PowerPoint Presentation

[Audio] Καλώς ήρθατε στην Ενότητα 2. Ας περάσουμε από το εννοιολογικό θεμέλιο της Ενότητας 1 σε ένα πρακτικό εργαλειοκιβώτιο τεχνολογίας. Η έμφαση δεν δίνεται στις τεχνικές προδιαγραφές, αλλά στο τι καθιστά δυνατό κάθε τεχνολογία, ποια δεδομένα παράγει ή χρησιμοποιεί και πού μπορεί να προκύψει επιχειρηματική αξία..

[Audio] Τώρα που έχουμε ορίσει τον ψηφιακό μετασχηματισμό, ας ανοίξουμε το ίδιο το εργαλειοκιβώτιο της τεχνολογίας. Είναι δελεαστικό να μιλάμε για την ψηφιακή γεωργία ως μια λίστα από μοντέρνες τεχνολογίες: αισθητήρες, drones, τεχνητή νοημοσύνη, ρομπότ, blockchain. Όμως αυτή η λίστα δεν είναι ιδιαίτερα χρήσιμη αν δεν κατανοήσουμε πώς ταιριάζουν μεταξύ τους τα επιμέρους κομμάτια. Ένας χρήσιμος τρόπος να σκεφτούμε την ψηφιακή στοίβα (stack) της γεωργίας είναι ως μια ροή. Πρώτον, οι τεχνολογίες καταγράφουν πληροφορίες από τον φυσικό κόσμο: υγρασία εδάφους, θερμοκρασία, εικόνες καλλιεργειών, θέση μηχανημάτων, δραστηριότητα ζώων, καιρικές συνθήκες ή κινήσεις προϊόντων. Δεύτερον, η συνδεσιμότητα μεταφέρει αυτές τις πληροφορίες σε συστήματα όπου μπορούν να αποθηκευτούν και να συνδυαστούν. Τρίτον, η αναλυτική και η τεχνητή νοημοσύνη μετατρέπουν τα δεδομένα σε μοτίβα, προβλέψεις ή συστάσεις. Τέταρτον, ο αυτοματισμός και η ανθρώπινη λήψη αποφάσεων μετατρέπουν αυτές τις γνώσεις σε πράξη. Τέλος, τεχνολογίες όπως τα ψηφιακά συστήματα ιχνηλασιμότητας μπορούν να καταγράφουν και να μοιράζονται πληροφορίες μεταξύ οργανισμών και αλυσίδων αξίας. Οι ανασκοπήσεις για την έξυπνη γεωργία περιγράφουν σταθερά αυτόν τον συνδυασμό του IoT, της ανάλυσης δεδομένων, της τεχνητής νοημοσύνης, της ρομποτικής, των τεχνολογιών εντοπισμού θέσης και της συναφούς ψηφιακής υποδομής ως τη βάση της Γεωργίας 4.0. Το σημαντικό μήνυμα είναι ότι αυτές οι τεχνολογίες είναι συμπληρωματικές. Ένας αισθητήρας χωρίς μια χρήσιμη διαδικασία λήψης αποφάσεων μπορεί απλώς να δημιουργήσει περισσότερα δεδομένα. Η τεχνητή νοημοσύνη χωρίς αξιόπιστα δεδομένα μπορεί να παράγει αναξιόπιστες συστάσεις. Ένα ρομπότ χωρίς σαφή οικονομική χρήση μπορεί απλώς να αυτοματοποιήσει μια δραστηριότητα που δεν άξιζε να αυτοματοποιηθεί. Έτσι, σε όλη τη διάρκεια αυτής της ενότητας, κρατήστε στο μυαλό σας ένα ερώτημα: ποιο επιχειρηματικό πρόβλημα λύνει αυτή η τεχνολογία και ποια νέα αξία θα μπορούσε να δημιουργήσει η επίλυσή του;.

