Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Проектная деятельность в сфере цифрового сельского хозяйства. Учебное пособие
.pdf
ГЛАВА 3
ЦИФРОВАЯ ТРАНСФОРМАЦИЯ
И СОВРЕМЕННЫЕ ТЕХНОЛОГИИ
ЦИФРОВОГО СЕЛЬСКОГО ХОЗЯЙСТВА
3.1. Цели и задачи цифровой трансформации
сельского хозяйства
В современных условиях использование цифровых технологий в АПК позволяет повысить рентабельность сельхозпроизводства за счёт точечной оптимизации затрат и более эффективного распределения средств.
Внедрение цифровой экономики по расчётам позволит
снизить расходы не менее чем на 23 % при внедрении комплексного подхода. В месте с тем, размер затрат ИКТ по разделу «Сельское хозяйство, охота и лесное хозяйство», по данным
Росстата, в 2015 г. составил 4 млрд руб., что составляет 0,34 %
от всех ИКТ-инвестиций во все отрасли хозяйства, в 2017 г. –
0,85 млрд руб., или 0,2 % – это самый низкий показатель по отраслям, что свидетельствует о низкой цифровизации отечественного сельскохозяйственного хозяйства. Однако эта цифра
подчёркивает, что отрасль обладает наибольшим потенциалом
для инвестиций в ИКТ.
Целью цифровизации сельского хозяйства является
достижение существенного прироста эффективности и устойчивости его функционирования за счёт кардинальных изменений в качестве управления как технологическими процессами,
так и процессами принятия решений на всех уровнях иерархии,
базирующихся на современных способах производства и дальнейшего использования информации о состоянии управляемых
элементов и подсистем, а также состояний экономического
окружения сельского хозяйства.
Ключевыми задачами являются:
создание цифровых методов, технологий, технических
средств, обеспечивающих мониторинг полей, сбор цифровых
данных о растениях, животных и полезных микроорганизмов,
цифровых методов составления и обновления почвенных карт,
51
Проектная деятельность
в сфере цифрового сельского хозяйства
методов актуализации и использования селекционного и генетического материала;
внедрение цифровых инструментов для использования
информационных ресурсов, платформ и технологий на сельхозобъектах, повышающих эффективность сельскохозяйственного производства;
создание технологий и технических средств для автоматизации, роботизации и интеллектуального сельскохозяйственного производства;
разработка информационных технологий проектирования агропродовольственных систем разного масштаба (сельскохозяйственные организации, сельское хозяйство регионов
и Российской Федерации в целом) с учётом новых возможностей, обеспечиваемых потенциалом цифровой платформы
сельского хозяйства;
разработка систем прогнозирования состояний агропродовольственных рынков, сопряжённых с ГИС;
разработка инструментария для оценки воздействия
вариантов аграрной политики на субъектов рыночной деятельности;
создание технологий, упрощающих процесс кредитования и страхования сельскохозяйственного производства, снижение сроков предоставления государственных услуг (субсидии, дотации и др.) с учётом наличия объективных цифровых
данных о субъекте, упрощение документооборота. Задача –
стимулирование внедрение цифры и, следовательно, рост оборота и производительности труда хозяйствующих субъектов;
использование финансово-регуляторных инструментов
для сглаживания сезонных спадов и информационных инструментов управления наличия биржевых товарах на складах хранения (зерно, масло, сахар, сухое молоко и пр.);
повышение эффективности взаимодействия участников
между собой и государством с переходом в цифровой формат,
интеграция информационных ресурсов и удобный быстрый доступ к ним неограниченного авторизированного количества
пользователей (электронное сопровождение сделок, технологии
распределённого реестра, электронные складские расписки, акты приёмки товара на переработку и др.);
52
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
развитие цифровой среды дистанционного аграрного образования и рынка профессионального агроконсультирования;
повышение привлекательности работы в сельском хозяйстве, увеличение спроса на специалистов ИТ в сельскохозяйственной отрасли, повышение уровня доходов на селе;
обеспечение участников сельхозпроизводства доступом к платформе макропрогнозирования спроса, платформам
управления сельхозтехникой, прогнозам погоды и средствам
объективного контроля вегетации, инструментам планирования
и управления производством с элементами Big Data и AI, тесная интеграция процессов цифрового сельского хозяйства
с платформами, разрабатываемыми в процессе реализации
цифровой экономики;
обеспечение высокоскоростной связи для сельских
территорий, стандартизация форматов и протокола обмена
данными между информационными системами управления;
создание технологий и платформ поддержки принятия
решений сельхозпроизводителям.
