كيف تساعد IBM شركة SupPlant في تحويل مليارات إشارات البيانات إلى قرارات ري فورية على نطاق عالمي

لا تنتظر موجة الحر حتى يقوم المزارع بتفسير لوحة المعلومات. إذا جفت التربة، سيتباطأ نمو الثمار، وعندما يتغير الطقس بين عشية وضحاها، يجب اتخاذ قرار الري بسرعة وثقة. نقص المياه يمكن أن يجهد المحاصيل ويقلل من الإنتاجية، ولكن الإفراط في المياه قد يؤدي إلى هدر المال والطاقة.

قامت SupPlant ببناء تجربتها الرقمية حول تلك اللحظات. تقوم الشركة بتحويل بيانات المستشعرات والأقمار الصناعية والطقس والمحاصيل إلى توصيات واضحة للري، يتم إرسالها عبر تطبيق WhatsApp. تساعد هذه التوصيات أكثر من 100000 مزارع في 14 دولة وأكثر من 33 نوعاً من المحاصيل على اتخاذ إجراءات استباقية قبل أن تتحول ظروف الحقول المتغيرة إلى مشاكل مكلفة.

نطاق عملهم يمثل تحدياً هندسياً مألوفاً: استيعاب بيانات متنوعة، معالجتها بسرعة، جعلها مفيدة، خدمة شرائح مستخدمين متعددة، والحفاظ على تجربة استخدام بسيطة.

يُعدّ نشر SupPlant درساً مفيداً للفرق التي تعمل على بناء أنظمة الذكاء الاصطناعي. الجزء الأصعب ليس دائماً النموذج، بل هو ربط الإجابات الصحيحة بالمستخدم المناسب، في الوقت المناسب، وفي المكان المناسب.

يستعرض هذا المنشور كيفية بناء شركة SupPlant لحل سحابي على AWS باستخدام IBM Confluent، و Astra DB ضمن IBM watsonx.data، بالإضافة إلى محركات التحليلات ونماذج الذكاء الاصطناعي التي تدعم عمليات الاستيعاب والمعالجة والتسليم في الوقت الفعلي. يعمل هذا الحل جنبًا إلى جنب مع WhatsApp لإنشاء وتقديم توصيات مخصصة ودقيقة للري — على نطاق عالمي.

تخدم SupPlant ثلاث مجموعات رئيسية من المستخدمين. يستخدم المزارعون أصحاب الحيازات الصغيرة، الذين يعملون عادةً على مساحة تصل إلى 50 هكتارًا، منتج "Plant " الذي لا يحتوي على مستشعرات. يستخدم المزارعون التجاريون الذين يديرون محاصيل ذات قيمة عالية، مثل الأفوكادو والحمضيات واللوز والعنب، منتج SNS المعتمد على أجهزة الاستشعار الأكثر تطوراً من SupPlant لتحقيق دقة أكبر في الري. وأخيراً، تستخدم الحكومات والبرامج الزراعية الكبيرة نموذجاً هجيناً يجمع بين المستشعرات المادية وبيانات الأقمار الصناعية لدعم العديد من المزارعين عبر مناطق واسعة.

عبر مختلف القطاعات، تظل حاجة المستخدم ثابتة: وهي الحصول على توجيهات عملية بشأن الري. في هذا السياق، تعني الزراعة الدقيقة استخدام البيانات المتعلقة بالنباتات، والتربة، والطقس، وسلوك المحاصيل لاتخاذ قرارات بشأن توقيت الري وكمية المياه التي يجب استخدامها.

بدأ تصميم SupPlant من ملاحظة عملية: وهي أن العديد من المزارعين لا يملكون الوقت الكافي لإجراء تحليلات معقدة أو توظيف فريق متخصص في الهندسة الزراعية (والهندسة الزراعية هي العلم المختص بإدارة المحاصيل والتربة). لذا، تقوم تقنية SupPlant بإجراء التحليلات والعمليات الزراعية في الخلفية، ثم تقدم توصية موجزة عبر قناة مألوفة: WhatsApp.

يدعم المنتج عمليات النشر القائمة على المستشعرات، حيث يتم توليد بيانات ميدانية عالية الجودة. كما أنه يدعم عمليات النشر التي لا تعتمد على أجهزة استشعار حيث تُقدِّم بيانات الأقمار الصناعية والأرصاد الجوية توصيات للمزارع دون الحاجة إلى معدات متخصصة. توفر أجهزة الاستشعار الدقة، وتوفر النماذج التي تعمل بالأقمار الصناعية إمكانية الوصول. تدعم بنية التجربة الرقمية في SupPlant كلا النشرين دون إنشاء أنظمة منفصلة لكل سوق أو محصول أو شريحة عميل.

يُنظم مخطط البنية التحتية النظام من اليسار إلى اليمين: حيث تحدث أحداث البيانات في الوقت الفعلي، ثم يتم استيعاب البيانات وتقديمها، تليها عملية توليد التوصيات، وأخيراً يتلقى المزارعون تلك التوصيات عبر تطبيق WhatsApp. هذا التدفق البصري البسيط يخفي وراءه العديد من الخيارات الهندسية المهمة.

