馬克·約翰遜想在自己的遊戲中擊敗美國農業部:預測美國農作物的產量。美國農業部(USDA)在10月份玉米豐收前,每月派出數百名工人調查數千個農場,這是美國最大的作物。約翰遜的初創公司笛卡爾實驗室只有20名員工,他們從未離開過新墨西哥州洛斯阿拉莫斯的辦公室。取而代之的是,笛卡爾依靠4 PB的衛星成像資料和機器學習演算法,從太空中找出玉米作物的健康程度。
玉米產量預測在美國是一項大生意。隨著8月份玉米開始從地裡出來,每年農業供應鏈上的數十億美元岌岌可危。穀物升降機運營商、乙醇生產商、大宗商品交易商、對沖基金、保險公司,甚至種植玉米的農民,都將關註美國農業部8月12日釋出的8月作物報告,試圖瞭解玉米市場供應方面的表現。
笛卡爾說,它可以始終如一地預測美國農業部的玉米估計
在美國農業部去年8月作物報告釋出之前,2014年推出的Descartes開始釋出玉米產量預估。約翰遜說,該模型在生長季節的每一個點上都一直超出美國農業部在全國範圍內的預測。根據笛卡爾提供的資料,它比美國農業部2015年8月預測的準確率高出一個百分點。現在,Johnson說他們的演算法已經變得更加精確了,透過歷史回溯測試時平均誤差為2.5%。
約翰遜認為,他的公司能夠分析的資料的深度和頻率是作物預測的一個遊戲規則改變者。”約翰遜對《邊緣報》說:“我們的技術最棒的地方在於,傳統上,你必須和美國成噸的農民交談,才能得到一個美國農業部式的數字。”透過機器學習技術,我們可以從衛星上看到成噸的畫素,這告訴我們什麼在增長。”
縮小的感測器和廉價的雲端計算
目前,這是一個很常見的說法——各行業的公司都在利用不斷縮小的感測器和使用谷歌和亞馬遜等公司廉價雲端計算服務處理感測器的激增而積累的大量資料集。例如,氣象公司剛剛宣佈其當地的超級天氣預報員“深雷”,該公司利用機器學習透過歷史天氣報告進行嘎吱嘎吱作響,以預測未來的天氣狀況。
但大資料和機器學習只是笛卡爾方程的一個側面。
近五年來,奈米衛星(大小大致相當於鞋盒大小)的普及,為笛卡爾和類似的初創企業開闢了廣闊的發展空間。
過去,如果一家公司想要衛星影象資料,它將轉向美國**運營的衛星專案,如Landsat或MODIS,這類專案每週大約一次,將全球的解析度想象為20到30米。現在,新的奈米衛星星座,像衛星成像啟動行星執行的一個星座,每天以3到5米的解析度拍攝整個地球的快照。
愛荷華州的勒火星的圖片由行星的衛星星座拍攝。
目前正在收集的成像資料量是巨大的。”約翰遜說:“考慮到這一點,陸地衛星用了40多年的時間,用7顆衛星收集了不到1 PB的資料。這顆行星一年的產量很容易超過1 PB。”
越來越多的公司利用這些資料來分析全球趨勢。今年早些時候,衛星影象提供商DigitalGlobe幫助Facebook繪製了一張全球20億失聯人口的地圖。Orbital Insights跟蹤中國的工業發展,並從太空監控50多家美國零售商的停車場,以瞭解商店的交通狀況。
約翰遜和他的夥伴選擇跟蹤農業有幾個原因。首先,糧食短缺和全球氣候變化是緊迫的問題。第二,從陸地衛星和MODIS拍攝的影象中已經有了一年的資料集,可以用來訓練他們的機器學習模型。第三,玉米生長緩慢,農民可以透過紅外等額外的光譜波段來觀察玉米,這是老一代和新一代成像衛星記錄的。
從太空測量葉綠素
最後,也是最重要的一點,約翰遜說,這是一個棘手的問題“這不像是一個衛星在所有的沃爾瑪停車場,並挑選出汽車,”約翰遜說這是自動化的問題;這是人類可以做到的。我們所做的是將人類不能做的事情自動化。”
笛卡爾利用人眼看不見的光譜資訊來測量葉綠素含量。”有很多成熟的方法可以從葉綠素水平上獲得作物健康的指標,”Planet負責商業發展的副總裁Josh Alban說。Planet是Descartes的正式合作伙伴,它提供資料來計算產量估算,並幫助它為企業客戶構建定製產品。約翰遜不願提供其公司任何客戶的姓名,他說,ag業務的供應方人員對從何處獲得資料守口如瓶。知情人士對此並不感到意外。
笛卡爾的作物識別演算法在行星衛星影象上分層。
