OneSoil mengembangkan aplikasi gratis untuk petani yang digunakan di lebih dari 180 negara di seluruh dunia. Dalam pekerjaan kami, kami menggunakan data besar dan pembelajaran mesin, dan pencarian terpisah bagi kami adalah menemukan data kebenaran dasar. Inilah cara kami menyelesaikan tugas non-sepele ini.
Mengapa Pembelajaran Mesin OneSoil? Untuk menentukan batas ladang, tanaman, tahapan fenologi, hasil, tanggal tanam dan tanggal panen menggunakan citra satelit. Semua ini sudah ada di aplikasi OneSoil, atau akan muncul di sana dalam waktu dekat.
Mari kita lihat contoh penentuan batas bidang menggunakan citra satelit. Bagi seorang petani, menggambarkan batas-batas lahannya adalah langkah pertama dalam proses digitalisasi pertaniannya. Ini adalah landasan yang tanpanya tidak ada pekerjaan aplikasi lain yang mungkin dilakukan. Dan tugasnya tidak sesederhana itu: sebelumnya, para petani menyelesaikannya karena mereka bepergian di sekitar ladang mereka dengan pelacak GPS di ATV, berjuang dengan orthophotomaps, singkatnya, mahal dan panjang. OneSoil, di sisi lain, belajar mengenali batas-batas bidang menggunakan citra satelit: Anda membuka aplikasi, tekan tombol "tambahkan bidang", pilih milik Anda di peta dengan bidang yang dikenali - dan hanya itu.
Bagaimana kami melakukannya? Pada awalnya, kami memiliki data hanya dari beberapa peternakan di Belarus dan Baltik, yang menggunakan algoritme pembelajaran mesin yang dipelajari untuk memprediksi batas-batas lapangan. Ini bekerja seperti ini: untuk setiap bidang nyata (batas yang kami ketahui berkat pertanian), kami menghitung area kebetulan dengan batas yang diprediksi oleh algoritme. Jika algoritme melingkari bagian ekstra, itu menerima denda untuk ini. Jadi dia belajar. Indikator ini disebut intersection over union, dapat mengambil nilai dari 0 hingga 1, di mana 1 adalah kecocokan sempurna. Di negara kita, indikator ini bervariasi dari satu wilayah ke wilayah lain, tetapi rata-rata 0.85–0.88.
Kemudian kami mulai menunjukkan jaringan saraf jutaan gambar ladang pertanian untuk mempelajari cara menentukan di mana ladang itu dan di mana tidak. Algoritma membutuhkan waktu lama untuk dipelajari, kami melihat hasilnya dan memperbaikinya berkali-kali hingga akurasi penentuan batas lapangan untuk wilayah tertentu menjadi baik. Bagaimana kita memahami bahwa akurasi telah meningkat? Sekali lagi, kami membandingkan perhitungan kami dengan data nyata di lapangan. Sekarang ada 57 negara di mana kami mahir dalam menentukan batas-batas lapangan.
Ketika kami dengan yakin mendefinisikan ladang, katakanlah, di Ukraina, ini tidak berarti bahwa semuanya akan berfungsi sama di suatu tempat di Brasil - bagaimanapun, ada ladang mereka sendiri dan karakteristik pertanian mereka sendiri. Oleh karena itu, kami membutuhkan data nyata lagi untuk menyempurnakan dan menyempurnakan algoritme kami.
. , . ? .
OneSoil , , , . — R&D .
, . . (, ), , . , . , , . , . , . OneSoil , .
133 | 2,8 — , OneSoil. 2020 .
R&D , , . .
OneSoil Map 2018 (Guido Lemoine), Joint Research Center (JRC). (ESA) Data Science . « , - , — . — , ». R&D , JRC .
OneSoil — . , , . , , .
4 7 . , , — R&D. 2–3 . — . « 2020 100 » — .
2018 CEO . , . , : « ». .
, . . 50 , OneSoil .
392 | 126 — ground truth . 2020 .
Ketika kami memiliki banyak data dari sumber terbuka dan dari mitra yang berbeda, kami menyempurnakan algoritme yang sudah kami gunakan di aplikasi OneSoil (atau akan segera tersedia). Ketika kami memiliki banyak data dari pengguna, kami kembali meningkatkan akurasi penghitungan kami. Beginilah cara data dan teknologi bekerja satu sama lain.