Hoe wij de kans kregen om mee te doen aan de Autonomous Greenhouse Challenge

december 16, 2019

“Ik dacht dat het een goed idee zou zijn om mee te doen, maar het bleek al snel dat de lat erg hoog lag.”

Een artikel geschreven door Flavia Paganelli, CTO en Co-Founder 30MHz. 

 

 

Toen ik een jaar geleden over de Autonomous Greenhouse Challenge hoorde, vond ik het geweldig idee om deel te nemen, maar het was duidelijk dat we niet in die competities zaten: Microsoft, Tencent en Intel waren drie van de vijf deelnemende teams.

 

De challenge bestond uit het gedurende vier maanden op afstand kweken van komkommers in een kas met behulp van kunstmatige intelligentie. Microsoft won en was zelfs beter dan het controleteam van ervaren telers die het op de klassieke manier deden. Dit was een grote bevestiging van wat artificial intelligence op dit gebied kan brengen.

De kas waar de komkommers werden geteeld in de eerste Autonomous Greenhouse Challenge. Foto: wur.nl

Enkele maanden na het einde van de wedstrijd had onze CEO het idee om Delphy, een tuinbouwconsulent die de derde plaats in de uitdaging won, te vragen of zij hun krachten wilden bundelen en samen aan de tweede editie van de uitdaging wilden deelnemen. Er werd afgesproken om een ​​concept te maken om te zien waar we toe in staat waren. En dus de dag dat we begonnen, huurden we onze eerste datawetenschapper in en hadden we een daglange ontmoeting met Delphy om het probleem te begrijpen.

Het doel was om ideale licht, temperatuur, vochtigheid en CO2 dagelijkse profielen voor een gewas te genereren, met bepaalde voorwaarden en regels. De regels kunnen bijvoorbeeld zijn “er mogen geen plotselinge temperatuursveranderingen zijn” (omdat het de natuur moet nabootsen), of “er moet ten minste 8 uur totale duisternis gedurende de nacht zijn” (omdat tomaten ook moeten slapen).

Daily light profiles animation

Een dagelijks lichtprofiel, rekening houdend met de weersvoorspelling en de behoeften van het gewas.

We waren nog ver verwijderd van de gewenste resultaten, maar we bewezen dat we in korte tijd het probleem konden begrijpen en een applicatie konden bouwen om het op te lossen.

Dus hebben we ons samen ingeschreven voor de wedstrijd. Het eerste onderdeel was een hackathon, waarbij 21 teams 24 uur de tijd hadden om de beste manier te leren om cherrytomaten te telen in een kassimulator die een algoritme van hun keuze toepaste. De teams werden gerangschikt op basis van de verkregen nettowinst, maar ook op de strategie die ze van plan waren te gebruiken tijdens de daadwerkelijke uitdaging, en de samenstelling van de teams.

Het was geweldig om mensen van over de hele wereld te zien, vooral uit Aziatische landen. 26 verschillende landen. We dachten dat de samenstelling van ons team behoorlijk divers was, maar sommige teams hadden zelfs deelnemers uit verschillende tijdzones die deelnamen aan de hackathon.

The Automators tijdens de hackathon

De hackathon begon om 13.00 uur en we hadden tot 13.00 uur de volgende dag. Het eerste uur waren we erg zenuwachtig: waar te beginnen? Wat doen we? Iedereen wilde iets doen, maar we wisten niet zeker hoe we moesten beginnen en hoe we onze inspanningen moesten combineren. Een groep techneuten en een groep landbouwdeskundigen moest een soort gemeenschappelijke basis vinden om samen te werken. Uiteindelijk kwamen we een aantal ideeën overeen en begon iedereen te werken.

Het totale aantal invoerparameters dat we konden geven aan de simulator was bijna 1000, waarbij elke parameter verschillende waarden kon hebben binnen een bepaald “redelijk” bereik dat de tuinbouwdeskundigen konden definiëren. Als we aannemen dat elke waarde ongeveer 30 verschillende “redelijke” waarden kan hebben, krijgen we tot 30.000 verschillende testmogelijkheden. Als de simulator 15 seconden nodig had om te reageren zoals het deed: we hadden 125 uur nodig, of meer dan 5 dagen om ze allemaal te testen. Maar we hadden slechts 24 uur.

