Az agrárszektor olyan munkára épül, amelyet nehéz megtervezni, mert a körülmények határozzák meg a kimenetet. Termesztésirányítás, betakarítás-tervezés, szortálás és minőségellenőrzés, szállítástervezés az árverésre vagy a felvevőhöz, valamint a minőségjelzésekhez és megfelelőséghez kapcsolódó igazgatási blokk: ezek azok a tételek, ahol a legtöbb óra keletkezik. Az időjárás, a növény vagy állat biológiai órája, és az idénymunka rendelkezésre állása jobban meghatározza a kimenetet, mint a tervezés szándéka. Aki itt szolgáltat, olyan körülmények mellett teszi, amelyek hétről hétre változhatnak.
Évekig ebben a szektorban az nyert, aki a bizonytalanságot a legjobban tudta kezelni: a termesztő vagy a vállalat a legtöbb tapasztalattal, a legélesebb szemmel az időjárási kép felismerésére, a legügyesebb kézzel a szortálásnál. Ez még ma is releváns. De az a munka, amellyel ezt a tapasztalatot döntéssé alakítják, jellegében megváltozik.
Az agrár munkacsomagon belül három kategória fonódik össze, és az, hogy melyik lépés melyik kategóriába esik, megmagyarázza, miért működik az egyik vállalat már most másképp, mint a másik.
Teljesen az AI-ra bízható az a munka, amely ismétlődő, elegendő adattal rendelkező mintákból áll: terméshozam-előrejelzés historikus és aktuális szenzoradatok alapján, öntözéstervezés a talajnedvesség és az időjárás-előrejelzés alapján, valamint a termékek első szortálása képfelismerés segítségével. A talajba épített szenzorokkal és a szortálósoron elhelyezett kamerákkal rendelkező vállalatok ezeket a lépéseket már beavatkozás nélkül futtatják.
Részben, emberi jóváhagyással vagy indokolt elutasítással történik az a munka, ahol a modell tanácsot ad, de a kontextus még túl szeszélyes a teljes átadáshoz: a döntés, hogy most permetezni kell-e vagy várni, a választás két értékesítési csatorna között áreltérés esetén, vagy annak megítélése, hogy egy parcella már betakarításra kész. Itt a rendszer indoklással ellátott javaslatot generál, és a termesztő vagy az üzemvezető ezt jóváhagyja vagy leállítja. Ez a felügyelet nem átmeneti fázis; ez az a forma, amelyben ez a munka egyelőre továbbra is létezik, mivel a felelősség és a lokális tudás az embernél marad.
Emberi munka marad a felvevővel való kapcsolattartás, aki egyedi megoldást kér, a szállítási szerződésről szóló tárgyalás, valamint azok a fizikai műveletek, amelyek nem automatizálhatók a vállalat átalakítása nélkül. A minőségjelzés auditjához szükséges dosszié összeállítása is alapvetően emberi munka marad, bár az alapul szolgáló adatok gyűjtése felgyorsítható.
A vállalatok közötti különbség nem az ambícióban rejlik, hanem abban, hogy milyen adat és szenzortechnika áll már rendelkezésre. Egy vállalat, amely évek óta rendelkezik szenzoradatokkal a talajról, a növényről és az éghajlatról, olyan előrejelző modellt tud táplálni, amely használható; egy vállalat ilyen múlt nélkül üres modellel kezd. Ugyanez érvényes a szortálásnál használt képfelismerésre: az csak akkor válik éles, ha nagy mennyiségű saját terméki fotón betanították. Aki nem rendelkezik ezzel az alappal, hosszabb ideig marad függő az embertől olyan lépéseknél, amelyeket másutt már átvettek. Ez nem az erőfeszítés hiánya, hanem a felépített tudásbázis eltérése.
Amint a termesztési döntés, a szortálás vagy a logisztikai tervezés egy része egy rendszerre kerül, elmozdul az, hogy mivel értékeli a felvevő vagy az árverés a beszállítót. A szállítási idő és a mennyiségi biztonság korábban a kapacitás és a tapasztalat függvénye volt; ha a tervezés maga már figyelembe veszi az időjárást, a szállítási kapacitást és a betakarítási ablakot, az összehasonlítás áthelyeződik arra, hogy ez az előrejelzés mennyire konzisztensen valósul meg, és milyen gyorsan igazítják ki, ha a valóság eltér. A minőségi konzisztencia korábban a szortálósoron végzett szakértelem kérdése volt; automatizált képfelismeréssel az lesz belőle, hogy egy vállalat mennyi betanítási adatot és mennyi ellenőrzési réteget épített ki. A dimenzió, amelyen a győzelem alapul, ugyanazt a nevet viseli, de a mögötte álló kérdés megváltozik.
Ez a mintázat nem egyedi a mezőgazdaság és kertészet számára. Ugyanez az elmozdulás a kapacitástól a rendszer minősége felé zajlik az IT-szektorban, ahol a projektek szállítási ideje az automatizált tervezés miatt változik, a pénzügyi szolgáltatásokban, ahol a kockázatértékelést részben modellek végzik, és a szabadidő-ágazatban, ahol a foglalás-előrejelzés irányítja a kapacitástervezést. Mindig az a kérdés, nem az, hogy az AI átveszi-e a munkát, hanem az, hogy melyik részét, milyen felügyelettel, és mit jelent ez a versenytárssal való összehasonlításban.
Az ebből az elmozdulásból esetlegesen következő személyzeti döntésekről ez az oldal nem nyilatkozik; azokra saját jogi követelmények vonatkoznak, és ezek nem tartoznak egy piaci összehasonlításhoz.
Egy termesztőnek vagy szövetkezetnek, aki azt állítja, hogy a szállítási időn vagy a minőségi konzisztencián nyer, ezt az állítást valami visszakövethetővel kell alátámasztania: egy számmal, egy ügyféli nyilatkozattal, egy tanúsítással. Hogyan állítja szembe egy ilyen állítást egy versenytársáéval anélkül, hogy kitöltené, amit nem tud, azt leírja egy módszer arra, hogyan pontozzon egy versenytársat feltételezések nélkül, és az ehhez kapcsolódó tágabb felépítés egy magyarázatban arról, hogyan benchmarkolja vállalatát a versenytársakkal szemben. Az, hogy saját vállalatában melyik munka vehető már át az AI által, és melyik rész igényel továbbra is felügyeletet, más kérdés, mint az, hogy mivel nyer; ezt az első kérdést válaszolja meg a FTE TO AI munkaelemzése feladatonként.
Határozza meg magának, hogy melyik két vagy három dimenzióban gondolja úgy, hogy nyer a peer csoportjában lévő vállalatokkal szemben. Nézze át állításonként, hogy van-e mögötte olyan bizonyíték, amely egy kívülállót meggyőzne. Az ingyenes dimenzió-ellenőrzéssel egymás mellé állíthatja ezeket az állításokat, és megmutatja, melyik védhető bizonyítékkal. A teljes benchmark, a teljes peer csoportra vonatkozó pontszámokkal és egy kereshető bizonyítékmátrixszal, jelenleg épül.
Vraag maar waarop er in uw markt gewonnen wordt. Ik vergelijk liever dan dat ik uitleg.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.