कृत्रिम बुद्धिमत्ता (AI), दूरस्थ संवेदन (Remote sensing) आणि साखर उद्योग
आज जगात कृत्रिम बुद्धिमत्तेचा (Artificial Intelligence ) वापर प्रत्येक क्षेत्रामध्ये वाढतो आहे. शेती क्षेत्रातल्या अनेक समस्या एकाच वेळी ओळखण्यासाठी आणि त्यावर उपाययोजना करण्यासाठीदेखील कृत्रिम बुद्धिमत्तेचा कसा वापर करता येईल, यावर जगभरात संशोधन सुरु आहे.
गूगल, महिंद्रा, मायक्रोसॉफ्ट, आणि टाटा यासारख्या अनेक दिग्गज कंपन्या कृषी क्षेत्रात आर्टिफिशियल इंटेलिजन्स तंत्रज्ञानाचा वापर करून भारतीय शेतीमधील महत्वाच्या समस्यांवर उपाययोजना शोधण्याचे काम करत आहेत. जगभरात होत असलेल्या हवामान बदलामुळे शेती क्षेत्राला मोठा फटका बसत आहे. त्याचा परिणाम म्हणून कमी उत्पादकता, किडीचा वाढता प्रादुर्भाव, अवकाळी पाऊस यामुळे शेती संकटात सापडत चालली आहे.
जगाची लोकसंख्या २०५० पर्यंत सुमारे १० बिलियन (१००० कोटी) होण्याची शक्यता आहे. त्यावेळी जागतिक अन्नाची मागणी ही आताच्या मागणी पेक्षा ५० टक्के अधिक असेल. सध्याच्या प्रचलित कृषी पद्धतीमध्ये आपण जगाच्या एकूण उपलब्ध गोड्या पाण्याचा ७० टक्के वापर करत आहोत आणि ४० टक्के रासायनिक खते योग्य पद्धतीने न दिल्याने किंवा केव्हा द्यायचे, किती द्यायचे हे न समजल्याने मोठ्या प्रमाणावर जमीन आणि पाण्याचे प्रदूषण होत आहे. ऊस शेतीमध्ये देखील कमी अधिक फरकाने याच समस्या आहेत.
भारतात आज साखर उद्योग हा अत्यंत आश्वासक उद्योग म्हणून ओळखला जात आहे. साखर उत्पादनात जगात अग्रेसर बनलेल्या साखर उद्योगाने काही कोटी रुपयांचा जीएसटी देशास मिळवून दिला आहे. आज इथेनॉलच्या धोरणामुळे साखर उद्योगास निश्चित चांगली संधी आहे.
साखर उद्योगामध्ये मोठ्या प्रमाणावर वेगवेगळ्या तंत्रज्ञानाचा वापर वाढत आहे. अनेक कारखाने आज ऑटोमेशन तंत्रज्ञान वापरत आहेत. परंतु सप्लाय चेनमध्ये (पुरवठा साखळी) अद्यापही म्हणावा इतका तंत्रज्ञानाचा वापर केला जात नाही. पुरवठा साखळीमध्ये आज ब्राझील कृत्रिम बुद्धिमत्तेचा वापर करून जगात १६% साखर उताऱ्यासह आघाडीवर आहे. भारत दुसऱ्या क्रमांकाचा साखर उद्योग असूनही अद्याप साखर उतारा १०.५० ते ११ दरम्यान आहे.
महाराष्ट्रात फारशी काही वेगळी परिस्थिती नाही आणि ११.३० साखर उताऱ्यासह आपण अडखळत वाटचाल करत आहोत. हवामान बदलाचा होणारा सूक्ष्म परिणाम महाराष्ट्राच्या ऊस उत्पादकतेवरही होत असून अवकाळी पाऊस, किंवा यंदासारखी अवर्षण स्थिती यामुळे साखर उद्योगासमोर अनेक आव्हाने उभी राहत आहेत.
आजमितीला अपरिपक्व ऊस तोडीमुळे देशाच्या साखर उताऱ्यात ०.३ ते ०.५ टक्के तोटा होऊन आज एकूण २००० कोटीचे नुकसान साखर उद्योगाचे पर्यायाने देशाचे होत आहे. जगाच्या बाजारपेठेत आज साखर उद्योगास सामोरे जायचे असेल तर त्यांना पुढील आव्हानांचा सामना करून त्यावर जगात उपलब्ध असलेल्या ह्या कृत्रिम बुद्धिमत्तेचा वापर करून यातील काही आव्हानांना निश्चित सामोरे जाता येईल.
