Машинное обучение использовали для создания очень вкусных кустиков базилика — вы наверняка знаете это растение с необычным вкусом, главный ингредиент соуса песто. Хотя мы, к сожалению, не можем передать вкус этой травы, остается лишь поверить ученым на слово. Однако эти результаты отражают более широкую тенденцию, которая включает использование научного подхода в данных и машинного обучения для улучшения сельского хозяйства. Что делает базилик таким вкусным? В некоторых случаях — искусственный интеллект.

Машинное обучение делает продукты лучше

Ученые, которые вырастили оптимизированный базилик, использовали машинное обучение для определения условий выращивания, которые позволили бы максимизировать концентрацию летучих соединений, отвечающих за вкус базилика. Исследование опубликовали в журнале PLOS One.

Базилик выращивали на гидропонных фермах в модифицированных транспортных контейнерах в Мидлтоне, штат Массачусетс. Температура, свет, влажность и другие факторы окружающей среды внутри контейнеров могут контролироваться автоматически. Ученые проверили вкус растений путем поиска определенных соединений с помощью газовой хроматографии и масс-спектрометрии. И использовали полученные данные в алгоритмах машинного обучения, разработанных Массачусетским технологическим институтом и компанией Cognizant.

Что странно, исследование показало, что воздействие света на растения в течение 24 часов в сутки дает наилучший вкус. Теперь ученые планируют исследовать, как технология может улучшить способность растений бороться с болезнями, а также и то, как различная флора реагирует на последствия изменения климата.

«Мы действительно заинтересованы в создании сетевых инструментов, которые могут учитывать опыт растения, его фенотип, набор стрессов в окружающей среде и его генетику, и оцифровке этого всего, чтобы можно было понять взаимодействие растения и окружающей среды», говорит Калеб Харпер, руководитель группы OpenAg при Media Lab MIT. Его лаборатория работала с коллегами из Техасского университета в Остине.

Идея использования машинного обучения для оптимизации урожайности и свойств растений быстро набирает обороты в сельском хозяйстве. В прошлом году Университет Вагенингена в Нидерландах организовал конкурс «Автономная оранжерея», в котором различные команды соревновались в разработке алгоритмов, увеличивающих урожайность огурца при минимизации необходимых ресурсов. Они работали с теплицами, в которых компьютерные системы контролируют различные факторы.

Подобная технология уже применяется в некоторых коммерческих фермах, говорит Навин Сингла, возглавляющий группу ученых в области данных, которая занимается урожайностью в Bayer, немецкой многонациональной компании, которая в прошлом году приобрела Monsanto. «Вкус — это одна из областей, где мы интенсивно используем машинное обучение», говорит он. И добавляет, что машинное обучение является мощным инструментом для выращивания в теплицах, однако менее полезно для открытых полей. В «полевых условиях» ученые все еще ищут способы сократить разрыв.

Харпер добавил, что в будущем его группа будет рассматривать генетическую структуру растений (как раз то, что Bayer вводит в свои алгоритмы) и попытается распространить технологию. Их цель — разработать технологию с открытым исходным кодом на стыке сбора данных, зондирования и машинного обучения, и применить ее к сельскохозяйственным исследованиям. Такого раньше никто не делал.