Esta publicación está coescrita con Etzik Bega de Agmatix. Agmatix es una empresa de Agtech pionera en soluciones basadas en datos para la industria agrícola que aprovecha tecnologías avanzadas de IA, incluida la IA generativa, para acelerar los procesos de I+D, mejorar el rendimiento de los cultivos y promover la agricultura sostenible. Centrado en abordar el desafío de la estandarización de datos agrícolas, Agmatix ha desarrollado tecnología patentada para armonizar y estandarizar datos, facilitando la toma de decisiones informadas en agricultura. Su conjunto de herramientas basadas en datos permite la gestión de ensayos de campo agronómicos, la creación de prescripciones digitales de nutrientes para cultivos y la promoción de prácticas agrícolas sostenibles. Ampliamente adoptadas por agrónomos, científicos y equipos de I+D en la fabricación de insumos agrícolas y organizaciones de investigación por contrato, las soluciones de análisis y pruebas de campo de Agmatix están a la vanguardia de la innovación agrícola.
Esta publicación describe cómo agmatix utiliza los servicios completos de amazon Bedrock y AWS para mejorar el proceso de investigación y el desarrollo de semillas de mayor rendimiento y moléculas sostenibles para la agricultura global.
amazon Bedrock es un servicio totalmente administrado que ofrece una selección de modelos básicos (FM) de alto rendimiento de empresas líderes en inteligencia artificial como AI21 Labs, Anthropic, Cohere, Meta, Mistral ai, Stability ai y amazon a través de una única API, junto con una Amplio conjunto de capacidades para crear aplicaciones de IA generativa con seguridad, privacidad e IA responsable. Con amazon Bedrock, puede experimentar y evaluar los principales FM para su caso de uso, personalizarlos de forma privada con sus datos mediante técnicas como el ajuste fino y la generación aumentada de recuperación (RAG), y crear agentes que ejecuten tareas utilizando los sistemas y datos de su empresa. fuentes.
A través de este enfoque innovador, Agmatix agiliza las operaciones, acelera la introducción de semillas de mayor rendimiento y fomenta el desarrollo de moléculas nuevas y sostenibles utilizadas en la protección de cultivos, incluidos pesticidas, herbicidas, fungicidas y productos biológicos.
La innovación en la I+D de pruebas de campo es compleja
La innovación sigue siendo un importante motor para aumentar los rendimientos y la seguridad de nuestro suministro mundial de alimentos. Los descubrimientos y mejoras en la genética de semillas, los fertilizantes específicos para cada sitio y el desarrollo de moléculas para productos fitosanitarios han coincidido con innovaciones en la IA generativa, el Internet de las cosas (IoT), datos de ensayos integrados de investigación y desarrollo y servicios analíticos informáticos de alto rendimiento.
De manera integral, estos sistemas han permitido reducciones dramáticas en el tiempo de comercialización de nuevas genéticas y moléculas, permitiendo a los productores productos nuevos y más efectivos. La I+D histórica y actual sobre variedades de cultivos y productos químicos agrícolas es esencial para mejorar los rendimientos agrícolas, pero el proceso de llevar un nuevo insumo agrícola a las granjas es caro y complejo. Una etapa clave en este proceso son las pruebas de campo. Después de que se desarrollan nuevos insumos en los laboratorios, se realizan pruebas de campo para probar la efectividad de nuevas variedades de cultivos y productos químicos agrícolas en condiciones del mundo real.
Existen varias tecnologías que ayudan a poner en funcionamiento y optimizar el proceso de las pruebas de campo, incluida la gestión y el análisis de datos, la IoT, la teledetección, la robótica, el aprendizaje automático (ML) y ahora la IA generativa.
Liderada por innovadores en tecnología agrícola, la IA generativa es la última tecnología de IA que ayuda a agrónomos e investigadores a tener interacciones abiertas similares a las humanas con aplicaciones informáticas para ayudar con una variedad de tareas y automatizar procesos históricamente manuales. Las aplicaciones de la IA generativa en la agricultura incluyen la predicción del rendimiento, la mejora de las recomendaciones de agricultura de precisión, la educación y capacitación del personal de agronomía y la posibilidad de que los usuarios consulten grandes conjuntos de datos utilizando lenguaje natural.
Desafíos actuales en el análisis de datos de ensayos de campo
Los ensayos de campo agronómicos son complejos y generan grandes cantidades de datos. La mayoría de las empresas no pueden utilizar los datos de sus pruebas de campo basándose en procesos manuales y sistemas dispares. La infraestructura de análisis de datos agronómicos y de gestión de ensayos de Agmatix puede recopilar, gestionar y analizar datos de ensayos de campo agrícolas. Los agrónomos utilizan este servicio para acelerar la innovación y convertir los datos de investigación y experimentación en inteligencia significativa y procesable.
