Na Gamaya desenvolvemos soluções para melhorar as práticas agrícolas com dados de teledetecção e tecnologia avançada de IA. Assim, combinamos os nossos conhecimentos agrícolas e tecnológicos para fornecer resultados acionáveis aos nossos usuários, que são na sua maioria grandes produtores de cana-de-açúcar e soja. Como uma das 10 maiores empresas start-up suíças, estamos preparando o caminho para desenvolvimentos inovadores e soluções mais inteligentes. Isto exige que as nossas equipes sejam curiosas, intuitivas e sempre prontas a experimentar. 

Fluxo de trabalho de processamento e análise de imagens aéreas

Gamaya obtém imagens de campos agrícolas de duas fontes principais – satélite e drones. No caso da análise baseada em drones, os usuários sobrevoam os seus campos com drones e posteriormente carregam as imagens adquiridas para a plataforma Gamaya. Algoritmos e IA avançados são rodados automaticamente para formar um grande mapa, que é chamado ortomosaico.

Uma vez gerado o ortomosaico, são aplicados modelos avançados baseados na tecnologia da IA e na aprendizagem de máquinas para identificar várias questões nos campos (por exemplo, ervas daninhas, falhas de plantio e muito mais). Esta informação fornece aos nossos clientes informação acionável e precisa que lhes permite abordar as questões rapidamente e num local específico da área, melhorando em última análise os seus rendimentos e reduzindo os seus custos. 

‍

Os dados de satélite são também utilizados para análise de campo. A principal diferença está na resolução espacial. Os drones são capazes de fornecer imagens com um tamanho de pixel em centímetros, enquanto os satélites são capazes de fornecer imagens em 3-10 metros de tamanho de pixel. Isto faz com que as imagens de satélite tenham um nível de detalhe muito mais baixo, mas ao contrário dos drones, eles são capazes de pesquisar uma área de campo muito maior.

A abordagem comum na análise de ortomosaicos com base em drones é pegar na área total do campo e processá-la como um todo. Isto é o que Gamaya fez até 2020. Contudo, o principal problema com esta abordagem é a escalabilidade. Embora esta abordagem tenha funcionado bem para campos mais pequenos (5 a 20 ha), exigiu máquinas muito poderosas e levou muito tempo para campos maiores do que isso. Enfrentamos este problema no final de 2019, onde o processamento de um campo de 75 ha exigia mais de 12 horas de tempo de processamento, e computadores com mais de 100 GB de memória. As dimensões dos campos na agricultura variam entre 1 ha e mais de 1000 ha, pelo que, numa perspectiva de longo prazo, esta abordagem era insustentável. 

Mudança para uma pipelineanalítica mais inteligente 

Este problema levou a uma mudança e mudou totalmente a nossa abordagem no processamento de dados de ortomosaicos. À semelhança da abordagem MapReduce utilizada frequentemente no campo da Informática, decidimos dividir um grande campo em regiões mais pequenas, executar os algoritmos analíticos por região, e depois combinar os resultados numa única camada de dados.

Como com todas as grandes mudanças, houve muitas preocupações e incógnitas. Contudo, particularmente numa perspectiva de longo prazo, consideramos que era a abordagem correta, uma vez que nos permite processar os dados de parcelas muito maiores de uma forma muito melhor, mais rápida e mais eficiente do que anteriormente. 

Exigiu-nos que construíssemos o nosso pipeline de processamento a partir do zero – deixamos de ter máquinas enormes a processar enormes quantidades de dados de grandes campos para uma arquitetura em que muitos pequenos trabalhos funcionam simultaneamente em máquinas muito mais pequenas.  

‍

‍

Também nos fez  mudar a forma como treinamos e gerimos a nossa análise de IA. Em vez de os treinarmos e testarmos para serem capazes de lidar com campos que variam em tamanho e forma, estabelecemos uma região padrão, de tamanho quadrado fixo, que todos os modelos utilizam.

Além disso, aproveitamos esta oportunidade para rever completamente as nossas ferramentas de programação e o nosso fornecedor de armazenamento e processamento em nuvem. Alguns exemplos incluem: 

• Mudança para o Google Cloud para computação e armazenamento de dados (saiba mais sobre o nosso trabalho com o Google aqui).
• Todo o nosso código backend está agora em linguagem Go Programming (anteriormente em Java e NodeJS).
• Mudamos a nossa base de dados de SQL para MongoDB
• O Frontend é agora desenvolvido com a ajuda do VueJS em vez de Angular.
• Temos agora um sistema de arquitetura semelhante ao dos micro serviços, em vez da anterior aplicação monolítica.

Continuamos a gerir e a apoiar o sistema anterior durante alguns meses após a mudança, mas o rápido aumento do tamanho dos talhões e o rápido crescimento do negócio mostraram-nos que esta nova arquitetura é o melhor caminho a seguir. Isto marcou o fim definitivo do antigo sistema.

A partir de hoje, esta mudança arquitetônica permite-nos fazer:

• Analisar e processar dados de campos de 500 ha em menos de 30 minutos (antes, demorava 12h para 75 ha, com o tempo de processamento aumentando com o tamanho do campo)
• Usar pequenos computadores com 4-8GB de memória (antes, um campo de 75 ha exigiria 100 GB de memória)
• Reduzir o custo de execução da análise em 5x
• Acelerar significativamente o ciclo de iteração para a nossa equipe de ciência dos dados. Antes, tinham por vezes de esperar um dia para obterem resultados do seu novo modelo num campo, e agora podem receber resultados em 30 minutos. Também podem realizar 50 experiências por dia em vez de apenas uma. 
• Simplificam significativamente a nossa base de códigos. Recentemente, quando um novo engenheiro de software se juntou à nossa equipe, ficamos encantados por ver que ele conseguiu começar a codificar no nosso sistema na sua primeira semana, uma vez que tudo estava muito claro e bem estruturado.

Gamaya está agora aplicando uma abordagem muito semelhante à nossa análise de satélite e espera ver resultados semelhantes num futuro próximo.

‍

Num ambiente tecnológico de ritmo acelerado, a inovação contínua é fundamental

Esta mudança de condutas de processamento tem sido um tremendo salto técnico para a Gamaya. No entanto, devemos também atribuir este sucesso à nossa equipe de mente aberta e engenhosa, que está ajudando  a Gamaya a oferecer soluções agronômicas digitais disruptivas para revolucionar os métodos e a vida dos agricultores em todo o mundo – em última análise, ajudando a alimentar a nossa população mundial em rápido crescimento e tornando-a mais sustentável para o futuro.

Obter mais rapidamente da inteligência dos campos de cana-de-açúcar com CaneFit

‍

Publication date: September 2021