviour by analysing their environment and taking actions – with some degree of autonomy – to achieve specific goals.”
Ik waag me er dus maar niet aan en ook niet of er een verschil is tussen statistiek en AI en of veel van de toepassingen die zeggen gebruik te maken van AI dat ook écht doen…
Wél interessant vind ik de discussie waar we AI zouden kunnen toepassen. Die mogelijkheden zijn veel breder dan waar in eerste instantie aan wordt gedacht bij het noemen van de term. Bovendien is de vraag waar we AI kunnen toepassen eigenlijk ook nog steeds niet zo interessant. Het gaat immers niet om de technologie maar om de waarde die het product of de dienst die we er mee ontwikkelen voor de gebruiker heeft!
Om toch eens na te denken over wat voor toepassingen je zou kunnen ontwikkelingen, denk ik dat het helpt om de zeven patronen van AI eens te bekijken.
Hyperpersonalisatie
Bij hyperpersonalisatie gaat het om het afstemmen van producten of diensten op een specifiek persoon. Bekendste voorbeeld hierbij zijn gepersonaliseerde advertenties. Een voorbeeld uit de tuinbouw zou kunnen zijn het telen van gewassen met specifieke inhoudstoffen afgestemd op behoefte van een persoon. Denk hierbij aan een tomaat met meer lycopeen voor een prostaatkanker patiënt.
Autonome systemen
Deze systemen kunnen taken uitvoeren zonder of met zeer minimale input van een mens. Autonome auto’s zoals een Tesla (hoewel die nog niet de weg op mogen zonder input van de mens) zijn hier het bekendste voorbeeld. In de tuinbouw zijn er inmiddels al verschillende oogstrobots in ontwikkeling die zonder tussenkomst van een mens 24/7 kunnen oogsten.
Vaak wordt er bij autonome systemen gedacht aan ‘hardware’. Het kan echter ook gaan om software (bots) die taken autonoom uitvoeren.
Voorspellen en beslissen
Dit is een patroon dat mensen helpt om betere beslissingen te nemen. Waar het bij autonome systemen gaat om het nemen van beslissingen zonder of met minimale input van mensen gaat het hier om het helpen van mensen om de juiste keuze te maken.
In de tuinbouw zien we hier bijvoorbeeld systemen die de oogst van broccoli voorspellen of de teler helpen om keuzen te maken voor de optimale klimaatinstellingen voor een kas.
Converseren en menselijke interactie
Hierbij gaat het om de communicatie tussen machine en mens op een vergelijkbare manier als tussen mensen onderling. Een voorbeeld hierbij zijn de virtuele assistenten zoals Siri of Alexa. In de tuinbouw is er een aantal jaren geleden door Koppert Cress geëxperimenteerd met Google assistent om informatie te geven over recepten en beschikbaarheid van hun producten.
Herkennen van patronen en afwijkingen
Bij dit patroon wordt gezocht naar afwijkingen. Wat is ‘normaal’ en wat is een afwijking op het standaard patroon. Denk hierbij aan het detecteren van fraude. Welke financiële transactie past in het patroon van een gebruiker en waar wijkt het zodanig af dat er fraude zou kunnen plaatsvinden. Een tuinbouwvoorbeeld is het vroegtijdig herkennen van een afwijkende plek in het gewas. Bijvoorbeeld een oogstassistent die twee keer per dag door een rozengewas rijdt en daarbij uit alle duizenden rozen die worden bekeken kan herkennen dat de rijping op een bepaalde plek altijd net iets trager is. Zelfs voor een heel ervaren oogster is het ingewikkeld om uit zo’n enorme hoeveelheid informatie dit soort (kleine) afwijkingen te herkennen.
Herkennen van beeld, geluid of tekst
Toepassingen van dit patroon zijn misschien wel de bekendste. In een grote hoeveelheid ongestructureerde data worden bepaalde zaken gedetecteerd. Het kan gaan om bijvoorbeeld foto’s, video’s, geluid of (geschreven) tekst.
Gezichtsherkenning bij het ontgrendelen van een smartphone, omzetten van geschreven tekst naar een Word document en het herkennen van een muzieknummer zijn bekende voorbeelden.
In de tuinbouw zijn er voorbeelden als het herkennen van een (groene) komkommer tussen alle groene bladeren. Een ander voorbeeld is het herkennen van producten op Instagram. Door de informatie van het beeld te combineren met de tekst uit het bericht en de locatie waar de foto werd genomen kon Gibbs ervoor zorgen dat er meer informatie beschikbaar kwam over de eindafnemer van een teler.
Probleem oplossen (goal driven)
In dit patroon gaat het om het vinden van de optimale oplossing door het toepassen van trial en error. Het gaat hier bijvoorbeeld om planningsvraagstukken in een fabriek maar ook hoe je een spelletje ‘Go’ kan winnen. In de tuinbouw kan dit patroon helpen om de optimale mix van resources als temperatuur, belichting en water in te zetten om de beste opbrengst te halen bij de teelt van sla. Een voorbeeld hiervan is de Autonomous Greenhouse Challenge.
Meerdere patronen in een product
Zo simpel en afgebakend als in de hierboven genoemde patronen werkt het in het echt natuurlijk niet. Vaak bestaat een oplossing uit meerdere patronen. Eerst gaat het bijvoorbeeld om het herkennen van patronen in een afbeelding waarbij daarna moet worden onderzocht wat de patronen en afwijkingen zijn en op basis van die afwijkingen moet dan weer een beste oplossing voor het probleem worden bepaald.
Ook met de toepassingen van patronen is het nog niet zo simpel om uit te leggen wat AI is. De volgende keer dat het me wordt gevraagd gaat het me denk ik steeds nog niet lukken om het ‘even’ uit te leggen!
Wel hoop ik dat met de voorbeelden en de verschillende patronen iets meer duidelijk kan worden wat er met AI mogelijk is. Het gaat natuurlijk ook helemaal niet om de technologie van AI maar vooral met de waarde die we kunnen creëren voor de eindgebruiker. Techniek is daar alleen maar een hulpmiddel…
Wil je nu toch meer weten over AI in de Agri en Food sector? Kijk dan vooral naar de recent gelanceerde AI-cursus voor Agri en Food waaraan ik hem mogen bijdragen aan het hoofdstuk over samenwerken met een robot.
Over deze column:
In een wekelijkse column, afwisselend geschreven door Eveline van Zeeland, Eugène Franken, Katleen Gabriels, Carina Weijma, Bernd Maier-Leppla, Willemijn Brouwer en Colinda de Beer probeert Innovation Origins te achterhalen hoe de toekomst eruit zal zien. Deze columnisten, soms aangevuld met gastbloggers, werken allemaal op hun eigen manier aan oplossingen voor de problemen van deze tijd. Morgen zal het dus goed zijn. Hier zijn alle voorgaande afleveringen.
Als je dit artikel leuk vindt, lees dan ook:
