O que é Machine Learning, e como ele pode contribuir para agricultura?

 

Fonte: totvs.com

O século XXI trouxe consigo uma profunda revolução tecnológica com a expansão da internet, o aparecimento de redes de comunicação sofisticadas como o 3G e o 4G, e mais recentemente a discussão acerca da implantação do 5G, ou a criação de processadores cada vez mais pequenos e embutidos em todo o tipo de dispositivos. Estes avanços conduziram ao aparecimento da “internet of things” (IoT), um conceito que abrange a existência de um mundo em constante ligação, onde existem redes sensoriais interligadas recolhendo e transmitindo dados, desde as casas inteligentes ás parcelas agrícolas.

No caso da agricultura, a criação de sensores adaptados a medir variáveis como o teor de humidade do solo ou as variações do diâmetro do tronco abriram a possibilidade de os agricultores terem acesso a informação cada vez mais completa, precisa e acessível a qualquer momento, em qualquer lugar. O tratamento desta informação e a obtenção de conhecimento a partir dela é um tema cada vez mais recorrente entre a comunidade agrícola, sendo, nos países mais desenvolvidos, o valor dos conjuntos de informação designados por “Big Data” cada vez maior e existindo até empresas dedicadas à venda de dados adquiridos pelos produtores.

Ao conseguir criar conhecimento sobre as culturas e a sua condução, em ambientes e técnicas culturais completamente distintos, facilitamos a entrada no mercado de novos produtores que assim conseguem consultar informação e adquirir experiência que de outra maneira lhes levaria anos. Para além disso a quantidade de dados gerados diariamente por redes de IoT permite aos investigadores considerar a utilização de técnicas de “machine learning” (ML) e inteligência artificial, cujas potencialidades são já postas em prática noutras áreas.

Machine Learning é uma área de pesquisa da Inteligência Artificial que visa ao desenvolvimento de programas de computador com a capacidade de aprender a executar uma dada tarefa com sua própria experiência (FACELI et al., 2011). Isso leva ao desenho de programas capazes de aprender por si sós, utilizando-se um conjunto de dados que representam experiências passadas. Trata-se de uma área de pesquisa multidisciplinar que engloba inteligência artificial, probabilidade e estatística, teoria da complexidade computacional, teoria da informação, filosofia, psicologia, neurobiologia, entre outros. Exemplos de tarefas de Aprendizado de Máquina são: classificação e agrupamento de dados, e previsão de séries temporais.

Como exemplo básico de Machine Learning, pode-se citar um programa de computador que deve executar uma tarefa simples, como distinguir entre três variedades diferentes de flor de uma mesma espécie. Em vez de codificar um programa utilizando todo o conhecimento acerca das variedades da flor em questão, características botânicas das três flores são apresentadas a um programa que implementa um algoritmo de Machine Learning, que, por meio de um processo de treinamento, vai aprender a caracterizar uma flor baseado em suas características. Assim como os seres humanos aprendem a diferenciar as variedades de flores observando suas características, o programa de Machine Learning também aprenderá a tarefa por meio dessas características.

Métodos de Machine Learning vêm sendo aplicados na agropecuária há muitos anos. No trabalho de Garner et al. (1995), um framework muito utilizado pela comunidade (HALL et al., 2009) foi utilizado para gerar “árvores de decisão” (QUINLAN, 1993). Dessas árvores, foram extraídas regras de classificação para auxiliar fazendeiros na tomada de decisão com relação ao abate de gado. Uma árvore de decisão pode ser definida como uma estrutura que particiona um conjunto de dados em subconjuntos, até que os conjuntos obtidos com esse particionamento contenham dados de apenas um tipo. Nós internos da árvore representam atributos dos dados, e nós folhas representam as classes. Cada particionamento é obtido por meio de um nó interno, comparando, para cada exemplo, seu valor correspondente ao nó interno (atributo) com o valor contido no nó. Assim, a classificação de um exemplo é dada passando-se por todos os nós internos da árvore, até que um nó folha seja alcançado.

Na agricultura de precisão, o Machine Learning tem sido utilizado de muitas maneiras. Dados coletados durante a colheita, plantio e fertilização, por exemplo, podem ser analisados com o propósito de obter vantagem competitiva e, consequentemente, vantagem econômica. No trabalho de Russ et al. (2009), por exemplo, redes neurais conhecidas como Mapas Auto-Organizáveis (KOHONEN, 1990) foram utilizadas para visualização de dados agrícolas. Foram extraídas características de diferentes áreas de plantio, após a utilização de diferentes estratégias de fertilização. A utilização das redes neurais permitiu que os dados das áreas fossem analisados visualmente, tendo permitido que fossem encontradas correlações e, eventualmente, feitas previsões utilizando dados passados.

Redes neurais podem ser definidas como modelos computacionais baseados no funcionamento do cérebro. Assim como o cérebro possui neurônios, as redes neurais possuem neurônios artificiais organizados em camadas. Cada neurônio computa uma função matemática com os sinais que recebe como entrada. Esses sinais podem ser os dados propriamente ditos, ou podem ser provenientes de outros neurônios. O conhecimento que a rede aprende é armazenado nos pesos das conexões entre os neurônios. Esses pesos vão sendo ajustados durante o aprendizado da rede.

 

Leitura Complementar: Literatura Recomendada

 

Referências:

 

FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. L. F. de. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2011.

GARNER, S. R.; CUNNINGHAM, S. J.; HOLMES, G.; NEVILL-MANNING, C. G.; WITTEN, I. H. Applying a machine learning workbench: experience with agricultural databases. MACHINE LEARNING IN PRACTICE WORKSHOP, 1995. Tahoe City. Conference… Tahoe City: 1995. p. 14-21.

HALL, M.; FRANK, E.; HOLMES, G.; PFAHRINGER, B.; REUTEMANN, P.; WITTEN, I. H. The WEKA data mining software: an update. SIGKDD Explorations Newsletter, v. 11, n. 1, p. 10-18, 2009.

KOHONEN, T. K. The self-organizing map. Proceedings of the IEEE, v. 78, n. 9, p. 1464- 1480, Sept. 1990.

QUINLAN, J. R. C4.5: programs for machine learning. San Francisco: Morgan Kaufmann, 1993.

RUSS, G.; KRUSE, R.; SCHNEIDER, M.; WAGNER, P. Visualization of agriculture data using self-organizing maps. In: ALLEN, T.; ELLIS, R.; PETRIDIS, M. (Ed.). Applications and Innovations in Intelligent Systems. London: Springer, 2009. p. 47-60.