[Audio] Ας ξεκινήσουμε με το Διαδίκτυο των Πραγμάτων (IoT). Με απλά λόγια, το IoT σημαίνει φυσικά αντικείμενα εξοπλισμένα με αισθητήρες και συνδεσιμότητα, τα οποία μπορούν να συλλέγουν και να ανταλλάσσουν δεδομένα. Στη γεωργία, τα αντικείμενα αυτά μπορεί να είναι εξαιρετικά διαφορετικά: ένας αισθητήρας υγρασίας εδάφους στον αγρό, ένας μετεωρολογικός σταθμός, μια φορητή συσκευή σε ζώα, ένας αισθητήρας θερμοκηπίου ή η τηλεματική ενός τρακτέρ. Η σημαντική αλλαγή είναι η μετάβαση από την περιστασιακή παρατήρηση στη συνεχή ή σχεδόν συνεχή ορατότητα. Αντί να αναρωτιόμαστε μία φορά την ημέρα αν ένας αγρός χρειάζεται άρδευση, ένας συνδεδεμένος αισθητήρας μπορεί να παρέχει μια συνεχή ροή πληροφοριών για τις συνθήκες του εδάφους. Αντί να βασιζόμαστε μόνο σε οπτικούς ελέγχους των μηχανημάτων, η τηλεματική μπορεί να παρέχει πληροφορίες για τη χρήση, τη θέση, τις ώρες λειτουργίας ή τις ανάγκες συντήρησης του μηχανήματος. Η έρευνα για την έξυπνη γεωργία περιγράφει το IoT ως βασικό επίπεδο υποστήριξης, επειδή δημιουργεί τις ροές δεδομένων από τις οποίες εξαρτώνται η μετέπειτα ανάλυση και ο αυτοματισμός. Η αξία, ωστόσο, δεν βρίσκεται στον ίδιο τον αισθητήρα. Η αξία προκύπτει όταν τα δεδομένα αλλάζουν μια απόφαση ή μια ενέργεια. Ένας αισθητήρας υγρασίας που παράγει έναν αριθμό σε μια οθόνη δεν είναι απαραίτητα μετασχηματιστικός. Ένα σύστημα που συνδυάζει τα δεδομένα υγρασίας με πληροφορίες για τον καιρό και προσαρμόζει αυτόματα την άρδευση μπορεί να αλλάξει την ίδια τη διαδικασία. Για τις μικρομεσαίες επιχειρήσεις και τα μικρότερα αγροκτήματα, αυτή η διάκριση είναι ιδιαίτερα χρήσιμη. Δεν χρειάζεστε απαραίτητα εκατοντάδες αισθητήρες. Μία καλά επιλεγμένη ροή δεδομένων, συνδεδεμένη με μια σημαντική απόφαση, μπορεί να έχει μεγαλύτερη αξία από μια μεγάλη συλλογή αποσυνδεδεμένων μετρήσεων. Το πρακτικό ερώτημα είναι: ποια μεταβλητή εκτιμάτε σήμερα, ελέγχετε χειροκίνητα ή ανακαλύπτετε πολύ αργά, και θα μπορούσατε να τη μετράτε συνεχώς;.

