Theory
Smart farm, છેડેથી છેડા સુધી
આખા વિષયમાં smart farm આપણો ચાલુ દાખલો રહ્યો છે. હવે આપણે એને પૂરા case study તરીકે પગેરે ચાલીશું, અને દરેક ખ્યાલ, એટલે કે sensors, જોડાણ, edge તથા cloud નું AI, નિર્ણયો, actuators અને પડકારો, એક ખરી system માં સાથે કામ કરતાં જોઈશું.
Smart farm AIoT વાપરીને પાક વધુ ચોકસાઈથી અને કાર્યક્ષમ રીતે ઉગાડે છે: બરાબર જ્યાં અને જ્યારે જરૂર હોય ત્યાં જ પાણી આપવું, રોગ વહેલો પકડવો, અને ઉપજ ભાખવી. આ પાઠ એ કઈ રીતે બને છે અને શું સિદ્ધ કરે છે એ સમજાવે છે, અને આખા વિષયને કામ કરતા AIoT ના એક સુસંગત, પ્રામાણિક ચિત્રમાં બાંધે છે.
Follow along
Smart farming ની AIoT system કઈ રીતે કામ કરે છે
- ખેતરને માપો IoT ઉપકરણો, એટલે કે જમીનના ભેજ તથા હવામાનનાં sensors અને પાકનાં ચિત્રો માટેનાં cameras, આખા ખેતરમાંથી data ભેગો કરે છે.
- કાર્યક્ષમ રીતે મોકલો ખેતરનાં દૂરનાં sensors ઓછી વીજળી વાપરતું LoRaWAN વાપરે છે; ઇમારતો પાસેનાં ઉપકરણો Wi-Fi વાપરી શકે, અને બધું gateways મારફતે જાય છે.
- AI થી પ્રક્રિયા કરો Edge ઉપકરણો તાત્કાલિક નિર્ણયો સંભાળે છે (હિમનો પ્રતિભાવ); cloud ભારે વિશ્લેષણ ચલાવે છે (ચિત્રો પરથી રોગની ઓળખ, ઉપજની આગાહી).
- નક્કી કરો અને કરો AI નક્કી કરે છે કે સિંચાઈ કરવી, પોષક તત્ત્વો આપવાં, કે ખેડૂતને ચેતવવો; actuators (valves) પાણી આપવાનું કામ પાર પાડે છે.
- ફરી કરો અને સુધારો આ ચક્ર સતત ચાલ્યા કરે છે; cloud ઋતુઓનો data તપાસીને models સુધારે છે.
Theory
એ શું સિદ્ધ કરે છે
એનું ફળ છે ચોકસાઈ અને કાર્યક્ષમતા. ચોકસાઈવાળી સિંચાઈ આખા ખેતરને ઠરાવેલા સમયપત્રક પ્રમાણે પાણી આપવાને બદલે, જમીનનાં ખરાં માપને આધારે ફક્ત જ્યાં અને જ્યારે પાકને જરૂર હોય ત્યાં જ પાણી આપે છે, જેથી પાણી બચે છે અને વૃદ્ધિ સુધરે છે. રોગ અને જીવાતની વહેલી ઓળખ માં cameras તથા computer vision વપરાય છે, જે પાંદડાંનાં ચિત્રોમાં સમસ્યા ફેલાય એ પહેલાં પકડી પાડે છે, જેથી ખેડૂત સમયસર પગલાં લઈ શકે. ઉપજની આગાહી અને ઋતુના data નું વિશ્લેષણ આયોજન તથા સુધારામાં મદદ કરે છે.
દરેક લાભ એ IoT ના data થી ચાલતું ચોક્કસ narrow AI નું કામ છે: AI કોઈ સર્વસામાન્ય મન બનીને 'ખેતર ચલાવતું' નથી; એ નક્કી કરેલા વિસ્તારોમાં ચોકસાઈભર્યા, data આધારિત નિર્ણયો લે છે, જ્યારે ખેડૂત ધ્યેય નક્કી કરે છે અને બાકીનું સંભાળે છે. AIoT જમીન પર ખરું મૂલ્ય આપે એ આનું નામ.
