Нейросетевые технологии в системе оценки ресурсного потенциала аграрного сектора АПК

Введение

В настоящее время для решения широкого спектра проблем все большую популярность набирает применение инструментов искусственных нейронных сетей и, в целом, методов машинного обучения и искусственного интеллекта. К основным триггерам возросшего интереса эксперты относят следующие технологические прорывы и достижения:

В первую очередь, наблюдается активный рост вычислительных мощностей, т.е. современные процессоры, графические процессоры (GPU) и тензорные процессоры (TPU) позволяют обрабатывать большие объемы данных и обучать сложные модели ИНС гораздо быстрее и эффективнее, чем это было возможно ранее.

Практика показывает, что сбор и хранение больших объемов данных действительно стали значительно более экономически выгодными благодаря развитию технологий хранения и обработки данных, а также снижению стоимости аппаратного обеспечения и облачных решений. Массивы данных, поступающие из различных источников, таких как интернет, социальные сети, сенсоры Интернета вещей (IoT), медицинские записи и другие, дают богатый материал для развития и обучения нейронных сетей и других моделей машинного обучения.

Нельзя не отметить явно выраженный прогресс в алгоритмах и архитектурах. Новые архитектуры нейронных сетей, такие как свёрточные нейронные сети (CNN) для обработки изображений, рекуррентные нейронные сети (RNN) и трансформеры для обработки последовательностей, значительно улучшили результаты в различных задачах, включая распознавание образов, обработку естественного языка и другие.

Следующим достижением можно считать то, что нейронные сети добились значительных успехов в реальных приложениях, таких как автономные автомобили, медицинская диагностика, голосовые помощники, персонализация контента и многое другое. Достижения нейронных сетей также стимулируют инновации в аппаратном обеспечении, таких как специальные ускорители для глубокого обучения (например, TPU от Google, GPU от NVIDIA), что, в свою очередь, открывает новые возможности для исследований и коммерческого применения.

Не менее важным технологическим достижением можно считать появление мощных фреймворков для машинного обучения, таких как TensorFlow, PyTorch, Keras и другие, которые сильно упростили разработку и экспериментирование с ИНС. Эти инструменты доступны широкому кругу разработчиков, исследователей и энтузиастов, что ускоряет прогресс в данной области.

Современные активно развивающиеся компании и исследовательские организации видят в ИНС важный инструмент для получения конкурентных преимуществ, оптимизации бизнес-процессов и создании новых продуктов и услуг. Компании используют искусственный интеллект для автоматизации рутинных задач, улучшения цепочек поставок, прогнозирования спроса и оптимизации производства. Искусственный интеллект помогает в анализе больших объемов данных для создания персонализированных реклам и предложений, что повышает удовлетворенность клиентов и увеличивает продажи. В производственных секторах Искусственный интеллект помогает автоматизировать процессы, улучшать качество продукции и повышать эффективность использования ресурсов.

Еще одним серьезным трендом в развитии нейросетевых технологий можно назвать их внедрение в различные области науки, таких как биология, химия, физика и многие другие, что приводит к новым открытиям и междисциплинарным достижениям.

Таким образом, обозначенные тренды и направления развития в совокупности создают благоприятную среду для развития и внедрения искусственных нейронных сетей в решение различных проблем, от научных исследований до продуктов потребительского рынка.

При таком многообразии влияния и развития технологий искусственного интеллекта представляется актуальным рассмотреть особенного их применения в оценке ресурсного потенциала отраслей народного хозяйства, и в частности, аграрного сектора АПК. Данный интерес связан в первую очередь, с тем, что аграрный сектор наравне с другими отраслями народного хозяйства также подвергается серьезным технологическим изменениям и модернизации. Боле того, он представляет собой одну из стратегически значимых отраслей экономики, что связано с обеспечением продовольственной безопасности страны и развитием сельских территорий и смежных отраслей. Он включает в себя производство продуктов питания, сырья для промышленности, а также кормов для животных. Аграрный сектор формирует основу для множества отраслей экономики и играет ключевую роль в поддержании социальной стабильности и занятости в сельских районах. Кроме того, аграрный сектор способствует сохранению и улучшению окружающей среды благодаря внедрению устойчивых методов земледелия, возобновляемых источников энергии и природоохранных технологий. Он также вовлекает большое количество рабочих мест, от фермеров и агрономов до научных работников и технологов, что делает его важным элементом национальной и региональной экономик. Значение данных факторов определяет потребность в разработке новых технологически современных подходов к диагностике и развитию ресурсного потенциала аграрного сектора. Данный аспект определил научный интерес к исследованию специфики применения нейросетевых технологий в диагностике ресурсного потенциала аграрного сектора АПК.

