Lo sviluppo dell’intelligenza artificiale è ormai un tema centrale per le economie altamente industrializzate e per i Paesi emergenti, soprattutto per gli impatti che questa tecnologia porta con sé rispetto al tema della competitività industriale. Tra i settori interessati dalla trasformazione digitale c’è anche l’agrifood.
L’evoluzione dell’agrifood: l’AI per l’analisi dei dati
Nel corso dei millenni, grazie anche alle varie rivoluzioni industriali susseguitesi, l’umanità ha visto evolvere ed efficientare più volte le modalità di coltivazione e di produzione. Oggi, però, le evoluzioni sono molto più veloci e si sviluppano in archi generazionali molto più ristretti, grazie all’avvento delle nuove tecnologie.
Anche l’industria dell’agrifood non è rimasta sorda all’enorme potenziale dell’’AI, soprattutto per quel che concerne lo sviluppo e la realizzazione di una economia sostenibile, aspetto quest’ultimo sempre più al centro dei diversi tavoli internazionali (come il G7).
Nel mondo dell’agrifood vengono prodotti e trattati ogni giorno decine di migliaia di dati, l’analisi dei quali costituisce un’attività time consuming, in quanto richiede un grande effort ai singoli soggetti coinvolti nelle diverse fasi della filiera produttiva. In ciò gli strumenti di AI, grazie alla loro enorme capacità di calcolo, incrocio, elaborazione di modelli predittivi in tempo reale, rappresentano un utile alleato per le aziende.
È facile, infatti, immaginare la grande utilità – in termini di efficientamento e sostenibilità – nell’avere un quadro completo derivante dall’analisi dettagliata e incrociata dei dati relativi alle condizioni meteorologiche, alla temperatura, alla quantità di acqua e/o fertilizzante utilizzate in periodi diversi dell’anno, nonché dei dati sulle variazioni dell’indice di acidità del terreno o la relativa carica minerale al termine di ogni ciclo colturale.
Tutto ciò fornirebbe alle aziende un enorme potere predittivo in termini di pianificazione delle colture, approvvigionamento e ottimizzazione dei consumi, migliorando la qualità dei raccolti e ottenendo delle rese più abbondanti.
Ma l’analisi dei dati assume un ruolo fondamentale anche nella fase successiva alla produzione dei prodotti, ossia la vendita al consumatore. Infatti, grazie all’analisi dei dati potenziata dalle nuove tecnologie si potrà arrivare a prevedere con maggiore precisione la durata di conservazione degli alimenti. Gli alimenti a cui oggi viene assegnata una data di scadenza, potrebbero ritrovarsi domani con una data diversa e più lunga.
Tutto ciò, oltre a un non indifferente risparmio economico, consentirà anche di ridurre o addirittura evitare lo spreco dei prodotti.
In quali campi può essere applicata l’AI
Vediamo alcuni casi in cui l’AI può aiutare a fare la differenza.
Analisi agrochimiche
Molte attività, che normalmente richiedono necessariamente un intervento umano potrebbero essere svolte da sistemi e strumenti di AI, lasciando all’essere umano un ruolo (assolutamente non marginale) di controllo e supervisione.
Pensiamo, ad esempio, alle analisi agrochimiche del suolo, strumento fondamentale per l’elaborazione di un corretto piano di concimazione. Queste consistono in analisi effettuate su campioni di terra prelevati da un operatore umano (c.d. attività di carotaggio), “impacchettati” in sacchetti non contaminati, etichettati e successivamente inviati in laboratorio.
Il processo, quindi, non è immediato. Per questo già da qualche anno esistono soluzioni “fai da te” basate sull’intelligenza artificiale che consentono di svolgere queste analisi in tempo reale e sul posto (senza spostamenti tra l’azienda e il laboratorio).
Una di queste è Agropad, soluzione di agricoltura 4.0 lanciata da IBM in Brasile nel 2018 e che “sfrutta algoritmi di machine learning e di visione artificiale per tradurre la composizione e l’intensità del colore misurato in concentrazioni di sostanze chimiche nel campione, rendendolo l’analisi più affidabile rispetto ai test basati solo sulla visione umana”.
Il soggetto, quindi, analizza il campione di interesse su un dispositivo cartaceo munito di chip, il quale restituisce un test colorimetrico basato su diversi cerchi, ciascuno dei quali costituisce uno specifico elemento chimico presente nel campione. Il foglietto viene fotografato mediante una specifica App mobile che restituirà immediatamente il risultato del test effettuato.
Praticamente un mini laboratorio portatile e alla portata di tutti.
