人工智能正在改变农业的可能性，但行业领导者在投资人工智能之前，应谨慎考虑基础设施的建设。对一个面临波动的肥料成本、不确定的天气和利润空间很小的行业来说，使用案例非常有前景。研究表明，利用人工智能的预测模型可以提高作物产量26%，降低水使用量41%，并减少化学品使用量33%。然而，人工智能供应商通常不会告诉你的是，这些解决方案只有在你拥有一个干净、稳固的数据基础时才有效。然而，在Reltio，我们在这一领域拥有丰富的经验，包括在一家大型农业分销商主导技术战略，构建被全球企业使用的数据平台——我们亲身经历了这一切。 农业领域中供应商的对话往往遵循一个熟悉的模式。推介以使用人工智能实时监控作物健康、优化灌溉和从每英亩地上挤出更多产量的宏伟承诺为开端。这一承诺很有吸引力，但很少会提到一个问题，即这些承诺背后的数据基础是否准确和完整。如果数据基础不可靠，就存在真正且重大的风险，人工智能可能会生成看似权威的误导性输出，采取的行动充其量是适得其反。例如，喂入不一致历史数据的产量预测模型将产生不准确的预测。同样，一个依赖于零散传感器数据的精准灌溉系统将做出浪费资源的浇水决策，而不是节约资源。在每种情况下，人工智能的失败都是因为其训练过程中使用的数据不足以生成可信的输出。在农业中，每一个人工智能的幻觉都是一种负担，而出错的可能性很高。 为什么农业是一个独特的挑战性测试案例现代农业运营或为数千名种植者服务的大型分销商的数据环境异常复杂。现代农业环境广泛使用物联网设备和机械。灌溉系统自动化，拖拉机自主导航田野，无人机大规模捕获田间图像。但是，机械数据本质上是分散的。再加上外部来源，包括天气信息、美国农业部数据和第三方市场信息，如何将所有这些内容汇总成一个连贯的整体成为一项重大任务。农业人工智能不仅需要了解客户属性；还需要理解土地：GPS坐标、农场边界、田块和单一属性上土壤的差异。肥料需要在哪里施用，施用的速率是多少，具体施用在农场的哪个区域？田地的不同部分并不是相同的，处理它们如同相同的人工智能系统将提供至多不精确，至多有害的建议。由于涉及化学物质和相应责任，还存在合规性方面的考虑。农业中的运营人工智能需求比在较低风险环境中的检查和治理要多得多。当一个有缺陷的建议在田间被付诸实践时，后果可能是严重的。 数据准备在实质上的意义数据准备是人工智能兑现承诺与“垃圾进，垃圾出”情况之间的区别。从根本上讲，准备好迎接人工智能意味着拥有一个准确反映企业运作的数据信息模型。对于像Wilbur-Ellis这样的104年历史的家族农业分销商来说，这意味着理解你的客户是谁，他们耕作的田地，所需的投入，这些投入来自哪个供应商，他们上个季度的支付情况，以及这一切如何与利润相关联。这些信息需要在整个组织中保持最新、一致和可访问，而不是锁定在从未设计为相互连接的单独系统中。同样，对农业运营本身而言，数据准备意味着获取一个可靠、连接的图景，反映各个田地的情况：土壤健康记录、投入施用历史、以往季节的产量数据、设备性能和来自灌溉系统的实时传感器读数。治理结构的重要性与组织结构同样重要。价格会变化，关系会演变，供应商也会来去。一个基于六个月前的准确数据但未得到维护的人工智能系统将基于一个已经不再存在的商业版本提出建议。 建立让人工智能值得信赖的基础设施好消息是，通向数据准备的道路是可行的。它始于一个强大的数据模型：一个连接客户、供应商、产品、定价、订单和利润的单一治理的真实来源，以反映组织的运作方式。之后，它需要快速的数据管道，以便在需要决策时提供洞察。