[Audio] Μόλις παραχθούν τα δεδομένα, το επόμενο ερώτημα είναι πού πηγαίνουν και πώς γίνονται αξιοποιήσιμα. Εδώ μπαίνουν στο παιχνίδι οι πλατφόρμες cloud, οι πλατφόρμες δεδομένων και, όλο και περισσότερο, η υπολογιστική στο άκρο του δικτύου (edge computing). Ένα σύστημα βασισμένο στο cloud μπορεί να συγκεντρώσει πληροφορίες από πολλές διαφορετικές πηγές: αισθητήρες αγρού, μηχανήματα, μετεωρολογικές υπηρεσίες, δορυφορικές εικόνες, αρχεία παραγωγής, ακόμη και στοιχεία πωλήσεων. Ο συνδυασμός αυτός είναι ισχυρός, επειδή οι γεωργικές αποφάσεις σπάνια εξαρτώνται από μία μόνο μεταβλητή. Η άρδευση, για παράδειγμα, μπορεί να εξαρτάται από την υγρασία του εδάφους, την πρόσφατη βροχόπτωση, την πρόγνωση του καιρού, το στάδιο της καλλιέργειας και τη διαθεσιμότητα νερού. Η υπολογιστική στο άκρο του δικτύου είναι μια συμπληρωματική ιδέα. Αντί να αποστέλλεται κάθε ακατέργαστο δεδομένο σε έναν απομακρυσμένο διακομιστή cloud πριν συμβεί οτιδήποτε, ένα μέρος της επεξεργασίας μπορεί να γίνεται κοντά στη συσκευή ή στο ίδιο το μηχάνημα. Αυτό μπορεί να είναι χρήσιμο όπου η συνδεσιμότητα είναι περιορισμένη, όπου έχει σημασία η γρήγορη απόκριση ή όπου οι οργανισμοί θέλουν να μειώσουν τον όγκο των δεδομένων που πρέπει να μεταδίδονται. Υπάρχει όμως ένα λιγότερο εντυπωσιακό ζήτημα που συχνά καθορίζει την επιτυχία των ψηφιακών έργων: η διαλειτουργικότητα (interoperability). Αν ένας αισθητήρας παράγει δεδομένα σε μορφή που ένα άλλο σύστημα δεν μπορεί να χρησιμοποιήσει, η επιχείρηση μπορεί να καταλήξει να μεταφέρει χειροκίνητα πληροφορίες από πλατφόρμα σε πλατφόρμα. Αυτό αναπαράγει τη διοικητική επιβάρυνση που η ψηφιακή αναβάθμιση υποτίθεται ότι θα μείωνε. Έτσι, όταν αξιολογείτε μια ψηφιακή πλατφόρμα, μην ρωτάτε μόνο «Πώς φαίνεται ο πίνακας ελέγχου (dashboard);». Ρωτήστε: Ποια δεδομένα μπορεί να λάβει; Μπορεί να ανταλλάσσει δεδομένα με τα συστήματα που ήδη χρησιμοποιούμε; Ποιος έχει πρόσβαση στα δεδομένα; Τι συμβαίνει αν αλλάξουμε προμηθευτή; Και, το σημαντικότερο, ποια επιχειρηματική απόφαση θα βελτιώσει αυτή η πλατφόρμα; Η καλή ψηφιακή υποδομή είναι συχνά αόρατη όταν λειτουργεί σωστά. Ο ρόλος της είναι να κάνει τις πληροφορίες να ρέουν αξιόπιστα, ώστε οι καλύτερες αποφάσεις να γίνονται ευκολότερες..