يُظهر الجانب الأيسر من الرسم البياني طبقة مصدر البيانات. تتضمن مستشعرات ميدانية تعمل في الوقت الفعلي، وتلتقط بيانات الأشجار، والثمار، والتربة، وضغط المياه، وجذوع الأشجار. كما يتضمن النظام صور الأقمار الصناعية، التي تقوم SupPlant بربطها ببيانات أجهزة استشعار الحقول، مما يمكنها من تطبيق الدروس المستفادة من المزارع المجهزة بالأدوات على مساحات أكبر لا تتوفر فيها تلك المستشعرات.

يتم تعزيز بيانات المستشعرات ببيانات الطقس المتوقعة، ومعلومات المزارعين والمحاصيل، وصحة الغطاء النباتي، وهيكل المظلة النباتية، ورطوبة التربة، وبيانات الإجهاد الحراري والمائي. تكمل البيانات التاريخية الطبقة التي تحتوي على بيانات من أكثر من 2200 موسم زراعي عبر أكثر من 40 محصولًا.

لا تصل جميع نقاط البيانات هذه بنفس الطريقة. يمكن أن تصل بيانات المستشعرات في وقت شبه فعلي، بينما قد تصل بيانات الطقس وصور الأقمار الصناعية وسجلات المزارعين ومعلومات المحاصيل وفق جداول زمنية أبطأ. يمكن أن تصل بيانات المستشعرات في وقت شبه فعلي، بينما قد تصل بيانات الطقس وصور الأقمار الصناعية وسجلات المزارعين ومعلومات المحاصيل وفق جداول زمنية أبطأ. تتم عملية تحميل الدفعات عبر واجهات برمجة تطبيقات الموردين لنقل البيانات إلى طبقة البيانات المركزية، حيث يمكن معالجتها وتخزينها واسترجاعها لأغراض التحليلات.

يعرض منتصف الرسم البياني Astra DB في IBM watsonx.data. يعمل Astra DB، المبني على Apache Cassandra، كقاعدة بيانات NoSQL تشغيلية مصممة لتخزين واسترجاع البيانات التي لا تتناسب بسهولة مع الصفوف والأعمدة التقليدية.

هذا يجعله مفيداً لبيانات المستشعرات ذات الحجم الكبير، وبيانات الأقمار الصناعية، وبيانات الأحداث. في بنية SupPlant، تدعم هذه الطبقة التخزين القابل للتوسع، والاسترجاع السريع، والوصول الفوري للبيانات لمحركات التحليل والتوصيات. يساعد Astra DB أيضًا في أتمتة عمليات استيعاب واسترجاع بيانات المستشعرات والأقمار الصناعية، وذلك لتمكين إثراء هذه البيانات لاستخدامها في تطبيقات الذكاء الاصطناعي.

تغذي طبقة البيانات غير المنسقة التوصيات الفورية وتحسين النموذج على المدى الطويل. على سبيل المثال، يمكن لمستشعر الأفوكادو التقاط صورة لحجم الثمرة كل نصف ساعة، ومن ثم يمكن معالجة القياسات الأولية لاستخراج ملخصات يومية، وكشف الأنماط غير الطبيعية، وتحديد مراحل النمو، وتحليل نهاية الموسم، بالإضافة إلى إجراء مقارنات بين المحاصيل والمواسم والمزارعين.

يقوم محرك التحليلات بمعالجة بيانات الطقس والمحاصيل والري، ويُغذي بها نماذج التعلم الآلي والذكاء الاصطناعي لاكتشاف إجهاد المحاصيل (الناتج عن الحرارة أو نقص المياه، على سبيل المثال)، وتوقع احتياجات الري، والتنبؤ بمعدلات النمو أو الإنتاجية. الهدف ليس إظهار كل متغير للمزارع. الهدف هو توليد أفضل إجراء تالٍ: الري اليوم ، أو إضافة الري الليلي قبل موجة الحر، أو التحقق من تنبيه انخفاض الرطوبة في التربة، أو تعديل الخطة الأسبوعية.

مع نموذج الري القائم على نمو النبات من SupPlant، تقوم المستشعرات بنقل بيانات النبات والبيانات المناخية إلى السحابة. يقوم النظام بمعالجة تلك البيانات ويمكنه دعم الري الذاتي، حيث تُوجِّه حالة النبات المقاسة سلوك عملية الري. تستخدم SupPlant مواقع مرجعية مجهزة بالأدوات كحقائق ميدانية؛ وهي بيانات واقعية مُتحقق من صحتها تُستخدم لتدريب واختبار النماذج. تُعد هذه النتائج بمثابة تحسين لنماذج المحاصيل ومعاملات المحاصيل، وهي أرقام تُستخدم لتقدير كمية المياه التي يحتاجها المحصول في مرحلة نمو معينة.