साखर उद्योगासमोरील आव्हाने
१. एकूण नोंदणी झालेल्या क्षेत्राची अचूक माहिती : आज यासाठी अनेक कारखाने ऍपचा वापर करत असले तरीदेखील सध्याच्या वापरात असलेल्या GPS तंत्रामध्ये असलेल्या काही त्रुटीमुळे अचूक क्षेत्राची नोंद होत नाही. एका शेतकऱ्याचे किमान २-५ गुंठे क्षेत्र जरी चुकले तरी २०,००० सभासद नोंदणीमध्ये हा आकडा किमान २००० ते ३००० एकर क्षेत्र चुकीचे नोंदले जाते आणि त्यामुळे त्याचा नियोजनात मोठा फटका बसत आहे.
२. परिपक्व ऊसाची तपासणी आणि त्याप्रमाणे तोडणी प्रोग्रॅम बनवणे : आज एका कारखान्याकडे २० ते २५ हजार एकर क्षेत्र नोंदणीसाठी येत असते. प्रत्येक शेतातील ऊसाची परिपक्वता तपासणी करणे हे मोठे जिकिरीचे काम असून त्यात मानवी हस्तक्षेपामुळे त्यात अधिकच अडचणींचा सामना करावा लागतो. त्यामुळे अपरिपक्व ऊसाची तोडणी होऊन साखर उताऱ्यात ०.३ ते ०.५ टक्के इतकी घट होत असल्याचे निदर्शनास आले आहे.
३. प्लॉट निहाय उत्पादकतेची आकडेवारी: क्षेत्रीय स्तरावर आज जुने कर्मचारी आपल्या अनुभवानुसार उत्पादकतेची आकडेवारी देऊ शकतात, परंतु नव्याने येणाऱ्या कर्मचाऱ्यांना पुरेसे प्रशिक्षण नसल्याने आणि आवश्यक कौशल्येच्या अभावाने ते अचूक अंदाज देऊ शकत नाहीत. त्यामुळे नोंदणी झालेल्या क्षेत्रातून एकूण किती ऊस येणार आहे, याची अचूक आकडेवारी शेवटपर्यंत जुळवता येत नाही. त्यामुळेदेखील रिसोर्स प्लांनिंगमध्ये मोठी आव्हाने उभी राहत आहेत.
४. तोडणी झालेल्या आणि तोडणीसाठी सुरु झालेल्या प्लॉटची अचूक माहिती: आज अनेक शेतकरी २-३ कारखान्यांकडे आपला ऊस नोंद करतात. ऊस तोड लांबली तर लगेच दुसऱ्या कारखान्याला ऊस घालतात. त्यामुळे नेमका किती ऊस शिल्लक आहे, याची अचूक माहिती कारखान्याकडे असणे आवश्यक आहे. त्यानुसार त्यांना मजुरांचे नियोजन करणे शक्य होईल.
५. गाव निहाय ऊसाचे क्षेत्र: आज जवळपास सर्वच कारखान्यांना शेजारच्या गावात नेमका ऊस किती आहे याची खात्रीशीर माहिती नसते. त्यामुळे किती ऊस तिथे नोंदला आहे आणि किती ऊस अद्याप नोंद केला नाही याची अचूक माहिती उपलब्ध होत नाही. त्यामुळे वाहतूक खर्चात वाढ होते आहे आणि त्याचा नेमका फटका एफआरपी देण्यावर होत आहे.
६. प्लॉट निहाय पिकांवरील आलेला जैविक आणि अजैविक ताण : आज प्रत्येक क्षेत्रीय कर्मचाऱ्याकडे १०० पेक्षा अधिक प्लॉट नोंदणी झालेले असतात. प्रत्येक प्लॉटला प्रत्यक्ष भेट देणे आणि त्यावरील आलेला पाण्याचा अथवा कीड रोगांचा अभ्यास करून मार्गदर्शन करणे शक्य होत नाही. त्यामुळे एकूणच ऊस उत्पादकतेवर त्याचा विपरीत परिणाम होत आहे.
वरील आव्हाने बघितली असता आपल्याला मशीन लर्निंग कडे वळावे लागते. मशीन लर्निंग ही कृत्रिम बुद्धिमत्तेची एक शाखा आहे. ह्यामध्ये अल्गोरिदम चा वापर करून प्रत्यक्ष प्रोग्रामिंग न करता अंदाज वर्तवले जातात. कॉम्पुटर खूप मोठ्या प्रमाणात डेटा वापरून अल्गोरिदम ला कोणत्या घटकांचा नेमका कशावर परिणाम होतोय हे शिकविते आणि त्यातल्या त्यात उत्तम परिणाम देणारे अल्गोरिदम अंतिम केले जातात.
