Sebagian besar proyek berbasis Genai gagal keluar dari blok awal karena “alasan strategis yang tidak koheren,” data sub-par dan infrastruktur, dan eksekusi yang buruk, kata konsultan AgrifoodTech Rhishi Pethe.
“Bayangkan model (digerakkan AI) yang merekomendasikan produk perlindungan tanaman yang tidak cocok untuk konteks petani, atau lebih buruk, tidak sesuai dengan instruksi label yang diperlukan untuk menerapkan produk.”
Tapi itu tidak berarti kita harus membuang bayi dengan air mandi, kata Pethe, yang telah menulis a Buku putih ditugaskan oleh Ilmu Tanaman Bayer dan didukung oleh startup bertenaga AI Hijau digital, AI kucingDan Traiva untuk membantu perusahaan mengembangkan proyek Genai yang sukses.
Untuk membuat Genai berhasil, katanya AgfunderNewsperusahaan membutuhkan kejelasan tentang strategi dan kasus penggunaan, kedewasaan yang cukup dalam manajemen data dan teknologi, bakat yang relevan dengan keahlian domain, rekayasa perangkat lunak dan keterampilan sains data, dan proses kematangan untuk mengelola semua tata kelola, kepercayaan, masalah hukum, dan pemasaran yang pasti akan muncul.
Dan poin pertama – alasan strategis – sangat penting, katanya, ketika beberapa perusahaan mendekati proyek AI sebagai akhir dalam dan dari diri mereka sendiri daripada alat untuk memecahkan masalah nyata.
“Salah satu klien saya datang kepada saya dan berkata, 'Kami mendapat banyak tekanan dari dewan kami bahwa kami harus melakukan sesuatu di AI. Jadi saya katakan, oke, masalah apa yang Anda coba selesaikan? Mereka kembali kepada saya dengan 20 kasus penggunaan, dan untuk 15 atau 16 dari mereka, mereka hanya tidak memiliki data, atau masalahnya dapat diselesaikan dengan cara yang berbeda.
“Orang -orang ingin menggunakan Genai, tetapi mereka tidak selalu memulai dengan masalah dan mengatakan, apakah Genai alat yang tepat untuk itu?”
'Model yang 80-90% akurat tidak cukup baik'
Namun, dalam pertanian, “banyak tantangan adalah seputar penyebaran pengetahuan dan membawanya ke orang yang tepat dalam format yang tepat pada waktu yang tepat,” kata Pethe. Dan dalam skenario seperti itu, Genai dapat menjadi alat yang sangat berguna, asalkan model divalidasi oleh para ahli dengan pengetahuan domain sedemikian rupa sehingga cukup akurat untuk dapat dipercaya.
“Katakanlah saya perusahaan input tanaman dan saya meluncurkan produk kimia baru,” katanya. “Saya sudah melalui proses pengembangan produk yang mahal dan persetujuan peraturan, tetapi setelah itu, ada banyak pendidikan yang harus terjadi dengan jaringan dealer Anda, tenaga penjualan Anda, dan petani Anda tentang cara menggunakan produk baru ini. Dan ini membutuhkan beberapa tingkat keahlian yang tidak selalu ada.”
Sebuah Anda memiliki asisten Idealnya ditempatkan untuk melalui rim dokumentasi, data CRM, data keselamatan, data peraturan dan informasi publik atau pribadi lainnya untuk menjawab pertanyaan dari tenaga penjualan, dealer, atau pelanggan akhir dalam sebagian kecil dari waktu yang akan dibutuhkan manusia, katanya.
“Tetapi jika biaya keputusan yang buruk tinggi (Anda menerapkan terlalu banyak dari bahan kimia dan limbah tersebut, berlaku terlalu sedikit dan menderita kegagalan tanaman, atau merekomendasikan produk yang salah sama sekali), Anda membutuhkan tingkat akurasi yang sangat tinggi. Model yang 80-90% akurat tidak cukup baik. Jadi akan ada masalah kepercayaan.”
Tapi kepercayaan bisa dibangun, katanya. “Anda perlu memberikan model jenis data yang tepat, membangun tolok ukur yang tepat, melatihnya sesuai, dan kemudian memvalidasi dengan ahli tingkat domain.”
Respons yang lebih cepat dan berkualitas lebih tinggi terhadap pertanyaan petani
Bayer, misalnya, “memiliki portofolio produk yang semakin rumit seiring berjalannya waktu,” kata Pethe, yang menghadirkan alat perusahaan yang berbasis di Genai Ely di buku putihnya. “Percaya peraturan akan menjadi lebih ketat atau lebih rumit. Dan karena itu, bagaimana Anda memposisikan produk Anda untuk konteks yang diberikan menjadi lebih sulit untuk dijawab dengan pasti.
Misalnya, jika saya seorang penanam dan Anda adalah perwakilan penjualan untuk Bayer atau ahli agronomi teknis dan saya memiliki beberapa pertanyaan untuk Anda tentang produk perlindungan tanaman, Anda mungkin dapat menjawab 50% dari pertanyaan saya, tetapi Anda mungkin tidak memiliki informasi untuk menjawab 50% lainnya di ujung jari Anda.
Dalam beberapa kasus, Anda mungkin hanya perlu merujuk ke label perlindungan tanaman, bukan kolega, katanya. Tapi ini juga membutuhkan waktu. “Masing -masing label itu bisa 20, 30 halaman, dan ada begitu banyak aturan berbeda tentang bagaimana dan kapan menggunakan produk.”
Tantangan lain dalam bisnis apa pun di mana pengetahuan domain penting adalah Anda kehilangan keahlian setiap kali seseorang meninggalkan tim, tambahnya.