[Audio] Η τεχνητή νοημοσύνη παρουσιάζεται συχνά ως το πιο συναρπαστικό κομμάτι της ψηφιακής γεωργίας, αλλά είναι χρήσιμο να την ορίσουμε με πρακτικούς όρους. Σε αυτό το πλαίσιο, η τεχνητή νοημοσύνη και η μηχανική μάθηση επιτρέπουν σε συστήματα να μαθαίνουν μοτίβα από δεδομένα και να τα χρησιμοποιούν για να ταξινομούν, να προβλέπουν ή να προτείνουν. Ας πάρουμε ως παράδειγμα την ανίχνευση ασθενειών των καλλιεργειών. Ένα συμβατικό σύστημα μπορεί να βασίζεται σε έναν σταθερό κανόνα: αν μια συγκεκριμένη μέτρηση ξεπεράσει ένα όριο, εκδίδεται μια ειδοποίηση. Ένα σύστημα μηχανικής μάθησης, αντίθετα, μπορεί να μάθει από πολλά επισημασμένα παραδείγματα και να εκτιμήσει την πιθανότητα μια νέα εικόνα να δείχνει μια συγκεκριμένη ασθένεια. Η ίδια γενική προσέγγιση μπορεί να χρησιμοποιηθεί για την πρόβλεψη απόδοσης, την αναγνώριση ζιζανίων, την πρόβλεψη ζήτησης, την ανίχνευση ανωμαλιών και άλλες εργασίες. Η υπολογιστική όραση (computer vision) έχει ιδιαίτερη σημασία, επειδή η γεωργία παράγει τεράστιες ποσότητες οπτικής πληροφορίας. Κάμερες τοποθετημένες σε μηχανήματα, smartphones, drones και δορυφόροι μπορούν να καταγράφουν εικόνες, ενώ τα μοντέλα τεχνητής νοημοσύνης μπορούν να ερμηνεύουν αυτές τις εικόνες σε κλίμακα που θα ήταν δύσκολο να διαχειριστούν χειροκίνητα οι άνθρωποι. Υπάρχει όμως μια σημαντική επιφύλαξη. Η τεχνητή νοημοσύνη δεν υποκαθιστά την ποιότητα των δεδομένων ούτε την εξειδικευμένη γνώση του πεδίου. Ένα μοντέλο που έχει εκπαιδευτεί σε μία καλλιέργεια, περιοχή, περίοδο ή τύπο αισθητήρα μπορεί να μην αποδίδει εξίσου καλά σε άλλο πλαίσιο. Οι ανασκοπήσεις της έρευνας για την τεχνητή νοημοσύνη στη γεωργία επισημαίνουν επανειλημμένα τη διαθεσιμότητα δεδομένων, την αξιοπιστία των μοντέλων, την ενσωμάτωση και τις προκλήσεις υιοθέτησης, παράλληλα με τα πιθανά οφέλη. Για έναν επιχειρηματία, λοιπόν, το σωστό ερώτημα δεν είναι «Πού μπορούμε να χρησιμοποιήσουμε την τεχνητή νοημοσύνη;». Ένα καλύτερο ερώτημα είναι: «Πού έχουμε μια επαναλαμβανόμενη απόφαση που σήμερα είναι αργή, δαπανηρή, ασυνεπής ή δύσκολο να κλιμακωθεί, και πού διαθέτουμε αρκετά σχετικά δεδομένα ώστε να τη βελτιώσουμε;» Αυτή η μετατόπιση από τη σκέψη με προτεραιότητα την τεχνολογία στη σκέψη με προτεραιότητα την απόφαση θα είναι σημαντική όταν φτάσουμε στη συζήτηση για τα επιχειρηματικά μοντέλα στην Ενότητα 3..