Formula
પડકારો પણ અહીં જ દેખાય છે
Smart farm પડકારો ને પણ નક્કર બનાવે છે. Data ની ગુણવત્તા: ખોટું માપ આપતું જમીનનું sensor સિંચાઈના AI ને ગેરમાર્ગે દોરે, એટલે sensors ને માપાંકિત કરવાં અને ચકાસવાં પડે. વીજળી: ખેતરનાં sensors વીજળીના જોડાણથી દૂર batteries પર ચાલે છે, અને એટલે જ એમના માટે ઓછી વીજળી વાપરતું LoRaWAN પસંદ કરાય છે. જોડાણ: દૂરનાં ખેતરોમાં coverage તૂટક હોઈ શકે, એટલે તાત્કાલિક નિર્ણયો માટે edge પર પ્રક્રિયા વધુ સારી પડે છે, જેથી જોડાણ ન હોય તો પણ system ચાલતી રહે.
અને જવાબદારીઓ પણ લાગુ પડે છે: ખેતર વિશેનો data સલામત રાખવો જોઈએ અને યોગ્ય રીતે વાપરવો જોઈએ. એટલે આ case study ફક્ત સફળતાની વાર્તા નથી; એ પ્રામાણિક engineering બતાવે છે, એટલે કે data, વીજળી, જોડાણ અને ભરોસાનું સંચાલન, જે AIoT ને વ્યવહારમાં ખરેખર ચલાવે છે.
Quiz
Smart farm માં ખેતરનાં દૂરનાં sensors ને સામાન્ય રીતે Wi-Fi ને બદલે LoRaWAN થી કેમ જોડાય છે?
- કારણ કે Wi-Fi ની પહોંચ LoRaWAN કરતાં લાંબી છે
- કારણ કે ખેતરનાં sensors દૂર છે અને battery પર ચાલે છે, અને LoRaWAN બહુ ઓછી વીજળીએ બહુ લાંબી પહોંચ આપે છે (નાનાં, ક્યારેક ક્યારેક મોકલાતાં માપ માટે યોગ્ય)
- કારણ કે LoRaWAN high-definition video વધુ સારી રીતે stream કરે છે
- કારણ કે Wi-Fi કશો data મોકલી જ શકતું નથી
Show the answer
કારણ કે ખેતરનાં sensors દૂર છે અને battery પર ચાલે છે, અને LoRaWAN બહુ ઓછી વીજળીએ બહુ લાંબી પહોંચ આપે છે (નાનાં, ક્યારેક ક્યારેક મોકલાતાં માપ માટે યોગ્ય)
નાનાં માપ મોકલતાં, દૂરનાં અને battery પર ચાલતાં ખેતરનાં sensors ને LoRaWAN ફાવે છે, જે બહુ ઓછી વીજળીએ બહુ લાંબી પહોંચ આપે છે (ઓછી data ઝડપ સાથે), અને એ બરાબર આ જ જરૂરિયાત સાથે બંધ બેસે છે. વિકલ્પ A ખોટો છે: LoRaWAN ની પહોંચ Wi-Fi કરતાં ઘણી લાંબી છે; Wi-Fi તો માંડ એક ઇમારત આવરે છે અને વધુ વીજળી ખેંચે છે, એટલે દૂરનાં battery વાળાં sensors માટે ખરાબ છે. વિકલ્પ C ખોટો છે: LoRaWAN ની ઓછી data ઝડપ video માટે નકામી છે (એ કામ ઇમારત પાસેના Wi-Fi નું છે); LoRaWAN નાનો, ક્યારેક ક્યારેક મોકલાતો data માટે છે. વિકલ્પ D ખોટો છે: Wi-Fi data બરાબર મોકલે છે, એ ફક્ત દૂરનાં, ઓછી વીજળીવાળાં sensors માટે ખોટી પસંદગી છે. આ case study જોડાણનો સોદો લગાડે છે: દૂર અને ઓછી વીજળી એટલે LoRaWAN.
Think first
Smart farm આ આખા વિષયનો દરેક ભાગ એકસાથે કઈ રીતે બતાવે છે?
Smart farming AIoT નો આટલો સંપૂર્ણ દાખલો કેમ છે? વિચારીને પછી tap કરો.
Show the answer
કારણ કે ચાલતું smart farm એક જ સંકલિત system માં આ વિષયના લગભગ દરેક ખ્યાલ વાપરે છે, એટલે કે AI, IoT, એમનું જોડાણ, real-time તથા batch પ્રક્રિયા, edge તથા cloud, નિર્ણય લેવો, અને પડકારો તથા જવાબદારીઓ. એટલે તમે જે ટુકડા છૂટા છૂટા શીખ્યા એ વ્યવહારમાં કઈ રીતે સાથે બેસે છે એ એ બતાવે છે.
