Базовые алгоритмы машинного обучения в системе повышения эффективности аграрного сектора

Введение.

Развитие агропромышленного комплекса, важность которого стремительно растет в современных условиях хозяйствования, имеет большое значение для нашей страны. Ключевое значение социально-экономического развития сельских территорий и сельскохозяйственного производства закреплено Стратегией национальной безопасности Российской Федерации, утвержденной Указом Президента Российской Федерации 2 июля 2021 г. [4] Однако, следует отметить, агросектор все еще сталкивается с необходимостью повышения урожайности, роста экономической эффективности и устойчивости производства при ограниченных ресурсах и сложных климатический условиях, характерных для большинства территорий нашей страны. Это требует внедрения новых подходов и инновационных цифровых технологий в хозяйственную деятельность [1, 2, 5]. Сочетание методов машинного обучения с современными информационными технологиями создает основу для цифровой трансформации сельского хозяйства, что играет большую роль в повышении продовольственной безопасности и росту экономической эффективности отрасли [3, 7, 8]. Несмотря на большой потенциал данных технологий, существуют барьеры их повсеместного внедрения: недостаточный уровень развития инфраструктуры, высокие затраты на внедрение технологий машинного обучения и их адаптацию под производственную программу предприятий. Вышеназванные обстоятельства обуславливают необходимость проведения научных исследований и разработки эффективных практических решений [6, 9].

Основной целью данного исследования является изучение базовых методов машинного обучения и оценка их применимости в агропромышленном комплексе (АПК). Авторами получены новые результаты, отражающие систематизацию и классификацию основных и перспективных методов машинного обучения, применяемых в агросекторе, с анализом их сильных и слабых сторон в различных практических задачах.

Гипотеза исследования: выбор метода машинного обучения определяется характером решаемых задач и доступностью данных. Обучение с учителем (Supervised learning) эффективно при наличии достаточного объема размеченных данных (датасетов), обучение без учителя (Unsupervised learning) подходит для разведывательного анализа и выявления скрытых закономерностей, обучение с подкреплением (Reinforcement learning) – для задач связанных с последовательным принятием решений в динамической среде, а глубокое обучение (Deep learning) – целесообразно при работе с большими массивами сложных данных (например изображениями, текстами или многомерными временными рядами), требующих извлечения и преобразования многоуровневых представлений информации.

Материалы исследования могут быть использованы в образовательном процессе, в системе повышения квалификации кадров, руководителями и специалистами предприятий, научными работниками.

Результаты исследования.

Машинное обучение (Machine Learning, ML) представляет собой одно из ключевых направлений развития современного искусственного интеллекта (Artificial Intelligence, AI), направленное на разработку алгоритмов и моделей, способных обучаться на данных и принимать решения без явного задания правил и логики поведения.

В АПК применение ML приобретает особую значимость в условиях необходимости повышения эффективности производства и сохранения тенденций устойчивого развития [8, 12].

ML традиционно подразделяется на три основных подхода: обучение с учителем, обучение без учителя и обучение с подкреплением. Каждый из этих подходов возможно реализовать с помощью различных алгоритмов, выбор которых обусловлен наличием определенного типа данных и решаемой задачи. Особое внимание сегодня заслуживает подкласс методов, в основе которых лежат многослойные нейронные сети (Multilayer Neural Networks) – это глубокое обучение. Глубокое обучение не является отдельной парадигмой, а представляет собой закономерное (в связи с увеличением доступных вычислительных мощностей) развитие традиционных методов машинного обучения, позволяя эффективно решать задачи в рамках обучения с учителем, обучения без учителя и обучения с подкреплением (рисунок 1). Применение глубокого обучения особо оправданно при обработке больших и многомерных массивов данных (датасетов), таких как библиотеки текстов иизображений, а также наборы многомерных временных рядов. [10, 11]

Рисунок 1 – Традиционные подходы к машинному обучению

Источник: составлено авторами

Рассмотрим подробнее основные подходы к ML. Классическое машинное обучение как правило подразделяют на обучение с учителем и на обучение без учителя. Обучение с учителем (Supervised learning) предполагает использование структурированных и размеченных данных, где известны входные параметры (наименование и параметры признака) и соответствующие целевые значения (значения признака). Такой подход позволяет обучить модель, способную по признакам объекта предсказать искомое значение. Методы Supervised learning применяются для решения задач, использующих алгоритмы классификации (logistic regression, K-nn, decision trees и т. д.) и регрессии (linear regression, polynomial regression, lasso regression и т. д.). Например, применение регрессионной модели позволит предсказать объем урожая, учитывая различные факторы (сорт, погодные условия, состав почвы, количество удобрений и т. п.). Алгоритмы классификации, в свою очередь, позволяют разрабатывать модели, которые автоматически определяют состояние здоровья животных на ферме, тем самым обеспечивая своевременную диагностику и профилактику заболеваний.