[Audio] Η επόμενη οικογένεια τεχνολογιών προσφέρει στη γεωργία κάτι εξαιρετικά πολύτιμο: μια διαφορετική οπτική γωνία. Το GNSS, οι δορυφορικές εικόνες και τα drones επιτρέπουν στις επιχειρήσεις να κατανοήσουν τι συμβαίνει στον χώρο και στον χρόνο. Το GNSS, συμπεριλαμβανομένου του εντοπισμού θέσης μέσω GPS, στηρίζει πολλές εφαρμογές γεωργίας ακριβείας. Επιτρέπει στα μηχανήματα να γνωρίζουν πού βρίσκονται, υποστηρίζει την καθοδήγηση και τη χαρτογράφηση και βοηθά στη δημιουργία χωρικά αναφερόμενων αρχείων αγρού. Αυτό ακούγεται βασικό, όμως η ακριβής τοποθεσία είναι το κοινό σημείο αναφοράς που επιτρέπει να συνδυαστούν πολλά διαφορετικά σύνολα δεδομένων. Οι δορυφορικές εικόνες παρέχουν επαναλαμβανόμενες παρατηρήσεις σε μεγάλες εκτάσεις. Αντί να επιθεωρεί φυσικά κάθε τμήμα ενός αγροκτήματος, ο χειριστής μπορεί να εντοπίσει περιοχές με ασυνήθιστα μοτίβα και να αποφασίσει πού αξίζει περισσότερο ένας επιτόπιος έλεγχος. Τα drones μπορούν να παρέχουν εικόνες πολύ υψηλότερης ανάλυσης και να αξιοποιηθούν όταν ένας συγκεκριμένος αγρός ή ένα συγκεκριμένο πρόβλημα χρειάζεται πιο προσεκτική διερεύνηση. Η επιχειρηματική αξία προκύπτει από τον συνδυασμό αυτών των παρατηρήσεων με άλλα δεδομένα. Μια εικόνα που δείχνει καταπονημένη βλάστηση γίνεται πιο χρήσιμη όταν μπορεί να ερμηνευθεί μαζί με δεδομένα καιρού, πληροφορίες εδάφους, ιστορικό καλλιέργειας και αρχεία άρδευσης. Αυτό μπορεί να υποστηρίξει στοχευμένη παρέμβαση, αντί να αντιμετωπίζεται ολόκληρος ο αγρός ομοιόμορφα. Αυτό είναι ένα από τα πιο καθαρά παραδείγματα της αρχής που θέσαμε στην Ενότητα 1: ο ψηφιακός μετασχηματισμός δεν αφορά την κατοχή μιας συσκευής. Ένα drone δεν δημιουργεί αξία απλώς επειδή πετά. Η αξία εμφανίζεται όταν οι πληροφορίες που καταγράφει αλλάζουν μια απόφαση, μειώνουν ένα κόστος, δημιουργούν αποδεικτικά στοιχεία για έναν πελάτη ή καθιστούν δυνατή μια υπηρεσία που μπορεί να πουληθεί. Για μια μικρότερη επιχείρηση, αυτό μπορεί να σημαίνει και αγορά πρόσβασης αντί για αγορά εξοπλισμού. Ένα αγρόκτημα μπορεί να μην χρειάζεται να διαθέτει drone ή δορυφορική υποδομή, αν μπορεί να αγοράσει μια υπηρεσία ανάλυσης ή επιτόπιας παρακολούθησης (scouting) που βασίζεται σε αυτές τις τεχνολογίες..

[Audio] Η ψηφιακή γεωργία γίνεται ιδιαίτερα απτή όταν τα δεδομένα μπορούν να πυροδοτήσουν φυσική δράση. Αυτός είναι ο ρόλος της ρομποτικής και των αυτόνομων συστημάτων. Τα ρομπότ μπορούν να συνδυάσουν αισθητήρες, πλοήγηση, λογισμικό και μηχανική δράση για την εκτέλεση εργασιών όπως το ζιζανιοκτόνο στοχευμένης εφαρμογής (precision weeding), οι εργασίες σε θερμοκήπια, η διαλογή, το άρμεγμα, η υποστήριξη της συγκομιδής ή η αυτόνομη κίνηση μηχανημάτων. Το ενδιαφέρον είναι προφανές σε πλαίσια όπου το εργατικό δυναμικό είναι σπάνιο, η εργασία είναι επαναλαμβανόμενη, ο χρονισμός είναι κρίσιμος ή η εργασία είναι σωματικά απαιτητική. Ο αυτοματισμός, όμως, δεν πρέπει να σημαίνει αυτόματα αντικατάσταση των ανθρώπων. Σε πολλές πραγματικές εφαρμογές, ο ρόλος του ανθρώπου αλλάζει αντί να εξαφανίζεται. Οι άνθρωποι εποπτεύουν τα συστήματα, χειρίζονται τις εξαιρέσεις, συντηρούν τον εξοπλισμό, ερμηνεύουν τα αποτελέσματα και λαμβάνουν αποφάσεις