Trazer a revolução para a agricultura é um objetivo que envolve necessariamente soluções inteligentes que sejam capazes de entregar mais eficiência e redução de custos ao profissional do campo (leia nosso último artigo). Nesse sentido, as propostas tecnológicas devem fugir da complexidade e se aproximar da dinâmica diária dos processos já presentes neste espaço. Qualquer “inovação” torna-se irrelevante se não for incapaz de compreender as dores do agro e de estabelecer um contato sólido e direto com seus profissionais.
Na Cromai, temos como propósito possibilitar que fazendas atinjam seu máximo potencial produtivo por meio de diagnósticos automatizados tornado possível pela inteligência artificial. Entretanto, nós entendemos que, ao apresentar soluções que fazem o uso de inteligência artificial e visão computacional, é possível que surjam uma certa desconfiança, uma vez que essas tecnologias carregam consigo um estigma de complexidade. Por isso, é de extrema importância esclarecer ao cliente o íntimo dos processos que permeiam o produto ou serviço, possibilitando que este sinta-se mais confortável ao adotar essa nova tecnologia. Essa difusão da digitalização do manejo deve contribuir para um entendimento mais amplo desse movimento, construindo pontes entre o tech e o agro.
Neste artigo explicaremos as etapas do treinamento da inteligência artificial da Cromai. Acreditamos que a partir desse texto será possível ter um olhar mais claro a respeito dos algoritmos presentes nas nossas tecnologias e que, distante de um sistema complexo, há um trabalho intensivo de fortalecimento do nosso banco de dados, colocando nossa visão computacional em um lugar de destaque no mercado e permitindo soluções cada vez mais precisas e eficientes.
Receber imagens das áreas dos produtores
Criar Bancos de imagens
Treinar modelo
Predição de novas imagens
1. Recebendo imagens das áreas dos produtores
A primeira etapa para o treinamento do algoritmo acontece do contato com as informações fundamentais para seu propósito: recebemos uma imagem no contexto do diagnóstico, contendo o espaço a ser examinado e a área contaminada. A partir desse material, começa a se tornar possível direcionar o algoritmo a respeito de suas funções, indicando as problemáticas que ele virá a resolver.
Hoje temos mais de 2 milhões de amostras de treinamentos (imagens) coletadas, e classificadas, ao longo dos últimos 3 anos de empresa. A imagem é nossa matéria prima e quanto mais amostras variadas tivermos melhor conseguiremos melhorar a precisão dos nossos algoritmos.
2. Criar Banco de Imagens
Com o material bruto, o time da Cromai inicia o processo de cropagem: analisar a imagem, etiquetando o que é problema (deficiências, daninhas, doenças e etc) , planta e ruído. Este processo passa por algumas etapas de validação, entregando ao algoritmo a informação mais detalhada e precisa o possível. Esse trabalho, minucioso e exaustivo, é responsável por compor o banco de dados da Cromai, o nosso “Dataset”.
O “Dataset” é o conjunto de informações etiquetadas que vão orientar a inteligência artificial em todo seu treinamento. Vale lembrar, que por atuar em uma solução específica e sem dataset histórico (ex: dataset de rostos para identificação facial), foi necessário ao nosso time criar uma “Dataset” do zero. Dado a necessidade prática de precisão altíssima de diagnóstico no campo, característica operacional hoje no agro, a Cromai precisou criar diversos métodos de cropagem, incluindo processos e ferramentas internas para uma evolução constante e intensiva, atuando com uma quantidade massiva de novos dados que chegam diariamente dos nossos clientes.
O artefato desse processo de treinamento é, posteriormente, embarcado em nossas tecnologias, permitindo diagnósticos precisos que geram mais eficiência e menores custos ao profissional do campo.
3. Treinando o modelo
Com o banco de dados cada vez mais abastecido, é possível realizar um treinamento constante do algoritmo, onde cada operação influencia aprimorando a seguinte. Nesse momento, a inteligência artificial vai aprendendo, cada vez com mais precisão, a identificar padrões nas imagens (dataset) e correlacionar com o problema em questão (deficiências, daninhas, doenças e etc). Um modelo contém um conjunto de parâmetros (como cor, forma, textura e outros) que são identificados nos padrões das imagens para conseguir aprender e depois realizar diagnósticos.
4. Predição de novas imagens.
Nesta etapa, com um algoritmo treinado, a inteligência artificial está apta a fazer os diagnósticos com imagens novas. O modelo, agora, é capaz de identificar (quase que instantaneamente) os padrões nas novas imagens e correlaciona-los com as deficiências buscadas.
--------------------------
Desenvolver uma inteligência artificial com alta precisão em ambientes abertos, como o do agro, é um desafio que a academia ainda não tem resposta definida. Nós da Cromai estamos atuando diariamente atacando desafios abertos e contribuindo para essa área do conhecimento ao mesmo tempo que entregamos valor para os nossos clientes. Os resultados que estamos tendo são consequência de um time único e de um esforço obstinado em entregar esse próximo salto de eficiência para o Agro brasileiro. Além é claro de clientes visionários que confiam e apostam conosco que esse é o caminho para a próxima revolução digital do agro. Veja um pouco mais dos nossos resultados aqui.
Espero que esse artigo tenha ajudado um pouco mais vocês entenderem como funciona essa tecnologia e que cada vez mais a gente possa olhar para esses desafios com olhar menos desconfiado abrindo mais uma frente possível de inovação das operações agrícolas.
Σχόλια