Обучение без учителя применяется для анализа неразмеченных данных и позволяет выявлять скрытые закономерности, а также разделять объекты на группы на основе их признаков. К данному подходу относят применение алгоритмов кластеризации (K-means, mean-shift, agglomerative и т. д.) и понижения размерности (t-SNE, PCA, LDA и т. д.). К примеру, использование алгоритмов кластеризации позволяет повысить эффективность отбора элитных животных, разделяя их на группы по показателям племенной ценности, исходя из их продуктивности, устойчивости к заболеваниям и т. д. Это упрощает процедуру подбора наиболее перспективных животных для разведения и улучшения породы. Алгоритмы понижения размерности связанны с сокращением числа признаков в наборе данных при сохранении наиболее значимой информации. Решение подобных задач в животноводстве позволяет выявлять ключевые факторы, влияющие на продуктивность и здоровье животных. На основе полученных данных производители могут разрабатывать оптимальные рационы, сосредоточившись на действительно важных аспектах, добиваясь наилучших показателей продуктивности и удовлетворяя потребности животных в основных питательных элементах. В растениеводстве алгоритмы понижения размерности можно использовать для анализа агротехнических и агротехнологических массивов больших данных (bigdata), что позволяет выделять наиболее значимые детерминанты урожайности и оптимизировать систему возделывания сельскохозяйственных культур. Алгоритмы поиска закономерностей в данных направлены на решение задач по выявлению скрытых зависимостей и структур в данных без использования размеченной выборки. Например, в растениеводстве, при анализе датасетов содержащих информацию о погодных условиях, применяемых удобрениях, возделываемых сортах сельскохозяйственных культур и архивных данных по урожайности возможно сформировать ассоциативную гипотезу: «Может быть установлено, что при сухом лете и использовании при возделывании пшеницы сорта «Элемент 22» гранулированных удобрений с высокой растворимостью и качественной водоподготовкой вероятность получение высокой урожайности существенно возрастает». В животноводстве аналогичные алгоритмы могут применяться для выявления взаимосвязей между рационом кормления, физиологическими показателями животных и их устойчивостью к заболеваниям.

Алгоритмы обучения с подкреплением (Q-learning, SARSA, DQN и т. д.) представляют собой подход, при котором агент обучается при взаимодействии с окружающей средой, получая обратную связь в виде положительного или отрицательного вознаграждения. В качестве примера можно привести систему автоматизированного управления микроклиматом (в теплицах, или местах содержания скота). Агент, используя данные, генерируемые датчиками, принимает решение о включении вентиляции, отопления, освещения или полива. Система вознаграждений формируется с применением экспертных знаний и анализа архивных и текущих данных, чтобы поощрять поддержание оптимального баланса между затратами ресурсов предприятия и поддержания заданных характеристик для эффективного производства сельскохозяйственной продукции.

Таким образом мы рассмотрели классические алгоритмы ML, которые позволяют решать широкий спектр задач в агропромышленном комплексе: от прогнозирования урожайности и превентивной диагностики состояния животных до анализа больших данных и управления производственными процессами. Но, стоит отметить, что возможности применения рассмотренных выше алгоритмов во многом ограниченны необходимостью тщательной предварительной подготовки данных и ручному отбору признаков, что в свою очередь является достаточно трудозатратным процессом и может привести к снижению эффективности при решении производственных задач с помощью технологий ML, а в отдельных случаях к искажению или потере данных из-за присутствия человеческого фактора.

В связи с этим, особое внимание в современных исследованиях уделяется нейронным сетям и глубокому обучению. Применение данного подхода, позволяет автоматизированным способом извлекать многоуровневые признаки из наборов данных, что позволяет достичь более высокой эффективности при работе с изображениями, текстами, многомерными временными рядами и другими сложными типами информации.

