Nieuws
Internationale Gemeenschap voor Kunstmatige Intelligentie voor Agrarische Modellering gelanceerd in Wageningen
Tijdens een baanbrekende bijeenkomst eind januari in Wageningen vierden experts en onderzoekers van over de hele wereld de start van de allereerste AgML-workshop gericht op het bevorderen van het gebruik van machine learning voor agrarische modellering. Dit is het begin van een belangrijke internationale samenwerking.
Landbouwmodellen spelen een cruciale rol bij het begrijpen van de effecten van klimaatverandering op het wereldwijde voedselsysteem en het verbeteren van de veerkracht. Machine learning (ML) methoden zijn in opkomst bij het bevorderen van wetenschappelijk onderzoek, met hun potentieel om complexe, niet-lineaire relaties te leren uit hoog-dimensionale gegevens, en zo de praktijk van agrarische modellering aanzienlijk te verbeteren.
Voordelen en uitdagingen begrijpen
Het afgelopen jaar heeft het Agricultural Model Intercomparison and Improvement Project (AgMIP) gecoördineerde inspanningen geleverd om de voordelen en uitdagingen van ML-methoden in landbouwmodellering beter te begrijpen. Zo is AgML ontstaan als een onderzoeksinitiatief van AgMIP: Een transdisciplinaire gemeenschap van onderzoekers die zich richt op het beter begrijpen van de voordelen - en valkuilen - van ML methoden in agrarische modelleringstaken.
De doelen van AgML zijn onder andere het delen van kennis, het bevorderen van best practices voor het gebruik van ML-tools in agrarische modellering, het kwantificeren van ML-prestaties in gewasmodellering en het ontwikkelen van nieuwe ML-methoden die zijn aangepast aan de unieke uitdagingen van de agrarische sector.
Discussies en hackaton
De workshop, geleid door Ioannis Athanasiadis, hoogleraar Kunstmatige Intelligentie en Data Science aan de WUR, en Lily Belle Sweet, PhD kandidaat aan het UFZ, bracht vertegenwoordigers van de FAO, EU JRC, CGIAR, NASA en verschillende universiteiten samen om nieuwe ML paradigma's en methodologieën te bespreken, evenals de behoefte aan rigoureuze evaluatie van modellen.
Naast de discussies namen de deelnemers deel aan een hackathon om hun eigen ML-modellen te bouwen, die zullen worden geanalyseerd in AgML's modelvergelijkingsexperimenten. Het doel van deze experimenten is om betrouwbare schattingen te maken van het vermogen van ML-architecturen en -methodologieën om te worden gebruikt voor agrarische modelleringstoepassingen.
Multidisciplinaire expertise
AgML richt zich ook op het bouwen van open datasets voor het beoordelen van ML-modellen bij het voorspellen van klimaateffecten op de landbouw en subnationale opbrengstvoorspellingen voor verschillende gewassen en regio's wereldwijd.
Door expertise uit verschillende disciplines samen te brengen, zet AgML zich in om AI-benchmarks te ontwikkelen voor reproduceerbare, vergelijkbare en interpreteerbare modellering van landbouw- en voedselsystemen.
Dit is het begin van een belangrijke internationale samenwerking die mogelijk wordt gemaakt door het AgMIP-netwerk en openstaat voor alle geïnteresseerde partijen, waaronder studenten, academici en de particuliere sector.
Klik hier voor meer informatie over AgML en hoe u kunt deelnemen of neem contact op met Prof. Ioannis Athanasiadis.