όταν οι συνθήκες βγαίνουν εκτός του εύρους για το οποίο σχεδιάστηκε το σύστημα. Υπάρχει επίσης ένα ερώτημα επιχειρηματικού μοντέλου κρυμμένο μέσα στον αυτοματισμό. Ας υποθέσουμε ότι ένα αγρόκτημα επενδύει σε ένα ρομποτικό σύστημα που αξιοποιείται πλήρως μόνο για λίγες εβδομάδες τον χρόνο. Η κατοχή του εξοπλισμού μπορεί να μην είναι το καλύτερο οικονομικό μοντέλο. Μια εναλλακτική θα μπορούσε να είναι ένας εργολάβος ή ένας συνεταιρισμός που παρέχει ρομποτικές υπηρεσίες σε περισσότερα αγροκτήματα. Η τεχνολογία είναι η ίδια, αλλά το επιχειρηματικό μοντέλο είναι διαφορετικό. Αυτό αποτελεί μια σημαντική γέφυρα προς την Ενότητα 3. Ο ψηφιακός μετασχηματισμός μπορεί να δημιουργήσει αξία όχι μόνο κάνοντας τη δική σας λειτουργία πιο αποδοτική, αλλά και επιτρέποντάς σας να πακετάρετε μια δυνατότητα και να την πουλήσετε σε άλλους. Έτσι, όταν συναντάτε μια τεχνολογία αυτοματισμού, θέστε τρία ερωτήματα. Αξίζει να αυτοματοποιηθεί η εργασία; Είναι οικονομικά λογική η κατοχή; Και θα μπορούσε η ίδια η δυνατότητα να γίνει μια υπηρεσία που μοιράζεται μεταξύ περισσότερων πελατών;.

[Audio] Η τελευταία τεχνολογία στο εργαλειοκιβώτιό μας είναι το blockchain, ή ευρύτερα η τεχνολογία κατανεμημένου καθολικού (distributed ledger). Σε αντίθεση με τις προηγούμενες τεχνολογίες, το blockchain δεν αφορά πρωτίστως την αίσθηση του φυσικού κόσμου. Ο ρόλος του έχει να κάνει με την καταγραφή και την κοινοποίηση πληροφοριών μεταξύ των συμμετεχόντων. Στη γεωργία και στις αλυσίδες εφοδιασμού τροφίμων, οι πιθανές εφαρμογές περιλαμβάνουν την προέλευση, την πιστοποίηση, την ιχνηλασιμότητα, τα αρχεία συμμόρφωσης και επιλεγμένες ροές συναλλαγών. Το ελκυστικό στοιχείο είναι ότι περισσότεροι οργανισμοί μπορούν να έχουν εμπιστοσύνη σε ένα κοινό αρχείο, χωρίς να βασίζονται εξ ολοκλήρου στη βάση δεδομένων ενός μόνο οργανισμού. Η δημοσίευση του FAO και της ITU για το blockchain στη γεωργία αναδεικνύει τόσο τις ευκαιρίες όσο και τις προκλήσεις υλοποίησης. Αυτό είναι σημαντικό, επειδή το blockchain παρουσιάζεται μερικές φορές ως μαγική λύση για την εμπιστοσύνη. Δεν είναι. Αν κάποιος καταχωρίσει λανθασμένες πληροφορίες σε ένα σύστημα blockchain, το γεγονός ότι το αρχείο είναι δύσκολο να τροποποιηθεί δεν καθιστά σωστή την αρχική πληροφορία. Με απλά λόγια: garbage in, garbage out (λανθασμένα δεδομένα εισόδου, λανθασμένα αποτελέσματα). Το blockchain είναι επομένως πιο σχετικό όταν υπάρχουν πολλά μέρη, ανάγκη για κοινό αρχείο και ουσιαστικός λόγος για βελτίωση της διαφάνειας ή της ιχνηλασιμότητας. Ένα μικρό αγρόκτημα που τηρεί τις δικές του ιδιωτικές σημειώσεις παραγωγής μπορεί να μην χρειάζεται blockchain. Μια αλυσίδα εφοδιασμού που περιλαμβάνει αγρότες, μεταποιητές, παρόχους εφοδιαστικής, φορείς πιστοποίησης και λιανοπωλητές