3.2. Направления цифровой трансформации
сельского хозяйства
Основными направлениями цифровой трансформации
сельскохозяйственного производства являются:
формирование базового набора процессов и методологии цифрового сельского хозяйства в целях эффективного
и оперативного использования имеющихся ресурсов для внедрения экономически обоснованных наилучших доступных технологий и практик, повышающих рентабельность сельскохозяйственного производства, обеспечивающих возможность производства сельскохозяйственной продукции в сквозной цифровой
среде «от поля до прилавка»;
запуск платформы для производителей, способствующей формированию динамических сезонных KPI управления
растениеводством «Эффективный гектар» и животноводством
«Эффективная голова», позволяющих эффективно использовать имеющие у производителя ресурсы: мощности машиннотракторного парка, кадры, показатели прибыли, рентабельности
53
Проектная деятельность
в сфере цифрового сельского хозяйства
и затрат, значения себестоимости продукции по отраслям, прогнозы по сбыту, фьючерсы закупочных цен на продукцию внутри России и для экспорта продукции;
разработка функциональных требований к отечественной аппаратуре дифференциального позиционирования по сигналам ГЛОНАСС / ГНСС для систем цифрового и «точного
земледелия»;
внедрение платформ объективного мониторинга и управления транспортной и логистической инфраструктурами в сельском хозяйстве;
создание по единым форматам баз данных технологий
земледелия, техники и оборудования, почв и их свойств, культур и сортов, удобрений и средств защиты растений, болезней
и вредителей, экономических моделей ведения сельскохозяйственного бизнеса и других данных, влияющих на результаты
работы СХТП;
создание методик, алгоритмов и технологий управления «цифровым сельскохозяйственным предприятием»;
разработка методов и алгоритмов прогнозирования состояния агроэкосистем для создания адаптивных технологических карт полевых работ и экономических моделей;
разработка технико-экономических моделей использования оборудования и агрегатов для различных условий землепользования;
создание интеллектуальных систем поддержки принятия решений для сельскохозяйственных предприятий;
создание инновационных хозяйств как площадок
для отработки технологий и обучения;
внедрение платформ «интернета вещей» (киберфизические системы) для управления сельхозтехникой, теплицами,
инструментами, потоками используемых материалов, повышения энергоэффективности производства, управления системами
прослеживаемости и т. д.;
обеспечение международной совместимости применяемых стандартов и протоколов с целью постепенного импортозамещения доминирующих на рынке сельскохозяйственного
производства зарубежных технологий;
обязательная локализация данных телеметрического
контроля;
54
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
применение технологий цифрового анализа структуры,
состава и состояния почв, мониторинга посевов для повышения
урожайности и предиктивного анализа урожая, вредителей и т. д.;
разработка технических требований и внедрение отечественной аппаратуры дифференцированного внесения удобрений и химикатов для систем цифрового и точного земледелия на основе цифровых почвенных карт, показывающих особенности свойства на каждом участке поля;
создание матрицы цифровых решений формирования
севооборотов для различных регионов РФ с учётом специфики
производства (например равнинное растениеводство, северное
пастбищное оленеводство, озёрная аквакультура и т. д.),
для производства качественной экологически безопасной продукции на основе лучших практик и с использованием научного
потенциала;
апробация, анализ и внедрение цифровых технологий
управления сберегающим земледелием (биологизация производства), применяемые на всех этапах / технологических операциях
производства (прямой и полосовой посев, дифференцированное
внесение удобрений, контролируемый проезд техники (CTF), эффективная уборочная и послеуборочная логистика и т. д.);
интеграция аналитических цифровых инструментов и регуляторных решений для борьбы с «чересполосицей», контроль
и мониторинг использования земельных ресурсов при помощи
анализа больших данных;
применение технологий цифрового анализа структуры,
состава и состояния почв, мониторинга посевов для повышения
урожайности и предиктивного анализа урожая, вредителей и т. д.;
