Hoppa till innehåll
Maskininlärning blir allt vanligare i inomhusodling av cannabis, eftersom odlare använder sofistikerade sensorer och kameror för att upprätthålla optimala odlingsförhållanden, larma om hot som skadedjur eller sjukdomar och minska arbetskostnaderna kopplade till både monotona och avancerade odlingsuppgifter.
”Cannabis har alltid varit en möjliggörare för vissa av dessa ledande teknologier,” sa Nick Genty, VD för North Carolina-baserade AgEye Technologies, i en intervju med MJBizMagazine. ”De har haft marginalerna och budgetarna för att stödja investeringar i ny teknik jämfört med några av grönsaksodlarna som inte gör det.”
Det finns två huvudskäl till varför cannabis- och andra inomhusjordbruksföretag implementerar artificiell intelligens eller maskininlärningsteknik i sina anläggningar:
Arbetskraft, energi och andra resurser som krävs för att odla cannabis inomhus är dyra, och teknik som drivs av artificiell intelligens (AI) kan minska dessa kostnader. Konsekvens är nyckeln i alla inomhusjordbruksanläggningar, och AI kan hjälpa till att leverera den konsekvensen – även över anläggningar som ligger i olika delstater. För närvarande driver AI sofistikerade datainsamlings- och övervakningslösningar, och tekniken kan hjälpa till att identifiera skadedjur, sjukdomar och bladdiskolorering, sa Genty.
AI för inomhusjordbruk närmar sig att kunna övervaka och lyfta fram vad som inte är synligt i en odling, som tillväxthastighetsförändringar i växter. I framtiden kommer AI att kunna förbättra tillväxthastigheterna när konsekvensen väl har uppnåtts.
”Du har etablerat att du kan uppnå konsekvens över den baslinjen,” sa Genty. ”Nu låt oss förbättra grödorna.”
Mer precision, mindre arbetskraft
För Stephen Hess, odlingschef på det Arizona-baserade cannabisföretaget 22Red, är AI:s gåva att eliminera mycket av det manuella och logistiska arbetet som är involverat i odling av cannabis. Det betyder att Hess kan spara på arbetskostnader och frigöra tid för att fokusera sin energi på annat håll.
”Jag vill inte titta på 47 olika inställningspunkter, kvantifiera de siffrorna, skapa nio överlägg och säga, ’Här är lösningen,'” sa Hess till MJBizMagazine. På 22Red implementerade Hess Spyder från det San Francisco-baserade teknikföretaget Neatleaf.
Tekniken inkluderar flera sensorer som rör sig över baldakinen i inomhusodlingar för att spåra data som bladfärg, temperatur och luftfuktighet flera gånger per dag för individuella växter och mikroklimat inom anläggningen. Spyders AI-teknologi bedömer sedan dessa data för att upptäcka mönster eller tecken på stress; dess resultat presenteras på en instrumentpanel med diagram, värmekartor och ljuskartor för Hess och hans team att granska.
Innan Spyder använde Hess sitt team med handhållna sensorer för att samla in samma typ av data genom hela 22Reds odlingsrum; arbetarna spenderade fem till tio minuter per växt eller mikroklimat, sa han.
Arbetskostnadsbesparingarna med Spyder är betydande. ”Jag behöver bara sex odlare på plats istället för tio,” sa Hess. Istället för att betala $50,000 per år till fyra anställda, betalar han $600 för Neatleaf-abonnemanget, plus ytterligare $600 per månad för utvärderingar – en annan fördel med tjänsten.
Dessutom, sa Hess, är Spyders rekommendationer mer precisa eftersom mjukvaran gör beräkningar baserat på saker systemet har lärt sig genom att bedöma grödbrister på andra odlingsplatser det har övervakat.
”Det ger mig mer konsekvens, vilket sedan ger oss mer kvalitetsgenomströmning med det vi försöker göra ur ett utvärderingsperspektiv för att använda dessa data för att fatta de bästa besluten för baldakinen,” sa Hess.
Specialdata
Elmar Mair, medgrundare av Neatleaf, sa att företaget hittills har implementerat Spyder på 30 anläggningar. Företaget har en kö av kunder och en två månader lång väntelista som inkluderar icke-cannabisodlare, såsom bärproducenter.
En av de mest kraftfulla aspekterna av Spyder är dess förmåga att blicka tillbaka i tiden och till och med jämföra hälsan hos en växt med exempel på samma stam som odlats tidigare år, sa han. ”Dessutom kan du göra allt detta på distans,” sa han. ”Du behöver inte vara på plats. Du kan titta på trädgården utan att vara i rummet. (Flerdelstatsoperatörer) kan utnyttja expertis utan att behöva flyga runt.”
Inte alla odlingar kan dock rymma Spyder. Spyder kan inte samla in data från områden som är för låga eller blockerade, såsom i vertikala odlingsanläggningar eller odlingar där pelare skulle hindra sensorerna.
Konsekvens till lägre kostnader
Istället för att implementera en AI-tjänst har Florida-baserade marijuana MSO Jushi Holdings arbetat med maskiningenjörer och entreprenörer för att säkerställa att utrustning med maskininlärning driver deras byggnadsförvaltningssystem. Detta tillvägagångssätt gör det möjligt för Jushi att effektivt samla in och analysera data samt minska energikostnaderna och producera cannabis mer hållbart, sa Ryan Cook, Jushis verkställande vice president för operationer.
Varje maskinenhet, såsom en luftkonditionering, ansluter till byggnadsförvaltningssystemet, vilket ger odlingsteamet en överblick över anläggningen. ”Det gör att jag sover bättre på natten att veta att Josh (Malman, Jushis odlingschef) har tillgång till alla våra system och att han kan logga in där och göra ändringar,” sa Cook.
Men alla manipulationer i systemet bör göras strategiskt, varnade Cook. Allt från luftfuktighet till temperatur till luftflöde påverkas av allt annat, så att göra manuella justeringar kan vara riskabelt.
”Verkligheten är att våra system är så sammankopplade – och allt lär sig regelbundet. Om du gör dessa manuella justeringar tar det systemet längre tid att återlära sig den kunskap det ursprungligen hade,” sa Cook. Malman identifierar vilka inställningspunkter som krävs för odlingen, och när kompressorerna klickar på, justerar de klimatet för att möta förinställda krav.
Maskininlärning gör det möjligt för systemet att förstå om det ska arbeta på 70% eller 100%, och hur länge. ”Bara dessa små modifieringar av kontrollerna gör en stor skillnad i hur rummet faktiskt kan hantera sig självt,” sa Cook.
Medan systemet måste ”lära sig” varje anläggning separat, lär det sig snabbare genom att bedöma data från flera anläggningar, sa han. Jushis teknik är inte ett autonomt system – även om Malman sa att han är nyfiken på visionssystem i LED-lampor och robottrimmare.
Med tillägget av AI handlar utbildning av odlingspersonal lika mycket om tekniska färdigheter och dataanalys som om trädgårdsodling. För nu handlar byggnadsförvaltning om att finjustera varje aspekt av odlingsprocessen för att säkerställa att den är optimerad och fungerar i synergi. Från bevattning till näringsbevattning, sa Malman och Cook att analys också gör att de kan förutsäga vad som kommer att behövas härnäst.
”Vi ändrar metoder och våra odlingssystem helt enkelt baserat på det faktum att vi nu kan se framtiden,” sa Cook. ”Du kan förutsäga vart vi är på väg helt enkelt genom att kunna analysera dessa data snabbare.”