Обзор литературы

Исследованию нейросетевых диагностических методов и инструментов оценки ресурсного потенциала аграрного сектора АПК посвящено достаточно много научных работ современных российских и зарубежных ученых. Из последних работ наибольший интерес представляют работы Грачева А.В., Мастепаненко М.А., Шалагинова А. С., Воротникова И. Н., Л.В. Литвинова и С.А. Павленко, А. П. Илышева и О. М. Толмачева, Яковлевой М.В., Никитиной А.А., Шутькова А.А. и Анищенко А.Н.

Так, Грачев А.В. в своих исследованиях рассматривает применение нейросетевых технологий для прогнозирования состояния работы объектов предприятий АПК. По его мнению, «сегодня активно ведется цифровизация объектов и производственных процессов АПК. Актуальным является поиск унифицированных подходов для применения цифровых технологий в АПК. Популярность нейросетевых методов обусловлена их результативностью в различных областях IT» [1].

Исследователи М. А. Мастепаненко, А. С. Шалагинов, И. Н. Воротников рассматривают «перспективы использования нейросетевых алгоритмов для раннего обнаружения неисправностей электрооборудования агропромышленного комплекса» [10].

Л.В. Литвинова и С.А. Павленко выделяют области применения технологии искусственного интеллекта в агропромышленном комплексе. Так, «на примере анализа ландшафтов и климатических зон авторами рассматриваются критерии для создания нейросетей, способных определить эффективность отдельно взятого района или хозяйства. для определения максимальной сельскохозяйственной полезности учитываются географические, физические и инфраструктурные возможности. На основании сопоставления всех совокупностей района определяется наиболее эффективная зерновая и кормовая культура для посева» [9].

А. П. Илышев совместно с О. М. Толмачевым в своём исследовании «рассмотрели возможности применения метода искусственных нейронных сетей в задачах прогнозирования развития аграрного сектора экономики для достижения большей объективности и точности» [4]. Проведенный ими анализ зарубежного опыта использования нейронных сетей и искусственного интеллекта в сельском хозяйстве показал, что «применение нейронных сетей является перспективным в процессе разработки программных комплексов, предназначенных для сельскохозяйственного мониторинга на этапе анализа информации о состоянии посевных площадей, поголовья скота, урожайности сельскохозяйственных культур, продуктивности животных и ресурсного обеспечения аграрного производства. За рубежом создаются цифровые платформы Agremo для сельскохозяйственного зондирования и ведения АПК. В то же время нейросетевые модели, основанные на статистическом подходе, в современных условиях имеют ограниченное применение из-за частичного учета свойств неопределенности и нелинейности во время подготовки данных и прогнозирования» [4].

Эти и другие научные исследования в области применения искусственного интеллекта [7-9, 11, 16-17] позволяют говорить о масштабном проникновении нейросетевых технологий в организационно-экономическую деятельность хозяйствующих субъектов. Более того, эксперты [2, 5, 12-14] а также проведённые авторами исследования [3, 15] подтверждают сложившееся мнение о том, что применение подобных технологий при диагностике ключевых составляющих развития отрасли представляет собой одну из перспективных областей и векторов развития.

Таким образом, с научной точки зрения особый интерес на современном этапе вызывает потребность в разработке методического подхода к оценке ресурсного потенциала аграрного сектора на основе нейросетевых технологий. Данный подход представляет собой инновационный метод анализа, позволяющий комплексно и более точно оценивать ресурсный потенциал аграрного сектора. Он основывается на использовании искусственных нейронных сетей для анализа большого объема данных, что значительно повышает точность прогнозирования и эффективности управления.