интеграция информационных систем Россельхознадзора и ветеринарных служб в государственно-частную цифровую
платформу с целью бесшовного сопряжения систем контроля
и надзора в системы управления бизнесом хозяйствующих
субъектов с целью идентификации и прослеживаемости животных и для включения в сквозные цифровые цепочки полного
производственного цикла продукции животноводства;
цифровизация животноводства и использование технологий «цифрового стада», внедрение процессов жизненного
цикла и прослеживаемости для обеспечения высокого качества,
55
Проектная деятельность
в сфере цифрового сельского хозяйства
в том числе для экспорта продукции животноводства («зелёные
коридоры»);
проведение работ по стандартизации форматов и протоколов обмена данными между информационными системами
управления производством для роста конкуренции поставщиков
цифровых решений с приоритетом отечественным разработчикам программного обеспечения при соблюдении совместимости
с общемировыми стандартами;
развитие цифровых технологий отечественной селекции и генетики (в том числе на основе технологии блокчейн),
ускоренное выведение новых сортов растений и пород животных, адаптированных к конкретным почвенно-климатическим
условиям регионов, с высоким потенциалом урожайности, привесов и устойчивости к болезням и повреждению вредителями
с созданием в регионах селекционно-семеноводческих центров;
содействие разработке и внедрению в систему высшего
и среднего профессионального образования новых образовательных программ и стандартов обучения по инновационным
технологиям цифрового земледелия сельского хозяйства (в том
числе применение прямого посева, технологии точного земледелия, биотехнологии и т. д.), в том числе курсы повышения
квалификации кадров для АПК, обеспечение комплекса мер
по трансферту знаний и распространения технологий сберегающего земледелия и биотехнологий в сельхозпроизводстве;
создание сквозной платформы контроля процессов
производства сельхозпродукции для обеспечения работы систем социального питания России;
формирование наборов данных и процедур для создания информационных систем торгов, закупок, управления экспортом и импортом продукции сельского хозяйства;
интеграция информационных систем участников рынка
и государства в распределённую и открытую «метасистему»,
обеспечивающую интеграцию баз знаний по инновационным
технологиям для экологической и экономической эффективности сельского хозяйства по всем рабочим системам, включая
системы прослеживаемости, данные по семенному и генетическому фонду, данные поставщиков удобрений и т. д.
56
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
3.3. Перспективы применения технологий больших данных
и искусственного интеллекта в сельском хозяйстве
Большие данные и их экосистема
В наше время генерируется много данных во многих сферах нашей деятельности – с различных датчиков, видеокамер,
мобильных телефонов, фитнес-браслетов и т. п. Это могут
быть звуковые данные (музыка, разговорная речь), изображения, видео, текстовые данные и т. д. Мы можем сказать, что такое разнообразие данных по формату и их источникам является
основой так называемых «больших данных».
Под обобщающим термином «большие данные» (big data,
биг дата) принято понимать любые наборы данных, достаточно
большие и сложные для того, чтобы их можно было бы обработать традиционными средствами работы с данными. Единого
мнения о том, какой объём считать «достаточно большим», нет,
но нужно помнить, что сам термин «большие данные» – это не
только про объём данных.
С данным термином связывают концепцию “5V – Volume,
Velocity, Variety, Veracity, Value” – принципы, на которых строится работа с большими данными. Это непосредственно объём
информации (Volume), быстродействие её обработки (Velocity),
разнообразие сведений, хранящихся в массиве (Variety), достоверность этих данных (Veracity), а также их ценность (Value).
То есть она должна быть полезной и нужной в теоретическом или практическом плане, что оправдывало бы затраты
на её хранение и обработку.
Большие данные – это не только сами данные, но и технологии их обработки и использования, методы поиска необходимой информации в больших массивах. Проблема больших данных по-прежнему остаётся открытой и жизненно важной
для любых систем, десятилетиями накапливающих самую разнообразную информацию [30].