અભ્યાસક્રમ સામે એને પગેરે ચાલો. એ ચોક્કસ કામ માટે narrow AI વાપરે છે (computer vision થી પાકનો રોગ પકડવો, ઉપજ ભાખવી), જેમાં ML અને DL લઢણો ઓળખે છે, એટલે કે બરાબર AI નું unit. એ IoT પર આધાર રાખે છે: sensors (જમીન, હવામાન, cameras) ખરી દુનિયાનો data ભેગો કરે, actuators (સિંચાઈના valves) સામે કામ કરે, gateways ભેગું કરે, અને cloud સંઘરે તથા પ્રક્રિયા કરે, એટલે કે IoT નું unit.
એ ખરું AIoT છે: માપવું અને બુદ્ધિ, બંને સાથે મળીને એવા બંધ ચક્રમાં ઘડાયાં છે જે સતત માપે છે, નક્કી કરે છે અને કરે છે. એ real-time પ્રક્રિયા (અચાનક હિમનો પ્રતિભાવ) ની સાથે સાથે batch વિશ્લેષણ (ઋતુની ઉપજનો અભ્યાસ) પણ બતાવે છે, અને edge સામે cloud નો સોદો પણ (જ્યાં જોડાણ તૂટક હોય ત્યાં હિમનો તાત્કાલિક પ્રતિભાવ edge પર, અને ભારે ચિત્ર વિશ્લેષણ તથા model ની તાલીમ cloud માં).
એમાં IoT ના input પરથી AI નું નિર્ણય લેવું મૂર્ત થાય છે (inputs, તર્ક, નિર્ણય, કાર્ય), અને ધ્યેય માણસો નક્કી કરે છે. વળી એ પડકારો ને નક્કર બનાવે છે (માપાંકિત sensors થી data ની ગુણવત્તા, LoRaWAN થી વીજળી, edge થી જોડાણ) અને જવાબદારીઓ પણ ઊભી કરે છે (ખેતરનો data સલામત રાખવો અને યોગ્ય રીતે વાપરવો).
બીજા શબ્દોમાં, smart farm એ એક જ મૂર્ત system છે જેમાં આ અભ્યાસક્રમનો દરેક અમૂર્ત વિચાર ખરા પરિણામ વાળી ખરી રચનાત્મક પસંદગી બની જાય છે; અને એટલે જ એ આટલો અસરકારક સમાપન દાખલો છે: એ આખા વિષયને ખ્યાલોની યાદીમાંથી ખરી દુનિયામાં મૂલ્ય આપતા AIoT ના એક સુસંગત, પ્રામાણિક ચિત્રમાં ફેરવી નાખે છે. એ બધાને સાથે કામ કરતાં જોવાં, એ જ AIoT ખરેખર કઈ રીતે ચાલે છે એ સમજવાનો શ્રેષ્ઠ રસ્તો છે.
Summary
Key takeaways
- Smart farming એ AIoT નો સંપૂર્ણ case study છે, જે વિષયના દરેક ખ્યાલને એક જ system માં વાપરે છે.
- IoT ઉપકરણો (જમીન તથા હવામાનનાં sensors, cameras) ખેતરનો data ભેગો કરે છે; જોડાણ (દૂરનાં sensors માટે LoRaWAN, નજીક Wi-Fi) એને gateways મારફતે લઈ જાય છે.
- AI એની પ્રક્રિયા કરે છે, એટલે કે તાત્કાલિક નિર્ણયો માટે edge પર (હિમ) અને ભારે વિશ્લેષણ માટે cloud માં (રોગની ઓળખ, ઉપજની આગાહી).
- નિર્ણયો actuators (સિંચાઈના valves) ચલાવે છે કે ખેડૂતને ચેતવણી આપે છે; ચક્ર સતત ચાલે છે અને cloud models સુધારે છે.
- લાભ: ચોકસાઈવાળી સિંચાઈ (પાણીની બચત), રોગ તથા જીવાતની વહેલી ઓળખ, ઉપજની આગાહી અને સુધારો.
- પડકારો પણ દેખાય છે: data ની ગુણવત્તા (માપાંકિત sensors), વીજળી (battery વાળાં sensors માટે LoRaWAN), જોડાણ (offline ટકવા માટે edge).
- યાદ રાખવાની કડી: smart farm માપે છે, મોકલે છે, પ્રક્રિયા કરે છે (edge કે cloud), નક્કી કરે છે અને કરે છે; એટલે કે છેડેથી છેડા સુધીનું, પ્રામાણિકપણે ઘડાયેલું AIoT.