तुम्हाला मशीन लर्निंग मॉडेल ला उदाहरणार्थ ऊस पीक ओळखायला शिकवायचे असेल तर त्याला ऊस पिकाची पाने, ऊसाची मोळी, त्याचा रंग अशा विविध गोष्टी शिकवाव्या लागतात त्याचसोबत ऊस पिकाला इतर पिकांसोबत, विविध गोष्टीसोबत ठेवून त्याचे वेगळेपण ह्या संदर्भाने शिकवावे लागते.
त्याच सोबत ऊस पिकाच्या उत्पन्नाचा अंदाज लावण्यासाठी मशीन लर्निंग मॉडेलला प्रशिक्षण देण्यासाठी, तुम्ही बेण्याची विविधता, लागवडीची तारीख, अंतर, मातीची वैशिष्ट्ये, हवामान आणि खतांच्या मात्रा यासारख्या गोष्टींचा एक मोठा आणि वैविध्यपूर्ण डेटासेट गोळा करावा लागतो आणि ह्यातून कोणत्या महत्वाच्या फॅक्टर्स चा पिकाच्या उत्पादनावर परिणाम होतो हे अल्गोरिदम तपासून बघतो आणि त्याप्रमाणे वेटेज त्या डाटासेट ला दिले जाते.
आज कृषी क्षेत्रात तसेच साखर उद्योगात मशीन लर्निंग आणि पर्यायाने कृत्रिम बुध्दितमत्तेचा वापर वाढत असताना अनेकांना आपल्या नोकऱ्यांवर गदा येईल का यासारखे असंख्य प्रश्न मनात आहेत. त्याला जगप्रसिद्ध अक्सेंचर कंपनीचे उपाध्यक्ष राहिलेले पॉल दघरटी आणि जेम्स विल्सन ह्या द्वयीने नेमक्या शब्दात मशीन आणि माणूस एकमेकांना कशा पद्धतीने पूरक ठरू शकतो ह्यावर भाष्य केले आहे.
संदर्भ: “द मिसिंग मिडल” ह्यूमन प्लस मशीन लेखक: पॉल दघरटी आणि जेम्स विल्सन
ह्या मिसिंग मिडल चा नीट अभ्यास केला असता आपल्याला सहज लक्षात येईल की कृषी क्षेत्र हे अत्यंत क्लिष्ट असल्याने मानव आणि मशीन चे कार्य एकमेकांना निश्चितपणे पूरक असे होऊ शकते. काही खालील उदाहरणावरून ते सहज स्पष्ट होऊ शकेल.
- १. मशीनची अमर्यादित क्षमता: मशीन लर्निंग ची विविध मॉडेल्स वापरून कृषी क्षेत्रातील अत्यंत क्लिष्ट कामे उदा. पिकातील लाखो पानांची मोजणी करणे, अभ्यास करणे, विविध तणांचे वर्गीकरण करणे, सॅटेलाईट मधून प्राप्त पिकांच्या करोडो छायाचित्रांचा (पिक्सलचा) अभ्यास करणे. अशा अनेक कामासाठी मशीनचा प्रभावी वापर केला जाऊ शकतो. ह्यात ९० टक्के जरी अचूकता साधली तरी खूप मोठा ट्रेंड हाती लागू शकतो.
- २. मानवाचे अनुभव आधारित कौशल्ये: मशीन लर्निंग आणि मानवाचे एकमेकांना पूरक असे कार्य शेती उत्पादकतेचा अंदाज लावण्यासाठी होऊ शकतो. वर्षानुवर्षे एकाच क्षेत्रात काम करणारे क्षेत्रीय कर्मचाऱ्याचा पूर्वानुभव आणि ज्ञान ह्या आधारे पिकाची उत्पादकता सांगता येऊ शकते. मशीन लर्निंग अब्जावधी डेटा संकलित करून काही ट्रेंड निर्माण करू शकतो पण त्याला पूर्वानुभव नसल्याने एका निश्चित उत्तरापर्यंत येण्यासाठी त्याला मानवी कौशल्याची जोड द्यावीच लागेल.