Экосистема больших данных
Технологии больших данных можно разбить на несколько
основных категорий (рис. 2) в зависимости от специфики задачи
(в скобках указаны примеры приложений):
57
Проектная деятельность
в сфере цифрового сельского хозяйства
базы NoSQL и NewSQL для хранения огромных объё-
мов данных (NoSQL: MongoDB, MemCache, Hbase, HyperTable,
Cassandra, Neo4J; NewSQL: Hive, Impala, BayesDB, Sensei,
Drizzle);
распределённое программирование и распределённая
файловая система для масштабирования и работы на нескольких серверах сразу (HDFS, Red Hat ClusterFS, Apache
MapReduce, Apache Pig, Apache Spark);
машинное обучение – извлечение полезных знаний
из данных (Mahout, WEKA, SPARK, Python, R);
планирование для автоматизации повторяющихся опе-
раций и запуск заданий по событиям (Oozie, Falcon);
развертывание системы – автоматизация установки
и настройки компонентов (новых приложений) в кластерах
больших данных (Mesos, HUE, Ambari);
программирование служб: обеспечение доступа к прило-
жениям больших данных как к сервису (Apache Thrift, Zookeper);
безопасность – создание централизованной и высоко-
точной системы управления доступом к данным (Sentry, Ranger);
интеграция данных – объединение данных, находящих-
ся в разных источниках (Apache Flume, Sqoop, Scribe).
Рис. 2. Экосистема больших данных
Большие данные встречаются повсеместно в коммерческих и некоммерческих средах. Количество потенциальных
применений огромно и включает в себя такие направления
58
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
(но не ограничивается ими), как маркетинг, образование, медицина, биология, сельское хозяйство, финансы, государственный
сектор, безопасность и др.
Встречается много различных типов данных, для каждого
из которых используются свои методы и инструменты. Основные категории: структурированные, неструктурированные, графовые (сетевые), потоковые, данные на естественном языке,
машинные данные, медиаданные (аудио, видео, графика).
Таким образом, понятие больших данных подразумевает
работу с данными огромного объёма и разнообразного состава,
часто обновляемой и находящейся в разных источниках в целях увеличения эффективности работы, создания новых продуктов и повышения конкурентоспособности.
Искусственный интеллект и машинное обучение
Большие данные, которые мы изучали ранее, являются
ресурсом или «топливом» для искусственного интеллекта, который включает в себя, в частности, машинное обучение и глубокое обучение (рис. 3).
Рис. 3. Большие данные и искусственный интеллект
Машинное обучение – это обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Целью машинного обучения является автоматизация (полная или частичная) решения сложных
профессиональных задач в разных областях деятельности.
Машинное обучение находится на стыке математической статистики, методов оптимизации и классических математических
дисциплин [12].
59
Проектная деятельность
8
в сфере цифрового сельского хозяйства
Основные стандартные типы задач машинного обучения8
Обучение с учителем – наиболее распространённая
категория задач машинного обучения. Каждая ситуация представляет собой пару «объект – ответ». Требуется найти функциональную зависимость ответов от описаний объектов и построить алгоритм, принимающий на входе описание объекта
и выдающий на выходе ответ. Качество оценивается на основе
средней ошибки ответов, выданных алгоритмом, по всем объектам выборки.
- Классификация заключается в разбиении наблюдений
на классы на основе анализа их векторов признаков. Объекты
в пределах одного класса считаются эквивалентными с точки
зрения критерия его формирования. Необходимо заметить,
что в этой задаче множество классов, к которым может быть
отнесен объект, заранее известно.
- Регрессия позволяет определить по известным характеристикам объекта значение некоторого его параметра. В отличие
от задачи классификации значением параметра является не конечное множество классов, а множество действительных чисел.
- Прогнозирование заключается в разработке прогнозов
путём исследования конкретных перспектив дальнейшего развития какого-либо процесса. Для решения задач прогнозирования часто используются методы регрессии и классификации.
- Задача ранжирования отличается тем, что ответы надо
получить сразу на множестве объектов, после чего отсортировать их по значениям ответов. Может сводиться к задачам
классификации или регрессии. Часто применяется в информационном поиске и анализе текстов.
Обучение без учителя. В этом случае ответы не зада-
ются явно, и требуется искать зависимости между объектами.
- Кластеризация заключается в том, чтобы сгруппировать
объекты в кластеры, используя данные об их попарном сходстве.
- Поиск ассоциативных правил, которые позволяют находить закономерности между связанными событиями. Примером
такой закономерности служит правило, указывающее, что из события X следует событие Y с некоторой вероятностью.
См. подробнее: URL: http://www.machinelearning.ru/wiki/index.php?
title=Машинное_обучение
60
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]