Новизна данного исследования будет заключаться в разработке инновационного подхода к применению передовых нейросетевых технологий в оценке ресурсных компонентов потенциала аграрного сектора для выработки эффективных мер развития отрасли.

В качестве основной гипотезы исследования авторами выдвигается следующая позиция: использование нейросетевых технологий улучшит точность и эффективность оценки ресурсного потенциала аграрного сектора АПК. Обоснованием данной точки зрения выступают следующие положения:

Нейросетевые технологии могут анализировать большие объемы данных, что позволяет учитывать множество факторов, влияющих на ресурсный потенциал аграрного сектора. Это может повысить точность прогнозов по урожайности, состоянию почв, потребности в ресурсах и других ключевых показателях.

Аграрный сектор генерирует данные, которые могут быть как структурированными (например, данные об урожайности), так и неструктурированными (например, спутниковые снимки полей). В этих условиях нейросетевые технологии способны быстрее и качественнее обрабатывать данные, анализировать и интегрировать их значительную разрозненность.

Нейросети обладают способностью к самонастройке и обучению на новых данных, что позволяет им адаптироваться к изменениям в условиях аграрного производства. Это критически важно в условиях климатических изменений и других непредсказуемых факторов.

Более точная оценка ресурсного потенциала позволит сократить издержки, связанные с избыточным использованием ресурсов или неэффективными технологиями, что приведет к экономии средств и повышению рентабельности аграрного производства.

Таким образом, данное исследование призвано продемонстрировать потенциал нейросетевых технологий для повышения эффективности оценки ресурсного потенциала аграрного сектора АПК, что имеет важное значение для развития отрасли в целом.

Рассмотрим данный аспект более подробно.

Основная часть

Проведенный анализ научных работ в области применения искусственного интеллекта в аграрном секторе АПК позволил нам выделить следующие аспекты его применения (табл.1)

Таблица 1. Направления и области применения искусственного интеллекта в аграрном секторе АПК [1]

Критерии	Показатели применения	Характеристика применения
Анализ данных и прогнозирование	Агрономические показатели	Анализ почвенных параметров, климатических данных, уровня осадков, температуры и солнечного освещения для прогнозирования урожайности, и оптимальных сроков посева и сбора.
	Болезни и вредители	Раннее выявление болезней растений и нашествий вредителей путем обработки изображений полей и анализа биологических данных.
	Прогнозирование урожаев	с учетом погодных условий, типа почвы и других факторов для более точного планирования.
Оптимизация ресурсов	Ирригация и удобрения	оптимизация графиков полива и внесения удобрений на основе данных о состоянии почвы и потребностях культур
	Управление водными ресурсами	Моделирование и оптимизация использования водных ресурсов, на основе текущих и прогнозируемых данных о водоснабжении
Экономический анализ	Анализ затрат и доходов	оценка эффективности использования ресурсов и финансовых вложений
	Риски и страхование	Оценка рисков, связанных с изменением климата и рыночными колебаниями, а также оптимизация страховых продуктов
Управление производственными процессами	Мониторинг состояния машин и оборудования	Прогнозирование технических неисправностей и оптимизация графиков технического обслуживания
	Автоматизация управления	Внедрение автоматизированных систем для управления посевной техникой, сбора урожая и других операций с помощью беспилотных летательных аппаратов и роботов.
Социально-экономические аспекты	Трудовые ресурсы	Анализ потребности в рабочей силе и оптимизация трудовых процессов
	Образование и обучение	Использование данных для разработки образовательных программ и курсов повышения квалификации для аграрных специалистов
Анализ рынка и сбытовой логистики	Прогнозирование спроса и предложения	Анализ рыночных трендов для прогнозирования спроса на сельскохозяйственную продукцию
	Логистика и хранение	Оптимизация цепочек поставок и систем хранения продукции

Таким образом, использование нейросетей позволяет не только повысить эффективность управления аграрным сектором, но и снизить затраты, повысить производительность и минимизировать риски. При этом внедрение таких технологий требует совместных усилий ученых, инженеров и аграриев для разработки и адаптации решений, максимально соответствующих требованиям конкретных фермерских хозяйств и регионов.

