Ένα φιλόδοξο έργο που υλοποιείται με τη χρήση Τεχνητής Νοημοσύνης (AI) βρίσκεται υπό εξέλιξη, με κινητήρια δύναμη την Ομάδα Καινοτομίας Καταναλωτικής Ηλεκτρονικής (AEI) του τομέα προμηθευτών ελαιόλαδου, Inoleo. Ο στόχος τους είναι να χρησιμοποιήσουν την τεχνολογία AI για να προσδιορίσουν με ακρίβεια τον καλύτερο χρόνο για τη συγκομιδή των ελιών ώστε να παραχθεί ελαιόλαδο υψηλής ποιότητας. Αυτή η προσπάθεια, γνωστή ως Behtool, απέκτησε οικονομική υποστήριξη από το Υπουργείο Βιομηχανίας και Τουρισμού ως μέρος της πρωτοβουλίας τους για το 2023 με στόχο την ενίσχυση της ανταγωνιστικότητας της ισπανικής βιομηχανίας.
Στο προχωρημένο στάδιο, το Behtool έχει σκοπό να δημιουργήσει μια αξιόπιστη προγνωστική μοντέλωση που εκμεταλλεύεται ένα ευρύ φάσμα ιστορικών και πραγματικού χρόνου δεδομένων, περιλαμβάνοντας πρότυπα καιρού, φαινολογικά στάδια, εικόνες από δορυφόρους και πληροφορίες αισθητήρων. Η Citoliva, μέρος αυτής της συνεργασίας, λειτουργεί από το τεχνολογικό πάρκο Geolit στο Mengíbar, Jaén. Με αποστολή την μέγιστη αύξηση της παραγωγής ελαιολάδου και τη βελτίωση της ποιότητάς του, η Inoleo έχει διευρύνει το γεωγραφικό πεδίο της για τη συλλογή δεδομένων και έχει διαφοροποιήσει τους τύπους ελαιώνα – από χαμηλής υψόμετρου μέχρι πλαγιοκεφαλή έδαφα – για να αποκτήσει περισσότερα εισαγωγικά δεδομένα σχετικά με τη συμπεριφορά του μοντέλου υπό διάφορες συνθήκες.
Επιπλέον, έχουν γίνει σημαντικές προόδου στην εγκαθίδρυση μιας λεπτομερούς βάσης δεδομένων σχετικά με την φυσικοχημική και αισθητηριακή σύνθεση του ελαιολάδου, χρησιμοποιώντας το σύστημα Abencor για εξαγωγή ελαίου σε μικρή κλίμακα. Αυτά τα πολυσχιδή δεδομένα ποιότητας είναι ανεκτίμητα για τη βελτίωση του προγνωστικού μοντέλου, καθώς τέτοιες λεπτομερείς πληροφορίες συνήθως δεν είναι διαθέσιμες σε διακριτοποιημένη μορφή από τις α.ε. ή τους ελαιοτριβείους.
Οι συνεισφορές από τις ομάδες των Iteriam και Komorebi είναι σημαντικές. Η Iteriam έχει ήδη συμβάλει στην ανάλυση και τον μοντελισμό της συσχέτισης μεταξύ διαφόρων συνόλων δεδομένων και στη σχεδίαση του συστήματος ενσωμάτωσης για το μοντέλο. Παράλληλα, η Komorebi έχει προοδεύσει στη δημιουργία ενός αρχικού μοντέλου που συνδέει τη φαινολογία και τη μετεωρολογία, τοποθετώντας τα θεμέλια για την εντοπισμό της βέλτιστης στιγμής για τη συγκομιδή.
Παράλληλα, η Sensowave έχει αυξήσει την έρευνα με την αύξηση τόσο της ποσότητας όσο και της ποικιλίας των αισθητήρων, κυρίως σταθμών εδάφους για τη μόνιτορινγκ των φυλακών, βελτιώνοντας έτσι την ακρίβεια των συλλεγόμενων πληροφοριών και προωθώντας το έργο προς την επίτευξη του καινοτόμου στόχου του.
Λαμβάνοντας υπόψη το θέμα, παραθέτονται επιπλέον στοιχεία που είναι σχετικά με το θέμα της χρήσης της AI για τη βελτιστοποίηση της στιγμής της συγκομιδής των ελιών για την ποιότητα του πρέμιου ελαιολάδου:
– Η στιγμή της συγκομιδής των ελιών είναι κρίσιμη για την ποιότητα του ελαίου επειδή επηρεάζει τη γεύση, το άρωμα και τη θρεπτική του αξία. Οι νωπές συγκομιδές παράγουν τυπικά ένα λάδι με πιο αντίστατη γεύση και υψηλότερα επίπεδα αντιοξειδωτικών.
– Οι παραδοσιακές μέθοδοι για την προσδιορισμό της βέλτιστης στιγμής συγκομιδής στηρίζονται συχνά στην εμπειρία των αγροτών ή σε καθορισμένες ημερομηνίες, οι οποίες όμως δεν λαμβάνουν υπόψη τις ετήσιες διακυμάνσεις σε κλίμα και άλλους περιβαλλοντικούς παράγοντες.
– Η φαινολογία αναφέρεται στη μελέτη του κυκλικού και εποχικού φυσικού φαινομένου, ειδικά σχετικά με το κλίμα και την φυτική ή ζωική ζωή. Στα ελαιόδεντρα, οι φαινολογικές φάσεις, όπως η άνθιση και η ώριμη του καρπού, επηρεάζονται από τις καιρικές συνθήκες.
Ένα από τα σημαντικότερα ερωτήματα μπορεί να είναι: «Πώς ακριβώς η AI βελτιώνει τη συγκομιδή συγκριτικά με τις παραδοσιακές μεθόδους;» Η απάντηση βρίσκεται στη δυνατότητα της AI να επεξεργάζεται μεγάλες ποσότητες δεδομένων, μαθαίνοντας από τα πρότυπα σε καιρικές συνθήκες, υγεία φυτών και ανάπτυξη για να κάνει ακριβείς προβλέψεις που μπορεί να είναι πιο αξιόπιστες από την παραδοσιακή εμπειρία των αγροτών ή στατικές ημερομηνίες στο ημερολόγιο.
Κυριότερες προκλήσεις που συνδέονται με το θέμα είναι:
– Συλλογή και ενσωμάτωση δεδομένων: Η ακριβής συλλογή, ενσωμάτωση και διαχείριση μεγάλων συνόλων δεδομένων από διάφορες πηγές όπως αισθητήρες και δορυφόροι μπορεί να απαιτεί τεχνικές δεξιότητες.
– Ακρίβεια του μοντέλου: Η ανάπτυξη ενός μοντέλου AI που μπορεί να προβλέπει αξιόπιστα την βέλτιστη στιγμή για τη συγκομιδή σε διαφορετικά περιβάλλοντα και εποχές είναι πολύπλοκη.
– Διάδοση από τους αγρότες: Οι αγρότες πρέπει να εμπιστεύονται και να κατανοούν την τεχνολογία για να τη χρησιμοποιούν αποτελεσματικά στις υφιστάμενες πρακτικές τους.
Τυχόν αντιφάσεις μπορεί να αναδύονται γύρω από:
– Την τεχνολογική εξάρτηση: Ενδέχεται να υπάρχουν ανησυχίες σχετικά