Un’altra soluzione AI-based, in grado di identificare potenziali difetti e carenze di nutrienti nel suolo è Plantix, sviluppata dalla start-up tedesca Peat. L’analisi viene condotta da algoritmi di deep learning e image recognition che correlano particolari schemi di fogliame con alcuni difetti del suolo, parassiti e malattie delle piante. Per gli utenti è sufficiente inviare una foto mediante Whatsapp e ottenere in tempo reale consigli su tecniche di ripristino del suolo, suggerimenti e altre possibili soluzioni.
Simili a Plantix sono le soluzioni CropDiagnosi e Trace Genomics.
Agricoltura di precisione
Quello che in gergo tecnico si chiama “agricoltura di precisione” è un concetto nato negli anni ‘70 grazie alle tecnologie derivate dai centri di controllo negli Usa. Si tratta di una “una strategia che usa le tecnologie d’informazione per integrare dati provenienti da più strati informativi ai fini decisionali per la gestione dei sistemi agricoli” (National Research Council americano, 1997).
In sostanza, è una strategia di gestione aziendale che sfrutta la tecnologia per acquisire ed elaborare dati, col fine ultimo di migliorare la gestione del terreno e la produzione.
Già nel 2017 in Italia, il ministero delle Politiche agricole aveva approvato le Linee guida per lo sviluppo dell’Agricoltura di precisione in Italia, sulla base di un’analisi condotta da uno specifico Gruppo di Lavoro, nella convinzione che aumentare la sostenibilità del modello agricolo attraverso l’innovazione sia una delle sfide più importanti del prossimo futuro.
Questa sfida, oggi, ha subito un upgrade grazie all’AI. Gli utilizzi nell’ambito dell’agricoltura di precisione, infatti, sono diversi ma l’applicazione maggiore è quella finalizzata ad aiutare i produttori a rilevare le malattie nelle piante, la loro cattiva alimentazione e i parassiti che maggiormente le affliggono.
I sensori di intelligenza artificiale, innestati nel terreno possono identificare le erbacce e le altre piante infestanti, consentendo di individuare quali specifici prodotti applicare in ogni singola zona interessata. Questo trattamento a zone, di fatto, serve per minimizzare e ottimizzare l’utilizzo di prodotti, non sempre benefici per il nostro organismo.
Un esempio di questo utilizzo è rappresentato da See & Spray, soluzione sviluppata dalla società Blue River Technology e che sfrutta la visione artificiale del computer presente sui mezzi meccanici per monitorare, individuare e identificare le erbacce e spruzzare con precisione il prodotto necessario. La spruzzatura di precisione può aiutare a prevenire la resistenza agli erbicidi.
La società ha dichiarato che la sua tecnologia di precisione è in grado di eliminare l’80% del volume di sostanze chimiche normalmente spruzzate sulle colture e può ridurre le spese di erbicidi del 90%.
Nel campo dell’agricoltura di precisione l’AI viene anche utilizzata come strumento per effettuare analisi e monitoraggio delle colture. Alle più tradizionali analisi del suolo (già viste) si sono affiancate tecniche aree di monitoraggio attraverso i droni.
Dai droni, le telecamere integrate con software di AI possono acquisire immagini dell’intera azienda e analizzarle quasi in tempo reale per identificare aree problematiche e potenziali miglioramenti. Anche qui entra in gioco il deep learning.
È il caso della soluzione proposta da VineView, società nata dalla fusione tra SkySquirrel Technologies and VineView Scientific Aerial Imaging Inc., e che si definisce “fornitore leader nella diagnostica delle colture per i vigneti”.
L’utilizzo dei droni va soprattutto a beneficio delle grandi aziende agricole, in quanto consentono di riuscire a coprire molto più terreno rispetto alle capacità di spostamento del singolo individuo (anche con l’ausilio dei tradizionali mezzi di spostamento).
Modelli di previsioni stagionali
L’AI viene anche utilizzata per creare modelli di previsione stagionali per migliorare la precisione agricola e aumentarne la produttività. Questi strumenti sono in grado di prevedere i prossimi modelli meteorologici in largo anticipo (in termini di mesi), supportando così le aziende nelle attività di pianificazione.
Le previsioni stagionali sono particolarmente utili, posto che il tempo determina il momento migliore per piantare, concimare, irrigare e raccogliere i raccolti. Avere informazioni meteorologiche accurate può consentire agli agricoltori di massimizzare il loro rendimento.
Proviamo a immaginare i benefici per quelle piccole aziende agricole nei paesi in via di sviluppo, con forti limiti in termini di dati e conoscenze. Mantenere queste piccole aziende operative è importante in quanto queste producono circa il 70% delle colture mondiali.