По нашему мнению, проведение анализа ресурсного потенциала аграрного сектора АПК с использованием нейросетевых технологий может быть очень эффективным благодаря способности нейросетей обрабатывать большие объемы разнородных данных и выявлять скрытые закономерности.

Рассмотрим пошаговый алгоритм проведения данного анализа, представленный на рисунке 1.

На первом этапе важно определить цель и задачи анализа. Так, в качестве целей анализа может выступать оценка производительности сельскохозяйственных ресурсов, прогнозирование урожайности, оптимизация использования ресурсов и т.д.

На втором этапе проводится определение и сбор необходимых данных по группам компонентов ресурсного потенциала (экономические, технологические, социальные, экономические и др.). Эти данные необходимы для последующего анализа и планирования действий, направленных на достижение поставленных целей. Конкретные группы данных могут включать:

- Экономические данные: финансовые показатели, инвестиций, доходы, расходы, рынок труда и т.д.

- Технологические данные: уровень технологического развития, наличие и состояние оборудования, инновационные технологии и т.д.

- Социальные данные: демографические показатели, уровень образования, занятость, социальная инфраструктура и т.д.

- Экологические данные: состояние окружающей среды, доступность природных ресурсов, уровень загрязнения и т.п.

- Правовые данные: нормативно-правовые акты, регламентирующие деятельность в данной области.

Этот этап критически важен, так как качество и полнота собранных данных напрямую влияют на последующие этапы анализа и принятия решений.

Третий этап включает в себя подготовку данных для проведения соответствующего анализа. Он включает в себя следующие операции:

- обработка отсутствующих значений, удаление дубликатов и аномалий (Метод включает использование средних, медианных значений, либо более сложных подходов, таких как использование регрессионных моделей или методы машинного обучения для заполнения пропусков.);

Рис. 1. Алгоритм анализа ресурсного потенциала аграрного сектора агропромышленного комплекса с использованием нейросетевых технологий [2]

- нормализация данных (преобразование значений числовых признаков в одинаковый масштаб, например, стандартное масштабирование (z-score) или минимально-максимальное масштабирование; преобразование категориальных признаков в числовые с помощью кодирования, например, one-hot encoding или label encoding);

- разделение данных на обучающую, проверочную и тестовую выборки. Обучающая выборка (training set) используется для обучения модели. Проверочная выборка (validation set) применяется для оценки производительности модели и настройки гиперпараметров. Тестовая выборка (test set) используется для окончательной проверки качества модели после обучения и настройки.

Типичные пропорции разделения данных могут быть 70% на обучающую выборку, 15% на проверочную и 15% на тестовую, но эти значения могут варьироваться в зависимости от конкретных требований и объема данных. Качество датасета напрямую влияет на результаты анализа и последующей работы моделей машинного обучения, поэтому тщательная подготовка данных — это ключевой этап в аналитическом процессе.

Четвертым этапом алгоритма анализа ресурсного потенциала аграрного сектора агропромышленного комплекса выступает выбор и осуществление настройки нейросети. Другими словами, теперь, когда данные подготовлены, следующим этапом является выбор подходящей архитектуры нейросети. Это может быть простая многослойная перцептрон (MLP) или более сложные архитектуры, такие как RNN или LSTM для временных рядов, CNN для анализа изображений и т.д.

Настройка нейросети включает настройку гиперпараметров, таких как число слоев, количество нейронов в каждом слое, функция активации, алгоритмы оптимизации и так далее. Также значительным аспектом является разделение данных на тренировочные, тестовые и валидационные выборки для обеспечения надлежащей проверки и оценки модели.

Пятый этап посвящен обучению модели. Данные передаются через нейросеть, и параметры сети обновляются в соответствии с ошибками предсказаний. Этот процесс продолжается до тех пор, пока модель не достигнет нужной точности.

После обучения модели необходимо оценить ее производительность на тестовых данных, чтобы убедиться, что она обобщает данные правильно. Возможно, потребуется финальная оптимизация модели или дополнительная настройка гиперпараметров.

