Voor jaren, boeren hebben producten voor hun bedrijf geselecteerd op basis van het beste advies dat beschikbaar is - zaadgidsen, lokale landbouwkundigen, zaad dealers, enz. De vorderingen op het gebied van kunstmatige-intelligentietechnologieën hebben kansen geboden om een ​​andere benadering te verkennen.

Washington University in St. Louis in samenwerking met The Climate Corporation, een dochteronderneming van Bayer, werken aan het verkennen van unieke nieuwe technologieën om de wetenschap achter hybride selectie en plaatsing vooruit te helpen.

Romeinse granaat, universitair docent Computer Science &Engineering aan de School of Engineering &Applied Science, heeft $ 97 ontvangen, 771 subsidie ​​van The Climate Corporation om actieve machine learning toe te passen om te helpen bepalen welke hybriden de kans hebben om in elke omgeving het maximale opbrengstpotentieel te behalen.

Het ontwikkelen van commerciële hybride producten is een lang en duur proces; het kan 7-8 jaar duren om te bepalen hoe goed de zaden groeiden, hun weerstand tegen plagen en ziekten, en de bijbehorende oogstopbrengsten. "Door actieve machine learning te integreren, we kunnen een model creëren dat een potentiële vermindering van de voetafdruk biedt die nodig is voor productkarakterisering en commercialisering en ook waardevolle inzichten biedt over voorspelde doelen voor productimplementatie, " zei Xiao Yang, plaatsingsadvies lead bij The Climate Corporation.

"Mensen praten over gepersonaliseerde geneeskunde, en dit is gepersonaliseerde landbouw, " zei Garnett. "We kunnen veel gegevens verzamelen, gebruik vervolgens de gegevens om patronen te leren om gepersonaliseerde aanbevelingen voor elke boer te kunnen doen."

Het doel van het project is om te bepalen of klimaatwetenschappers de ontwikkeling en aanplant van nieuwe producten elk jaar kunnen stroomlijnen.

Actieve machine learning identificeert de gegevens die het nuttigst zijn voor het einddoel. In plaats van bestaande gegevens te gebruiken, actieve machine learning "leert gaandeweg, ' zei Garnett.

"In plaats van al deze gegevens te verzamelen, wat als we er maar 10 procent van hadden verzameld, maar we mogen kiezen welke 10 procent, "Zei Garnett. "Dan zullen we een algoritme hebben dat een klein deel van de gegevens had kunnen gebruiken om een ​​even goede personalisatieprestatie voor deze seed-portfolio te krijgen. We doen het in simulatie, maar als het werkt, we kunnen misschien invloed uitoefenen op de manier waarop ze toekomstige beslissingen nemen."

Garnett zit in een onderzoeksteam dat big data gebruikt om de veredeling en de commerciële introductie van sorghumgewassen die als hernieuwbare energiebron kunnen worden gebruikt, te versnellen. De vierjarige $ 8 miljoen project, onder leiding van het Donald Danforth Plant Science Center, wordt gefinancierd door het ARPA-E TERRA-programma van het Amerikaanse ministerie van Energie en omvat een team van 10 universitaire, samenwerkingspartners van de overheid en de industrie. Garnett ontwikkelt algoritmen die zo vroeg in het groeiseizoen het meest effectief gebruik maken van statistische schattingen van de uiteindelijke biomassa van de gewassen uit sensordata om het veredelingsproces te versnellen.