Los agrónomos cargan o ingresan datos de pruebas de campo, crean y administran tareas para monitorear las pruebas de campo y analizan y visualizan datos de pruebas para generar conocimientos. La tarea indiferenciada y que requiere mucho tiempo de limpiar, estandarizar, armonizar y procesar los datos está automatizada y gestionada por el servicio inteligente de Agmatix.
Sin el uso de IA generativa, la capacidad de crear un panel analítico para analizar los datos de las pruebas y obtener información significativa de las pruebas de campo es compleja y requiere mucho tiempo. Los siguientes son dos desafíos comunes:
- Cada ensayo puede contener cientos de parámetros diferentes, y es un desafío para un agrónomo comprender qué parámetros y puntos de datos son significativos para los problemas específicos que desean investigar.
- Existe una amplia gama de herramientas y gráficos de visualización analítica (como ANOVA unidireccional, regresión, diagramas de caja y mapas) disponibles para elegir. Sin embargo, seleccionar la técnica de visualización más adecuada que facilite la comprensión de patrones y la identificación de anomalías dentro de los datos puede ser una tarea desafiante.
Además, una vez creado el panel analítico, puede resultar complejo sacar conclusiones y establecer conexiones entre los diferentes puntos de datos. Por ejemplo, ¿los resultados del ensayo apoyan la hipótesis del ensayo? ¿Existe alguna relación entre el fertilizante aplicado y el peso del grano producido? ¿Qué factores externos tienen el mayor impacto en la eficacia de la prueba del producto?
Los servicios de IA generativa de AWS proporcionan una solución
Además de otros servicios de AWS, Agmatix utiliza amazon Bedrock para resolver estos desafíos. amazon Bedrock es una oferta de IA generativa sin servidor y totalmente administrada de AWS que proporciona una gama de FM de alto rendimiento para admitir casos de uso de IA generativa.
A través de la integración del paisaje de Agmatix con amazon Bedrock, Agmatix ha desarrollado un asistente de IA generativa especializado llamado Leafy, que brinda a los agrónomos y al personal de I+D una experiencia de usuario significativamente mejorada.
En lugar de pasar horas evaluando puntos de datos para la investigación, seleccionando las herramientas de visualización adecuadas y creando múltiples paneles para analizar información de investigación y desarrollo y ensayos, los agrónomos pueden escribir sus preguntas en lenguaje natural y hacer que Leafy proporcione los paneles y los conocimientos relevantes de inmediato (consulte el siguiente captura de pantalla para ver un ejemplo de Leafy en acción). Esto ayuda a mejorar la productividad y la experiencia del usuario.
<img class="alignnone wp-image-89513 size-full" style="margin: 10px 0px 10px 0px;border: 1px solid #CCCCCC" src="https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2024/10/16/ML-16797-Agmatix-Leafy-ai-new.png” alt=”” width=”1877″ height=”991″/>
El primer paso para desarrollar e implementar casos de uso de IA generativa es tener una estrategia de datos bien definida. La arquitectura tecnológica de Agmatix está construida sobre AWS. Su canal de datos (como se muestra en el siguiente diagrama de arquitectura) consta de ingesta, almacenamiento, ETL (extracción, transformación y carga) y una capa de gobernanza de datos. Los datos de múltiples fuentes se reciben y almacenan inicialmente en un lago de datos de amazon Simple Storage Service (amazon S3). AWS Glue accede a los datos de amazon S3 para realizar comprobaciones de calidad de los datos y transformaciones importantes. Luego se utiliza AWS Lambda para enriquecer aún más los datos. Los datos transformados actúan como entrada para los servicios de IA/ML. Los usuarios acceden a los conocimientos generados a través de la interfaz de Agmatix.
Centrándonos en la IA generativa, primero comprendamos los fundamentos de la aplicación de chatbot de IA generativa:
- Inmediato – La pregunta o tarea de entrada que incluye información contextual proporcionada por el usuario.
- Datos – Los datos necesarios para responder la pregunta en el mensaje.
- Agente – El agente que realiza la orquestación de tareas.
En el caso de Agmatix, cuando el agrónomo le hace una pregunta a Leafy, la solución Insights de Agmatix envía una solicitud a Anthropic Claude en amazon Bedrock a través de una API:
- Inmediato – El mensaje enviado a Anthropic Claude consta de tareas y datos. La tarea es la pregunta enviada por el usuario.
- Datos – Los datos del mensaje incluyen dos tipos de datos:
- Instrucciones de datos de contexto para el modelo; por ejemplo, una lista de los tipos de widgets disponibles para visualización.
- Los datos del ensayo de campo específico.
El siguiente diagrama ilustra el flujo de trabajo de IA generativa.
El flujo de trabajo consta de los siguientes pasos:
- El usuario envía la pregunta al asistente de IA de Agmatix, Leafy.
- La aplicación lee los datos de las pruebas de campo, las reglas comerciales y otros datos requeridos del lago de datos.