Следующим этапом выступает анализ результатов. Здесь проходит процесс интерпретации модели, а именно, какая часть данных оказывает наибольшее влияние на ресурсный потенциал. Проведение тщательного и многогранного анализа позволяет не только понять, какие данные оказывают наибольшее влияние на ресурсный потенциал, но и повысить доверие к модели и её предсказаниям. При этом визуализация результатов через построение графиков, диаграмм зависимости, тепловых карт позволяет упростить восприятие данных, выявить тенденции и паттерны, сравнить данные, сократить время анализа и упростить принятие решений. Другими словами, использование инструментов визуализации данных (таких как matplotlib, seaborn, Plotly и другие) существенно усиливает возможности работы с данными, делая её более эффективной и продуктивной.

Седьмой этап данного алгоритма включает непосредственно процесс применения модели для прогнозирования и ее оптимизации. Данный этап включает использование модели для создания прогнозов на новых данных, а таже проведение оценки точности полученных предсказаний с использованием метрик, например, средней абсолютной ошибки (MAE), средней квадратичной ошибки (MSE), точности и т.д. При этом происходит оптимизация использования ресурсов на основании прогноза.

Завершающими этапами представленного анализа выступают восьмой и девятый. На этапе разработки рекомендации происходит выработка советов и предложений, основанных на результатах предыдущего анализа. Важно учесть все выявленные тенденции, закономерности и аномалии, чтобы рекомендации были максимально полезны и применимы в практике. Это может включать план действий, стратегии оптимизации процессов, предложения по улучшению конкретных показателей или устранению выявленных проблем. Здесь осуществляется реализация разработанных рекомендаций и стратегий. Важно организовать процесс внедрения таким образом, чтобы все участники были проинформированы о своих задачах и ролях. Также необходимо организовать систему мониторинга, которая позволит отслеживать прогресс и эффективность внедренных рекомендаций. Анализ обратной связи и корректировка действий на этом этапе помогают обеспечить максимальную эффективность и адаптивность стратегий к реальным условиям.

Последний этап – девятый – включает проведение повторной оценки и доработки модели, которая осуществляется за счет регулярного обновления данных и пересмотра модели на основе новых данных. Эта итеративная часть процесса позволяет поддерживать модель в рабочем состоянии и максимально пригодной для практического использования на протяжении длительного времени.

Таким образом, представленный алгоритм анализа ресурсного потенциала аграрного сектора АПК с использованием нейросетевых технологий позволяет повысить точность прогнозов и оптимизировать ресурсы, что может привести к значительному увеличению производительности и устойчивого развития сельского хозяйства. Более того, предложенный подход будет способствовать более эффективному распределению имеющихся ресурсов, минимизации потерь и затрат, а также повышению экологической устойчивости агропроизводства. Использование нейросетевых технологий позволяет более точно учитывать множество факторов, таких как климатические условия, почвенные характеристики, уровни потребления ресурсов и рыночные динамики. Это, в свою очередь, помогает аграриям принимать более обоснованные решения и адаптироваться к изменяющимся условиям.

Тем не менее, применение нейросетевых технологий при оценке ресурсного потенциала аграрного сектора АПК наравне с положительными аспектами имеет и сложности. Эксперты выделяют следующие:

Внедрение нейросетевых технологий требует значительных инвестиций в оборудование, обучение персонала и разработку программного обеспечения. Однако, как показывают исследования агентства «Яков и Партнёры» и Яндекс «94% из опрошенных компаний сократили затраты после внедрения искусственного интеллекта в бизнес-процессы. У 68% предпринимателей, использующих ИИ в своих процессах, нейросети повлияли приблизительно на 1−5% EBITDA компании» [6].