μπορεί να έχει ισχυρότερο επιχείρημα. Υπάρχει εδώ και μια επιχειρηματική ευκαιρία. Τα δεδομένα ιχνηλασιμότητας μπορούν να γίνουν κάτι περισσότερο από κόστος συμμόρφωσης. Μπορούν να στηρίξουν προϊόντα premium, ισχυρισμούς προέλευσης, τεκμήρια βιωσιμότητας, διαφοροποιημένες εμπειρίες πελατών ή ταχύτερη επαλήθευση. Το βασικό δίδαγμα είναι ότι η κατάλληλη τεχνολογία εξαρτάται από τη δομή του προβλήματος. Το blockchain δεν είναι «καλύτερο» από μια συμβατική βάση δεδομένων. Είναι χρήσιμο για συγκεκριμένα προβλήματα συντονισμού και εμπιστοσύνης..

[Audio] Ας κλείσουμε την Ενότητα 2 επανατοποθετώντας τη λίστα των τεχνολογιών στην επιχειρηματική οπτική που θέσαμε στην Ενότητα 1. Υπάρχουν πέντε ερωτήματα που προτείνω να τίθενται πριν από την επένδυση σε οποιαδήποτε ψηφιακή τεχνολογία. Πρώτον: ποια απόφαση ή διαδικασία προσπαθούμε να βελτιώσουμε; Δεύτερον: ποια δεδομένα χρειαζόμαστε για να καταστεί δυνατή αυτή η βελτίωση; Τρίτον: ποια ενέργεια θα ακολουθήσει από τα δεδομένα; Τέταρτον: ποιος ωφελείται από αυτή την ενέργεια: η επιχείρηση, ένας πελάτης, ένας προμηθευτής ή περισσότεροι συνεργάτες; Και πέμπτον: πώς επιστρέφει η αξία στον οργανισμό, μέσω χαμηλότερου κόστους, υψηλότερων εσόδων, μιας νέας υπηρεσίας, ισχυρότερης διατήρησης πελατών, μειωμένου κινδύνου ή κάποιου άλλου μετρήσιμου οφέλους; Παρατηρήστε πόσο σπάνια αυτά τα ερωτήματα απαιτούν να ξεκινήσουμε από μια επωνυμία ή μια συγκεκριμένη συσκευή. Στην πράξη, οι τεχνολογίες που συζητήσαμε συχνά συνδυάζονται. Οι αισθητήρες IoT μπορούν να τροφοδοτούν πλατφόρμες cloud, η τεχνητή νοημοσύνη μπορεί να ερμηνεύει τα δεδομένα που προκύπτουν και ο αυτοματοποιημένος εξοπλισμός μπορεί να ενεργεί βάσει της σύστασης. Οι δορυφορικές εικόνες μπορούν να συνδυαστούν με την τεχνητή νοημοσύνη και με συμβουλευτικές υπηρεσίες. Τα συστήματα ιχνηλασιμότητας μπορούν να συνδέουν τα δεδομένα παραγωγής με πελάτες και λιανοπωλητές. Γι' αυτό πρέπει να σκεφτόμαστε τις ψηφιακές τεχνολογίες ως δομικά στοιχεία και όχι ως απομονωμένα προϊόντα. Το ανταγωνιστικό πλεονέκτημα προκύπτει συχνά από τον τρόπο με τον οποίο ένας οργανισμός συνδυάζει αυτά τα δομικά στοιχεία γύρω από μια συγκεκριμένη ανάγκη πελάτη ή ένα λειτουργικό πρόβλημα. Και η τελική αρχή είναι να ξεκινάτε από μικρά. Ένα πιλοτικό πρόγραμμα δεν είναι αποτυχία μετασχηματισμού· είναι ένας τρόπος να μάθετε πριν κλιμακώσετε. Ορίστε μία περίπτωση χρήσης, καθορίστε μια βασική γραμμή αναφοράς (baseline), δοκιμάστε την τεχνολογία, μετρήστε το αποτέλεσμα και αποφασίστε αν θα επεκταθείτε. Στην Ενότητα 3, θα κάνουμε το επόμενο βήμα: αν αυτές οι τεχνολογίες δημιουργούν νέες δυνατότητες, πώς μπορούν οι δυνατότητες αυτές να γίνουν νέα επιχειρηματικά μοντέλα, νέες πηγές εσόδων και νέες μορφές δημιουργίας αξίας;.