L’utilizzo combinato di algoritmi di machine learning e satelliti, per le previsioni meteo, è ormai un’attività avviata da diversi anni, anche con iniziative che vedono protagoniste le più grandi Tech Companies come IBM con il suo Deep Thunder oppure Panasonic.
Il contesto italiano
L’Italia ha recentemente pubblicato, dopo una fase di consultazione, la propria proposta di una Strategia italiana per l’intelligenza artificiale, elaborata dal gruppo di esperti selezionati dal ministero dello Sviluppo Economico.
Dal documento emerge come la diffusione dei servizi AI in Italia sia ancora molto limitato rispetto al resto del mondo (si vedano USA, Cina, Giappone, ma anche Stati membri come Francia, Germania, ecc.). Infatti, solo il 20% delle imprese utilizzerebbe stabilmente una soluzione di AI e che nella maggior parte dei casi si tratta di assistenti virtuali.
Ma la stessa Strategia Nazionale ha individuato nell’agrifood uno dei settori su cui si dovrà puntare nell’adozione dei sistemi di AI. Come sappiamo, infatti, l’Italia vanta tantissime eccellenze in questo settore e il Made in Italy è sinonimo di qualità in tutto il mondo (non a caso è uno dei settori di punta del mercato dell’export).
Tali eccellenze possono subire un sprint ulteriore grazie all’utilizzo massiccio delle soluzioni di AI e delle nuove tecnologie in generale. Dovranno essere, però, valorizzate anche quelle eccellenze italiane (presenti e future) nel campo della ricerca scientifica e dell’innovazione.
Tra queste merita una menzione Studiomapp, interessantissima startup innovativa, impegnata in diversi programmi spaziali, specializzata nel telerilevamento e nei sistemi informativi geografici, i cui algoritmi di AI trovano applicazione anche nella già esaminata agricoltura di precisione attraverso: mappatura delle colture, monitoraggio e previsione della produzione; indici di vegetazione; impatto siccità agricola e valutazioni delle alluvioni.
Pertanto, sebbene l’Italia (al pari del resto d’Europa) sia molto in ritardo nell’adozione delle tecnologie digitali rispetto ad altri Paesi, ha tutte le carte in regola per avere nel panorama mondiale un ruolo principale nello sviluppo di soluzioni di AI che siano human-centric, sostenibili e in linea con i diritti fondamentali degli individui.
Ed è proprio questo l’auspicio che si legge nella Strategia Nazionale.
Può, dunque, l’AI contribuire allo sviluppo di un ecosistema sostenibile?
Alla luce di quanto appena visto la risposta è si.
Anche il citato gruppo di esperti è di questo parere, ma nel fare ciò i sistemi di AI dovrebbero essere sviluppati “mettendo al centro il pianeta”, proponendo “un ecosistema digitale orientato verso gli obiettivi di sviluppo sostenibile”.
Questo sarà l’obiettivo della c.d. Industry 5.0, ossia la quinta rivoluzione industriale nella quale stiamo per entrare e che condivide con l’attuale Industry 4.0 la digitalizzazione e l’automatizzazione dei processi produttivi.
Tuttavia, la Industry 5.0 dovrà promuovere un approccio antropocentrico della evoluzione digitale, attraverso la cooperazione e l’integrazione tra uomo e macchina (in particolare tramite cobots e software agents).
L’AI dovrà essere disegnata con una vocazione allo sviluppo del capitale umano e alla promozione di una piena e dignitosa occupazione, in modo da migliorare il benessere di tutti gli individui.
Conclusioni
Nel settore dell’agrifood, i sistemi così disegnati e sviluppati potranno aiutare a soddisfare il sempre più crescente fabbisogno alimentare, dovuto al continuo aumentare della popolazione mondiale, senza stressare lo sfruttamento delle risorse naturali per aumentare la produzione di cibo. Utilizzare meno terre per produrre più cibo. Questo un esempio di ecosistema sostenibile.
Nel fare ciò, sarà sempre bene ricordare che i sistemi di AI non sono dotati di intelligenza in senso stretto, ma sono intelligenti fintantoché il loro utilizzo è esso stesso intelligente. Dunque, l’efficienza dell’intelligenza artificiale è e sarà sempre strettamente connessa alla componente umana che ne farà uso.
Ne consegue che non ci si dovrà limitare a istruire soltanto i sistemi di AI, ma sarà fondamentale che le competenze umane siano complementari a quelle delle macchine.