Для успешной интеграции новых технологий с существующими процессами в агрокомпаниях требуются необходимые технические и человеческие ресурсы, обеспечение которыми часто сталкивается с проблемами в их нехватке. Здесь в большей степени проблема заключается в подготовке соответствующих кадров для работы на новом оборудовании. На рынке труда может наблюдаться дефицит квалифицированных специалистов в области IT-технологий для проведения соответствующего анализа и диагностики ресурсного потенциала, что усложняет привлечение необходимых кадров. Для решения данной проблемы предлагается проводить специальные тренинги, курсы повышения квалификации и вебинары для сотрудников агрокомпаний, принимать участие на получение государственных грантов и субсидий, нацеленных на поддержку технологических инноваций в сельском хозяйстве, использовать цифровые платформы для управления процессами и ресурсами, что может помочь умной интеграции и управлению технологическими нововведениями; формировать специальные команды, фокусирующиеся на исследованиях и внедрении новых методов обработки и анализа данных.

Как показывает практика, для эффективной работы нейросетей требуется не только большой объем данных по ресурсным составляющим потенциала аграрного сектора, но и уровень их качества. Сбор, хранение и обработка таких данных могут быть трудоемкими и дорогостоящими задачами. В этой связи, важно уделять внимание ряду аспектов, которые могут способствовать более эффективному управлению сбором, хранением и обработкой данных для нейросетей, применяемых в аграрном секторе, а именно: автоматизации процесса сбора данных, разработка и принятие единых стандартов для формирования и обмена данными, развитие ИТ-инфраструктуры для эффективного хранения больших объемов данных. При этом взаимодействие между научными учреждениями, аграрными компаниями и технологическими стартапами может способствовать созданию сообщества по обмену лучшими практиками и результатами исследований. Это может ускорить прогресс и усилить эффективность применения нейросетей в аграрном секторе.

Заключение

Проведенное исследование позволило получить ряд важных научных результатов:

Определены триггеры возросшего интереса к применению инструментов искусственных нейронных сетей и, в целом, методов машинного обучения и искусственного интеллекта. К ним относятся: активный рост вычислительных мощностей, на основе развития технологий хранения и обработки данных наблюдается повышение экономической выгоды в их сборе и хранении, имеется явно выраженный прогресс в алгоритмах и архитектурах, достижения нейронных сетей стимулируют инновации в аппаратном обеспечении, появлялись мощные фреймворки для машинного обучения, внедрение нейросетевых технологий в различные области науки, таких как биология, химия, физика и многие другие приводит к новым открытиям и междисциплинарным достижениям.

На основе анализа научных трудов в области оценки ресурсного потенциала агарного сектора АПК и применения искусственного интеллекта в аграрном секторе АПК авторами предложен алгоритм анализа ресурсного потенциала аграрного сектора агропромышленного комплекса с использованием нейросетевых технологий. Данный подход представляет собой инновационный метод анализа, состоявший из девяти последовательных этапов, позволяющий комплексно и более точно оценивать ресурсный потенциал аграрного сектора, что значительно повышает точность прогнозирования и эффективности управления.

При реализации данного подхода авторами предложено учитывать ряд проблем, которые могут негативно сказаться на достижении целей оценки. К ним отнесены потребность в значительных инвестициях в оборудование, сбор, хранение, обучение персонала и разработку программного обеспечения. Указанные проблемы авторами предлагается решать с помощью проведения специального обучения IT-работников агропредприятий, переподготовки и привлечению новых кадров, получения государственных грантов и субсидий на технологические инновации, а также использовать цифровые платформы для управления процессами и ресурсами.

В заключении проведенного исследования авторами делается вывод, что применение нейросетевых технологий в оценке ресурсного потенциала аграрного сектора имеет своей целью не только оказать содействие в проведении диагностики эффективности имеющегося ресурсного потенциала, но и сделать более точными прогнозы относительно урожайности, продуктивности, вероятности возникновения угроз, снижения затрат и увеличения прибыли. Государственные органы могут использовать нейросетевые технологии для разработки и корректировки стратегий развития аграрного сектора, учитывая динамические изменения и прогнозы. Автоматизация и улучшенная аналитика также открывают возможности для создания новых рабочих мест в высокотехнологичных отраслях и развития цифровой инфраструктуры в сельских регионах. Таким образом, интеграция нейросетевых технологий в оценке аграрного сектора не только стимулирует рост и развитие агрохозяйств, но и способствует общей модернизации отрасли, что является важным шагом на пути к устойчивой и эффективной агроэкономике.

[1] Разработано авторами

[2] Разработано авторами