[Audio] Ανακεφαλαίωση της Ενότητας 2: Η ψηφιακή γεωργία βασίζεται σε συμπληρωματικά τεχνολογικά επίπεδα: την ανίχνευση, τη συνδεσιμότητα, την υποδομή δεδομένων, την ανάλυση, τον αυτοματισμό και την αξιόπιστη ανταλλαγή πληροφοριών. Το IoT δημιουργεί συνεχή ορατότητα· οι πλατφόρμες δεδομένων κάνουν τις πληροφορίες αξιοποιήσιμες· η τεχνητή νοημοσύνη μετατρέπει τα δεδομένα σε προβλέψεις και συστάσεις. Το GNSS, οι δορυφόροι και τα drones προσθέτουν χωρική νοημοσύνη· η ρομποτική μετατρέπει τις ψηφιακές αποφάσεις σε φυσική δράση. Το blockchain και η ψηφιακή ιχνηλασιμότητα μπορούν να δημιουργήσουν κοινά αρχεία όπου περισσότεροι οργανισμοί χρειάζονται διαφάνεια και εμπιστοσύνη. Οι ισχυρότερες τεχνολογικές επιλογές ξεκινούν από ένα επιχειρηματικό πρόβλημα και μια μετρήσιμη ευκαιρία αξίας, και όχι από την ίδια την τεχνολογία. Επόμενο βήμα: Ενότητα 3 — Από την Τεχνολογία στο Επιχειρηματικό Μοντέλο: Δημιουργία Νέας Αξίας.

References. ElBeheiry, N., & Balog, R. S. (2023). Technologies driving the shift to smart farming: A review. IEEE Sensors Journal, 23(3). https://doi.org/10.1109/JSEN.2022.3225183 Food and Agriculture Organization of the United Nations & International Telecommunication Union. (2019). E-agriculture in action: Blockchain for agriculture. FAO. https://www.fao.org/family-farming/detail/en/c/1200090/ Shaikh, T. A., Rasool, T., & Lone, F. R. (2022). Towards leveraging the role of machine learning and artificial intelligence in precision agriculture and smart farming. Computers and Electronics in Agriculture, 198, 107119. https://doi.org/10.1016/j.compag.2022.107119 Sharma, V., Tripathi, A. K., & Mittal, H. (2022). Technological revolutions in smart farming: Current trends, challenges & future directions. Computers and Electronics in Agriculture, 201, 107217. https://doi.org/10.1016/j.compag.2022.107217 Shah, S. A. A., et al. (2023). Recent advancements and challenges of AIoT application in smart agriculture: A review. Sensors, 23(7), 3752. https://doi.org/10.3390/s23073752.

[Audio] Σας ευχαριστούμε!. thank you!. TALLHEDA has received funding from the European Union's Horizon Europe research and innovation programme under Grant Agreement No. 101136578. Funded by the European Union. Views and opinions expressed are however those of the author(s) only and do not necessarily reflect those of the European Union or the European Research Executive Agency (REA). Neither the European Union nor the granting authority can be held responsible for them..