“Jadi pernyataan masalah di Bayer adalah: dapatkah kita membuatnya lebih mudah untuk menjawab pertanyaan orang dengan percaya diri? Ini memiliki tim penjualan dan sekelompok ahli agronomi di lapangan, semua informasi yang tersedia untuk umum tentang label dan data agronomi, dan ratusan webinar untuk petani dan dealernya.
“Jadi itu adalah kasus, dapatkah saya memiliki semua informasi ini di saku saya dan membuatnya mudah tersedia sehingga waktu respons terhadap penanam lebih baik, kualitas respons lebih baik? Beberapa orang (di Bayer menggunakan ini untuk membantu petani) menghemat 10% dari waktu mereka, empat hingga lima jam seminggu.”
Adapun data itu sendiri, katanya, itu rumit dan hadir dalam berbagai format: “Banyak data adalah eksternal, peraturan EPA misalnya, dan Bayer telah mengambil data itu dan menggabungkannya dengan data agronomi, pengamatan lapangan, citra drone, video pelatihan internal, data uji coba, presentasi, dan tiket dukungan pelanggan pada dasarnya membuat agronomon di steroid.
Bayer kemudian menggunakan tim pakar domain inhouse untuk melakukan pengujian awal dan validasi modelnya, jelas Pethe. Model ini kemudian diuji selama empat siklus dengan sebagian kecil pengguna dari wilayah tertentu dengan keahlian dalam produk perlindungan tanaman khususnya dan agronomi secara umum.
Siklus pengujian kemudian diperluas ke subset yang lebih besar dari beberapa ratus pengguna di berbagai wilayah, dengan umpan balik terus dimasukkan kembali ke model untuk memperbaikinya, jelasnya.
Bayer menggunakan lima kriteria berikut untuk mengevaluasi kinerja Ely -nya
1. Ketepatan: Seberapa akurat respons dibandingkan dengan respons yang diinginkan sebagaimana ditentukan oleh tim ahli manusia?
2. Groundedness: Apakah tanggapan berdasarkan informasi yang terkandung dalam dokumen dan data yang diberikan kepada model Genai?
3. Biaya: Berapa biaya untuk membangun model, mempertahankan, dan memberikan respons kepada pengguna?
4. Waktu respons: Berapa waktu respons terhadap kueri yang disediakan oleh pengguna akhir?
5. Konsistensi: Apakah tanggapannya konsisten ketika pertanyaan yang sama ditanyakan dalam konteks yang sama dengan model?
Setiap kali model diperbarui, evaluasi ulang sesuai dengan kriteria ini.
Farmer.chat via whatsapp
Perusahaan lain dengan studi kasus yang ditampilkan dalam buku putih Pethe adalah Hijau digitalsebuah organisasi nirlaba yang menggunakan asisten bertenaga AI yang disebut petani.
Menggunakan input suara, teks, dan gambar, petani. Pelatih petani melalui keputusan kritis seperti manajemen tanaman, pengendalian hama, dan waktu pasar, kata Pethe. “Digital Green telah ada selama beberapa tahun membuat video bagi petani untuk membantu mereka membuat operasi pertanian mereka lebih menguntungkan.”
Secara historis, katanya, Digital Green telah memberikan videonya kepada agen penyuluhan yang pergi ke desa dan menyiapkan pemutaran. Dengan menggunakan Genai, sistem petani.
“Dengan jenis pendekatan ini, digital green dapat mendukung bahasa tambahan dengan biaya yang jauh lebih rendah dan menjangkau lebih banyak orang,” kata Pethe.
Prediksi risiko kredit
Traivaanak perusahaan BASF, sementara itu, telah menguji Genai untuk melihat apakah dapat memprediksi kapan seorang petani mungkin gagal membayar faktur setelah 90 hari, jelas Pethe.
“Traive menggunakan metode canggih seperti grafik AI dan pembelajaran mendalam untuk mengakomodasi berbagai tipe data seperti citra satelit, teks, laporan keuangan, dan data pinjaman historis yang bersumber dari sembilan entitas keuangan dan rantai pasokan terbesar di Brasil dengan tingkat kenakalan bervariasi dari 1,05% hingga 22,27%.
“Ini menggunakan model bahasa yang disesuaikan menggunakan Genai melalui produk yang disebut 'Travis' untuk membiarkan analis kredit mengajukan pertanyaan bahasa alami tentang skor risiko dan memo kredit, yang biasanya merupakan kotak hitam untuk mereka, dan mengubahnya menjadi percakapan yang digerakkan oleh data.”
Perbaiki data Anda, lalu mulai
Melangkah mundur, kata Pethe, “di mana ada banyak data dan pengetahuan suku yang tidak terstruktur, di situlah ada banyak ruang bagi Genai untuk meningkatkan pengalaman pengguna. Misalnya, dengan digital green, dapat berbicara dalam bahasa lokal Anda adalah peningkatan besar.”
Dia menambahkan: “Saya pikir banyak orang merasa cukup positif tentang menggunakan Genai dalam bisnis mereka, tetapi dalam banyak kasus, mereka tidak memiliki struktur data yang tepat untuk memulai, jadi mereka mungkin perlu meningkatkannya untuk mengambil keuntungan. Sebagai contoh, banyak orang masih menggunakan perangkat lunak klien desktop, jadi ada semua data yang duduk di mesin lokal yang tidak ada di cloud (untuk AI Model On).
“Jadi jenis tantangan dasar itu masih ada di bagian -bagian tertentu dari industri; perusahaan menyadari bahwa mereka tidak dapat memanfaatkan alat (Genai) ini sampai mereka memperbaiki data mereka.”