ينتقل الرسم التخطيطي بعد ذلك من التوصيات إلى المراسلة الفورية. تعمل قائمة انتظار الرسائل بمثابة منطقة تخزين مؤقت، مما يتيح لجزء من النظام نشر المهام بينما يقوم جزء آخر باستهلاكها بالسرعة المناسبة. يُستخدم Kafka عادةً كناقل أحداث، حيث يقوم المنتجون بنشر الأحداث ويقوم المستهلكون بقراءتها. تستخدم SupPlant منصة IBM Confluent لإدارة قائمة انتظار رسائل Kafka الخاص بها، والذي يعمل كحلقة وصل بين طبقة التحليلات ونظام إرسال الرسائل عبر WhatsApp.  

هذا الفصل أمر بالغ الأهمية. قد يرغب المزارع في الحصول على توصيات أسبوعية في وقت محدد. قد يحتاج تنبيه الطقس القاسي إلى الوصول إلى مئات الآلاف من المزارعين خلال حدث الذروة. لا يمكن للبنية أن تعتمد على اتصال مباشر وهش بين النموذج والرسالة. باستخدام ناقل الأحداث، يمكن لـ SupPlant استيعاب الارتفاعات المفاجئة وتوجيه الأحداث والحفاظ على موثوقية التسليم عند زيادة الطلب.

يُظهر الجانب الأيمن من الرسم البياني طبقة التوصية في الوقت الفعلي. يتم تقديم التوصيات والتنبيهات والدعم عبر WhatsApp، حيث يوفر للمزارعين إرشادات أسبوعية للري، وتنبيهات مؤقتة ومساعدة دون الحاجة لتثبيت تطبيق آخر أو تسجيل الدخول إلى بوابة إلكترونية.

توفر IBM watsonx.data لـ SupPlant أساساً بيانياً للتعامل مع كميات هائلة من البيانات الزراعية الحساسة زمنياً. يدعم Astra DB الوصول السريع إلى السياق التاريخي والتشغيلي الذي يحتاجه محرك التوصيات، وذلك عند الحاجة إلى تحليل ظروف الحقل الحالية، وسلوك المحاصيل السابق، وبيانات الأقمار الصناعية، ومؤشرات الطقس معاً. يُسهم Astra DB في IBM watsonx.data في جعل تلك المدخلات قابلة للاستخدام في التحليلات والذكاء الاصطناعي، مع دعمها في الوقت ذاته للإجراءات الفورية وتحسين النماذج على المدى الطويل.

يدعم IBM Confluent و Kafka الطبقة القائمة على الأحداث التي تربط التوصيات بعملية التسليم الموجهة للمزارعين. يمكن للنماذج والخوارزميات وخدمات التحليلات نشر أحداث الري والتنبيهات والدعوات إلى اتخاذ إجراء دون الارتباط الوثيق بتسليم WhatsApp. يساعد هذا الفصل SupPlant على التعامل مع ذروة الطلب، مثل إرسال تنبيهات موجات الحر إلى عدد كبير من المزارعين دون إرباك النظام.

والنتيجة هي تجربة أبسط للمزارع. يمكن للرسالة الأسبوعية أن توصي بكمية الري. يمكن لتنبيه موجة الحر أن يوجه المزارع بزيادة الري ليلاً قبل ارتفاع مستوى الإجهاد لدى المحاصيل. يمكن لصور الأقمار الصناعية أيضاً المساعدة في توضيح ظروف الحقول، مثل تفاوت رطوبة التربة الذي يشير إلى وجود مشكلة في صمام أو في تغطية الري.

تُقدم بنية SupPlant درساً مفيداً لنشر تقنيات الذكاء الاصطناعي: وهو أن الذكاء لا يخلق قيمة حقيقية إلا عندما يصل إلى المستخدم في الوقت المناسب وعبر سير العمل الصحيح. التوصية التي تصل متأخرة أو تتطلب من المزارع تفسير لوحة معلومات معقدة لن تحسن قرار الري.

بمساعدة حلول IBM، يفصل تصميم SupPlant بين البيانات والنماذج والتسليم. هذا الأساس يمنح SupPlant المساحة اللازمة لتوسيع نطاق الري بدون مستشعرات، وزيادة تغطية المحاصيل، ودعم البرامج الحكومية دون الحاجة إلى إعادة بناء المنتج لكل سوق على حدة. يمكن لكل موسم أو محصول أو منطقة جديدة إضافة المزيد من البيانات إلى النظام، مما يؤدي إلى تحسين النماذج مع الحفاظ على سهولة تجربة المزارع.

من خلال البناء على محفظة بيانات IBM، تحول SupPlant إشارات المصانع والطقس والأقمار الصناعية إلى قرارات زراعية فورية. بالنسبة للمزارعي ، يعني ذلك اتخاذ قرارات أفضل للري واستخدام أكثر كفاءة للمياه ونتائج أقوى للمحاصيل. بالنسبة لـ SupPlant، فإنها تخلق مسارًا قابلاً للتوسع لخدمة المزيد من المستخدمين، ودعم المزيد من نماذج الأعمال، وتنمية الزراعة الدقيقة دون تحميل المستخدم النهائي عبء التعقيد.

استكشف IBM watsonx.data

استكشِف IBM Confluent