Нейронные сети и глубокое обучение представляют собой направление методов машинного обучения, основанных на многослойных архитектурах, способных моделировать сложные нелинейные зависимости и обрабатывать данные высокой сложности (включая текст, изображения, многомерные временные ряды). Эти методы могут использоваться совместно как с алгоритмами машинного обучения с учителем, например многослойный персептрон (MLP), сверточная нейронная сеть (CNN), рекуррентная нейронная сеть (RNN), так и с алгоритмами машинного обучения без учителя – автокодировщик (AE), генеративно-состязательная сеть (GAN).

Модели, обучающиеся с учителем, используют размеченные данные о состоянии объектов (почвы, растений, животных), что вместе значительно повышает эффективность и точность решений. Так, MLP применяется преимущественно для регрессии и классификации на основе табличных данных. Например, с помощью таких моделей можно прогнозировать содержание нитратного азота в почве по ряду факторов (погодные условия, обработка почвы, предшественник, запас влаги и др.), что позволяет более точно планировать урожай и управлять агротехнологическим процессом. CNN применяются для анализа данных дистанционного зондирования земли, например спутниковых снимков высокого разрешения выполненных гиперспектральной камерой. Такие модели позволяют решать широкий спектр задач в растениеводстве, включая контроль роста сельскохозяйственных культур, выявление болезни растений, классификацию видов растительного покрова, распознавание сорняков и идентификацию сельскохозяйственных объектов. RNN применяются для анализа временных и последовательных данных, например для прогнозирования сезонных изменений условий возделывания культур, мониторинга растений в период стадий роста и оценки состояния почвенно-растительных систем. В качестве входных данных могут использоваться спутниковые изображения, метеорологические наблюдения и показания датчиков в полях, что способствует повышению точности прогнозов и оптимизации агротехнологических процессов. Аналогично растениеводству, в животноводстве RNN могут применяться для прогнозирования динамики продуктивности животных, анализа данных о потреблении кормов и двигательной активности, а также для выявления аномалий в поведении на основе данных получаемых с респондеров, что позволяет выполнять раннюю диагностику заболеваний и повысить эффективность управления стадом.

Алгоритмы обучения без учителя (unsupervised learning, UL) позволяют работать с неразмеченными данными, расширяя возможности применения искусственного интеллекта в сельском хозяйстве. В растениеводстве это способствует более детальному анализу и мониторингу состояния сельскохозяйственных культур без необходимости привлекать большие объёмы размеченных данных. В животноводстве такие UL-алгоритмы могут применяться для автоматической кластеризации животных по физиологическим показателям или поведенческим особенностям, что облегчает выявление скрытых групп с различным уровнем продуктивности и устойчивости к заболеваниям. Так AE могут применяться для построения сжатых представлений сложных многомерных данных, поступающих со спутниковых систем и данных систем телеметрии, что позволяет использовать их для последующей классификации или кластеризации. Данные подходы эффективно зарекомендовали себя при решении задач по выявлению аномалий и классификации состояний, что позволяет обеспечить оперативное выявление отказов в работе сельскохозяйственной техники или ранней диагностики болезней растений и животных. GAN позволяют повышать эффективность обучения моделей за счет генерации синтетических датасетов, включая библиотеки изображений, что способствует расширению обучающих выборок и улучшению качества исходных данных.

Рассмотрим ключевые критерии при использовании классических алгоритмов и применения глубокого обучения в разрезе требования к данным, областей применения, предметной области, преимуществ и ограничений, а также применимости на агропромышленном производстве (таблица 1).

Таблица 1

Сравнительный анализ классических алгоритмов и глубокого обучения

Источник: составлено авторами

Рассмотрим сильные и слабые стороны различных подходов к машинному обучению применительно к сельскохозяйственному производству (таблица 2).

Таблица 2

Сильные и слабые стороны алгоритмов ML

Источник: составлено авторами

Заключение.

Машинное обучение стало важным инструментом для повышения эффективности и устойчивости АПК. Оно включает ряд направлений, каждое из которых решает специфичные задачи, позволяя оптимизировать ресурсы, минимизировать риски. Использование цифровых технологий кардинально меняет традиционные подходы к хозяйствованию и превращает отрасль в высокотехнологичный сектор экономики. Однако, необходимы дальнейшие исследования, связанные с оптимизацией подходов к внедрению данных технологий, обеспечивающих оценку целесообразности их использования в зависимости от условий и размеров хозяйствования.