- El agente dentro de la aplicación Insights recopila preguntas, tareas y datos relevantes y los envía como un mensaje al FM a través de amazon Bedrock.
- La respuesta del modelo de IA generativa se envía de vuelta a la aplicación Insights.
- La respuesta se muestra al usuario a través de los widgets que visualizan los datos de la prueba y la respuesta a la pregunta específica del usuario, como se muestra en la siguiente captura de pantalla.
<img loading="lazy" class="alignnone wp-image-88209 size-full" style="margin: 10px 0px 10px 0px;border: 1px solid #CCCCCC" src="https://technicalterrence.com/wp-content/uploads/2024/11/1731434863_815_IA-generativa-para-la-agricultura-como-Agmatix-esta-mejorando-la.png" alt="La respuesta en Leafy ai de Agmatix” width=”1646″ height=”1125″/>
Los datos utilizados en la ingeniería de avisos (resultado de la prueba y reglas) se almacenan en texto sin formato y se envían al modelo tal cual. La ingeniería rápida juega un papel central en esta solución de IA generativa. Para obtener más información, consulte la Guía de ingeniería rápida de Anthropic Claude.
En general, al utilizar amazon Bedrock en AWS, el servicio de pruebas de campo basadas en datos de Agmatix observó una mejora de más del 20 % en la eficiencia, una mejora de más del 25 % en la integridad de los datos y un aumento tres veces mayor en el rendimiento potencial del análisis.
Así es como la tecnología de IA generativa está ayudando a mejorar la experiencia general y la productividad de los agrónomos para que puedan concentrarse en resolver desafíos y tareas complejos que requieren conocimiento e intervención humanos.
Un ejemplo de la vida real de esta solución se puede ver en el La base de datos abierta más grande sobre nutrientes para la nutrición de cultivos.impulsado por la infraestructura Agmatix, donde los investigadores pueden aprovechar los conocimientos obtenidos de miles de pruebas de campo. En este escenario práctico, los usuarios se benefician de preguntas y respuestas guiadas facilitadas por la IA generativa. Este procesamiento de datos avanzado mejora la comprensión de los usuarios de las tendencias cambiantes en la absorción y eliminación de nutrientes de los cultivos, simplificando la creación de sistemas de apoyo a las decisiones.
Conclusión
Los fabricantes de semillas, productos químicos y fertilizantes necesitan soluciones agrícolas innovadoras e inteligentes para avanzar en la próxima generación de genética y moléculas. Ron Baruchi, presidente y director ejecutivo de Agmatix, destaca la sinergia beneficiosa entre los humanos y la tecnología:
“La IA complementa, en lugar de reemplazar, la experiencia humana. Al integrar la IA generativa de amazon Bedrock en nuestra infraestructura, brindamos a nuestros clientes herramientas analíticas de autoservicio que simplifican tareas complejas y que requieren mucho tiempo”.
Esta integración equipa a agrónomos e investigadores con capacidades avanzadas de IA para el procesamiento y análisis de datos, permitiéndoles concentrarse en la toma de decisiones estratégicas y la resolución creativa de problemas.
La gestión de ensayos de campo ha necesitado durante mucho tiempo una nueva dosis de infusión de tecnología. Con el servicio agrícola habilitado por IA de Agmatix, impulsado por AWS, los fabricantes de insumos pueden reducir el tiempo y el costo asociados con las pruebas de campo, al tiempo que mejoran la productividad general y la experiencia de los agrónomos y agricultores. Al entregar a los agricultores las semillas, los productos fitosanitarios y los fertilizantes más exitosos, sus operaciones agrícolas pueden prosperar. Este enfoque no sólo maximiza la eficiencia de estos insumos agrícolas esenciales, sino que también minimiza el uso de recursos naturales, lo que da como resultado un planeta más sostenible y saludable para todos.
Contáctenos para obtener más información sobre Agmatix.
Recursos
Consulte los siguientes recursos para obtener más información sobre AWS y amazon Bedrock:
Acerca de los autores
Etzik Bega es el arquitecto jefe de Agmatix, donde ha revolucionado la arquitectura del lago de datos de la empresa utilizando tecnología GenAI de vanguardia. Con más de 25 años de experiencia en ciberseguridad, arquitectura de sistemas y comunicaciones, Etzik se ha centrado recientemente en ayudar a las organizaciones a migrar a la nube pública de forma segura y eficiente.
Menajem Melamed es arquitecto senior de soluciones en AWS, especializado en análisis de Big Data e IA. Con una amplia experiencia en desarrollo de software y arquitectura de nube, capacita a las organizaciones para crear soluciones innovadoras utilizando tecnologías de nube modernas.
Prerana Sharma Es Gerente de Arquitectos de Soluciones en AWS, especializado en Manufactura. Con una amplia experiencia trabajando en el espacio de la agricultura digital, Prerana ayuda a los clientes a resolver problemas comerciales experimentando e innovando con tecnologías emergentes en AWS.