Deze invoerparameters waren hoofdzakelijke setpoints voor de klimaatcomputer. Temperatuur, CO2, verlichting, schermen, irrigatie. De ag-experts in het team hebben ons geholpen een aantal redelijke grenzen te bepalen en op basis daarvan moesten we onderzoeken en resultaten behalen. We konden natuurlijk niet alle mogelijkheden in de gegeven tijd testen. Anders zou het een gemakkelijk probleem zijn geweest. En we konden slechts één oproep tegelijk naar de simulator doen. Telkens wanneer de simulator ons een resultaat gaf: wat was onze netto winst?

We begonnen in het begin willekeurig met brute-forcing, maar al snel schreven we een beter exploratie-algoritme, dat het een “redelijk” startpunt gaf voor invoer, het resultaat bekeken en de nieuwe behouden als het beter was. Onze datawetenschapper noemde dit de “Monte Carlo-achtige” aanpak.

In de tussentijd hebben we de experts een gebruiksvriendelijke tool gegeven waarmee ze ook konden experimenteren met andere parameters, de simulator konden oproepen en van de resultaten konden leren. Ze probeerden vragen te beantwoorden als “als we zoveel mogelijk licht geven, krijgen we de meeste productie?”, Of “als we de planten meer voeding geven, krijgen we smakelijkere tomaten?” En hoe beïnvloedt dit alles het netto winst?.

Aan het einde van de dag was iedereen behoorlijk moe, maar we wisten onze nettowinst gestaag te verbeteren en waren behoorlijk enthousiast. We dachten niet dat het zou helpen om de hele nacht te blijven, omdat vermoeidheid het heel moeilijk maakt om de juiste beslissingen te nemen, dus gingen we rond 22.00 uur slapen om de volgende ochtend verder te gaan. De laatste beslissing die we namen voordat we gingen slapen bewees het bovenstaande feit omdat we op het laatste moment besloten om gretig meer onverschrokken te zijn in onze verkenning … een kleine wijziging in de code … maar toen we wakker werden merkten we dat de gestage verbeteringen die we de hele dag door hadden gekregen, waren gestopt. We hebben de nacht verloren. We hebben de les geleerd: als het laat is en je moe bent, probeer dan geen grote veranderingen aan te brengen.

De volgende ochtend hebben we wat meer vooruitgang geboekt. Het heeft ons niet naar de top gebracht, maar we hebben het gehaald en we waren een van de vijf teams die het volgende exemplaar haalden.

Een paar Automators team leden 

Op 20 december 2019 beginnen we tomaten echt te telen, voor een periode van zes maanden. De echte uitdaging begint. Zal het ons gaan lukken? We zullen zeker ons best doen !!!

 

Hoe kunnen we je helpen bij het digitaliseren van je teeltproces?
Analyseer allerlei informatie afkomstig uit verschillende databronnen zoals klimaatcomputers, sensoren en handmatige invoer op een centrale plek. Verbeter samen met adviseurs, distributeurs en onderzoekers het productieproces van jouw gewassen, planten, zaden of bollen. We gaan graag met je in gesprek over welk servicemodel het meest geschikt is voor jouw bedrijf.

Delphy zet volgende stap in digitalisering

Dataplatformleverancier 30MHz en onderzoeks- en adviesbedrijf Delphy gaan een samenwerkingsverband aan. Daarbij zet Delphy het dataplatform in als analysetool onder haar consultants terwijl het tegelijkertijd zelf teeltgerelateerde applicaties ontwikkelt. Die komen op hun beurt beschikbaar voor alle gebruikers van het platform in een appstore-achtige omgeving. De samenwerking zorgt ervoor dat Delphy versneld gaat digitaliseren. Consultants ...
Lees meer

Volg jij deze tien horticulture influencers al?

De wereld is de afgelopen maanden compleet veranderd. En dan met name de manier waarop mensen met elkaar communiceren. Die is bijna volledig gedigitaliseerd,en dat heeft een grote impact op het dagelijks leven. Online (sociale) media zijn meer dan ooit de plek om het gesprek te voeren. Bijvoorbeeld om even bij te praten over de ...
Lees meer

Uitwisselen van digitale data zorgt voor nieuwe dynamiek

Oorspronkelijk gepubliceerd op VAKBLAD ONDER GLAS | 15 juli 2020 Onder de noemer Industry 4.0 ondergaat de glastuinbouw veel vernieuwing. Vooral door sensoren en betere communicatietechnologie zet automatisering reuzenstappen. Hoogleraar horticulture innovation Jan van den Ende doet met zijn studenten onderzoek naar data-uitwisseling tussen bedrijven in de keten. Teeltbegeleider Leo van Uffelen gebruikt met succes ...
Lees meer