- ३. कृषी मधील अनिश्चितता आणि डेटा मधील विसंगती: ऊसाचे दोन शेत एकसमान नसतात. मातीमधील घटक फुटा-फुटावर बदलतात. वातावरण हे नियमित बदलत असते. अशा अनिश्चित क्षेत्रात काम करत असताना यातील क्लिष्टता समजून घेण्याचे मोठे आव्हान मशीन लर्निंग मॉडेल वर आहे. सध्या डेटा मधील आउटलायर (अत्यंत टोकाचे रिझल्ट्स) काढून, आलेले अनुमान आणि प्रत्यक्ष आलेले रिझल्ट्स ह्यावर संशोधन सुरु असून मशीन आणि मानवी ज्ञान ह्या दोन्हींचा सुवर्णमध्य साधला जात आहे.
हे लक्षात घेऊनच साखर उद्योगासमोरील या आव्हानांचा अभ्यास करून साखर उद्योगासाठी आज अनेक उद्योग समूह स्मार्ट हार्वेस्टिंग सोल्युशन्स सारख्या तंत्रज्ञानाची निर्मिती करत आहेत. यामध्ये उपग्रह आणि कृत्रिम बुद्धिमत्ता याचा सुरेख वापर करून साखर उद्योगाला पूरक अशा प्रिसिजन ऍग्रीकल्चर तंत्रज्ञानाची निर्मिती केली जात आहे. या तंत्रज्ञानाचा वापर देशातील अनेक प्रमुख साखर कारखान्यांनी केला आहे.
- या तंत्राचा वापर करून पुढील फायदे मिळवता येतात.
- १.प्रत्येक आठवड्याला प्लॉट निहाय अचूक परिपक्वतेची (पोल इन केन ) माहिती
- २.परिपक्वतेनुसार हार्वेस्टिंग प्रोग्रॅम बनविणे आणि त्यानुसार तोडणी प्रोग्राम राबवणे शक्य
- ३.प्लॉट निहाय ऊस उत्पादकतेची अचूक माहिती. त्यानुसार एकूण किती टन ऊस कार्यक्षेत्रात उपलब्ध होणार, किती बाहेरून आणावा लागणार याची अचूक माहिती.
- ४.ऑटोमॅटिक फील्ड बॉउंडरी डिटेक्शन तंत्रज्ञान वापरून ऊस शेतीचे अचूक क्षेत्र समजते.
- ५. उपग्रहाद्वारे ऊसाचे सर्वे करून गाव निहाय एकूण ऊस क्षेत्र किती हे समजते. त्यामुळे आपल्या भागात नोंदणी वाढविण्यासाठी तंत्रज्ञान उपयुक्त ठरते.
- ६. प्रत्येक प्लॉटची बायोमास ग्रोथ म्हणजेच वाढीचा अभ्यास करून आलेला जैविक अथवा अजैविक ताण समजतो. शेताच्या कोणत्या भागात ही समस्या आली आहे, हे समजते.
- ७. उपग्रहाच्या मदतीने आलेल्या छायाचित्रांचा अभ्यास करून किती क्षेत्र तोडणी झालेले आहे आणि किती ठिकाणी ऊसतोड सुरु झाली आहे, हे देखील समजते
या तंत्रज्ञानाचा वापर देशातील काही आघाडीच्या कारखान्यात सुरु आहे. तसेच ऊसाच्या गुणवत्तेची माहिती वापरून आपले ऊस तोडणी नियोजन त्याप्रमाणे केले आहे.
त्यासोबत वाहतूक खर्च कमी करण्याच्या दृष्टीने जीपीएस तंत्रज्ञानाचा वापर, शेतकऱ्यांना कीड रोगांबाबत अलर्ट देणाऱ्या यंत्रणा, पाणी केव्हा द्यायचे याबाबत सूचना, खतांचा कार्यक्षम वापर होतो आहे कि नाही सांगणारे तंत्रज्ञान अशी अनेक आव्हाने कमी करण्याचा प्रयत्न कृत्रिम बुद्धिमत्ता आणि उपग्रह तंत्रज्ञान वापरून होणार आहे. ह्याचाच अर्थ क्षेत्रीय स्तरावरील ज्ञान आणि कृत्रिम बुद्धिमत्ता मधील मशीन लर्निंग मॉडेल्स हे दोन्ही साखर उद्योगास निश्चित एका उंचीवर घेऊन जातील.
लेखक
श्री. मंदार गडगे – ९९२१७९२१७३
श्री. शेखर गायकवाड- shekharsatbara@gmail.com
(लेखक १- कृत्रिम बुद्धिमत्ता क्षेत्रात काम करतात २. यशदा अति महासंचालक, पुणे)