笛卡爾說,它每天分析美國每個農場的衛星資料(前提是沒有雲層覆蓋),每兩天更新一次玉米產量預測。美國農業部每月只更新一次預測。雖然美國農業部提供了全國和全州的預測,笛卡爾除了提供縣級預測之外,還提供了這兩個預測,而美國農業部只在季末提供,那時這些數字無關緊要。
全球作物和分析公司Geosys的創始人達米恩•萊普特(Damien lepotre)表示,提供當地估算的能力至關重要在過去的35年裡,我看到的一件事就是農業的複雜性農業總是地方性的。在不同的地方沒有兩種相同的土壤。每次都有點不同。”
困難的部分是建立你的神經網路
Geosys還分析光譜衛星資料,與業界其他大型企業一樣。但是萊普特認為,最近技術的進步,包括對機器學習的特別關註,給初創企業比過去更好的生存機會。
普華永道(PricewaterhouseCoopers)首席技術專家克裡斯•科倫(Chris Curran)表示:“這一切都歸結於一家公司的模式。”最困難的部分是訓練你的演算法,建立你的神經網路,讓你的資料真正創造價值。”
約翰遜說:“有了更好的衛星、更好的資料訪問和更強大的演算法,我們的模型將繼續變得更好。”。隨著笛卡爾完成這一任務,約翰遜說,他們將開始轉向其他作物(笛卡爾已經開始跟蹤大豆)和其他地區,如巴西和阿根廷、黑海地區、中國和歐盟。
在那之後,約翰遜說他的公司有野心更好地瞭解地球作為一個活的有機體。他說,笛卡爾的目標是“瞭解我們的自然資源,瞭解這些資源是如何運轉的,然後我們人類是如何改變地球的。”
...因此,有信心地得出結論是有幫助的。認知計算系統可以利用反饋、過去的經驗和新的資料做出更好的決策。虛擬現實和機器人技術是使用認知計算的少數例子。 什麼是機器學習(machine learning)? 機器學習是指可以從資料中學習...
...學習中,模型是有監督的。首先,需要對模型進行訓練。利用所獲得的知識,它可以預測未來例項的答案。模型是使用帶標籤的資料集進行訓練的。當一個樣本外的資料給系統時,它可以預測結果。下面是從流行的虹膜資料集中...
... 一些科技公司一直在交替使用這三種方法,以期獲得大肆宣傳和彌補風險投資資金的機會。雖然它們都屬於同一個大傘下,但它們之間有一些關鍵的區別。 ...
...比較熟悉JavaScript,那麼TensorFlow有教程影片介紹TensorFlow.js公司圖書館。 ...
...已經揭開了它最新的“登月計劃”:一個計算農業專案,公司稱之為Mineral。 據專案負責人艾略特·格蘭特介紹,該專案的重點是大規模的可持續食品生產和農業,重點是“在人工智慧、模擬、感測器、機器人等領域...
...超過10億公里的道路在該應用的幫助下行駛。但是,正如這家搜尋巨頭今天在部落格中解釋的那樣,得益於谷歌母公司Alphabet旗下位於倫敦的人工智慧實驗室DeepMind提供的機器學習工具,它的功能變得更加準確。 在這...
...將召開的會議,斯普林格原計劃在會上發表論文集,”該公司說。“經過徹底的同行評審,論文被否決了。” 然而,正如關鍵技術聯盟(Coalition for Critical Technology)所明確指出的,這一事件只是資料科學和機器學習領域更廣泛...
...析客戶安德里亞·斯卡索(Andrea Scarso)告訴《邊緣報》,這家初創公司的軟體從未改變過他的想法,但“開啟了一場關於不同方法的對話。”斯卡索說:“你可以看到,有時候,同一個專案中只有一兩個不同的元素可能會對商業...
...”,將一塊螢幕貼在眼睛上,可以增強你對世界的視野。這家初創公司mojovision上週在CES的會議上展示了一個非常早期的原型,現在準備開始討論產品的開發。 Mojo Vision希望首先創造一種智慧隱形眼鏡,透過顯示增強...
...人工智慧和機器人技術的巨大興趣之上。Re/code報道稱,這家搜尋公司正在以4億美元收購DeepMind Technologies,這是一項協調一致的人才收購計劃的一部分。我們已經聯絡谷歌進行確認。 根據這家初創公司的網站(目...