Amazon SageMaker を使用した収穫の成功で、Bayer のデジタル農業ユニットを強化

2050 年までに、地球は 100 億人を養う必要があります。地球を拡大して農地を増やすことはできないので、食料を増やすための解決策は、農業の生産性を高め、資源への依存を軽減することです。つまり、作物を損失したり、資源を浪費したりする余地はありません。Bayer は Amazon SageMaker を使用して、世界中の田畑で発生する損失を排除しています。

家庭からは、台所での廃棄や食べ残しなどの食べ物を捨てることで、食物の損失が発生します。しかし、多くの国での食物損失の大部分は、実際には、何らかの形で「実を結ばない」作物、つまり、害虫、病気、雑草、土壌の栄養不良などによるものです。Bayer の子会社である Climate Corporation は、こうした課題の解決に役立つデジタル農業サービスを提供しています。

Climate Corporation のソリューションには、トラクターおよび衛星対応のフィールドヘルスマップからのデータの自動記録が含まれます。こうしたサービスなどを世界中の何千もの農家に提供することにより、Climate Corporation は農家が土地を健康で肥沃に保つことをサポートします。

また同社のチームは、FieldCatcher と呼ばれる新しいサービスにも取り組んでいます。このサービスでは、農家はスマートフォンの画像を使用して、雑草、害虫、病気を特定できます。「画像認識を使用して、農家に仮想農学者へのアクセスを提供し、しばしば困難である作物の問題の原因を特定する作業を支援します。これにより、アドバイスにアクセスできない農家にも力を与えるとともに、すべての農家が野外での観察をより効率的にキャプチャして共有できるようになります」と、Climate Corporation の近接センシングのリーダーである Matthias Tempel 氏は述べています。

FieldCatcher は、Amazon SageMaker でトレーニングされた画像認識モデルを使用し、Amazon SageMaker Neo を使用して携帯電話向けにモデルを最適化します。この設定により、農家はモデルを使用して、インターネットにアクセスしなくてもすぐに結果を得ることができます (多くの農地ではインターネット接続がないため)。Amazon SageMaker を使用すると、FieldCatcher が問題の原因を自信を持って特定するのに役立ちます。これは、農家に適切な修復ガイダンスを提供するうえで不可欠です。多くの場合、すぐに対処して問題に確信を持てることは、田畑の収穫量や農家の成功に大きな違いをもたらします。

FieldCatcher ソリューションを強化するため、Bayer は多種多様で高品質な画像を収集し、さまざまな環境、成長段階、気象条件、日光のレベルを含むトレーニングデータを作成しています。それぞれの写真はスマートフォンからアップロードされ、最終的には認識をさらに向上させるための継続的に拡張されるライブラリの一部になります。以下の図は、各画像の過程とそのメタデータを示しています。

具体的には、Amazon API Gateway および Amazon Simple Storage Service (Amazon S3) へのアップロードを保護する Amazon Cognito への取り込みでプロセスが始まります。サーバーレスアーキテクチャは、他のどの方法よりもスケーラブルで保守が容易であるために選択されますが、ステップを実行し、最終的に受信したデータをデータレイクに移動するために AWS Lambda を利用しています。

複数の AWS のサービスが連携してデータレイクをサポートします。画像保存用の Amazon S3 に加えて、Amazon DynamoDB はメタデータを保存します。これは、撮影した場所や日付などの画像の特徴が後のサーチャビリティにとって重要であるためです。Amazon Elasticsearch Service (Amazon ES) は、このメタデータのインデックス作成とクエリを実行します。

エンジニアリングチームは、このサービスセットでは事前にデータスキーマを定義する必要がないことを理解しており、FieldCatcher アプリケーションで収集される画像のさまざまなユースケースを可能にします。もう 1 つの利点は、データレイククエリで「ドイツで撮影された画像の解像度が 800×600 ピクセルを超えるすべての画像を検索する」や「冬コムギの病気のすべての画像を検索する」などの異なる質問ができることです。

機械学習 (ML) モデルの開発、トレーニング、推論では、チームは Amazon SageMaker を活用しています。具体的には、Amazon SageMaker の組み込み Jupyter ノートブックが、ML モデルおよび対応する ML アルゴリズムを開発するための中心的なワークスペースです。開発者は、ソースコード管理に GitLab を使用し、自動化されたタスクでは GitLab-CI も使用します。

AWS Step Functions は最後のピースであり、データレイクからの画像の前処理の完全なラウンドトリップ、ML モデルの自動トレーニング、そして最後に推論をサポートするために使用されます。これらのサービスを使用して、Bayer の開発者は自信を持ってインフラストラクチャを操作でき、ML モデルに集中できます。

Bayer チームのメンバーは、長年の AWS ユーザーとして、ML のパワーに精通しており、他の方法で人間が取り組むには非常に複雑である問題を解決できます。同社は以前、AWS IoT および収穫する田畑にあるセンサーを活用してモバイルデバイスに供給される情報でリアルタイムの意思決定を強化する AWS ベースのデータ収集および分析プラットフォームを開発しました。

提供内容を拡大して新しい FieldCatcher アプリケーションを含めるという選択は、こうした他のサービスのいくつかからの肯定的なフィードバックによって支持されました。Climate Corporation のエンタープライズソリューションのリーダーである Giuseppe La Tona 氏は次のように述べました。「私たちはこの種のサービスを完全に自分たちで行っていましたが、実行や維持は膨大な量の作業になりました。ところが、Amazon SageMaker を使用すると、ソリューションが限りなく簡単になることがわかったため、実装を開始し、決して振り返ることはありませんでした。」

現時点で、FieldCatcher は世界の 20 か国以上で社内で使用しています。次のステップは、農家に提供できるものを拡大することです。現在、主な用途は、雑草、病気、または害虫の検出です。Climate Corporation は、個々の植物レベルでの画像と無人機ベースの作物保護で収穫品質を予測するなど、幅広く ML を活用したソリューションを検討しています。 

今後、チームはすべての ML 作業に Amazon SageMaker を使用する予定です。これは非常に強力で大幅に時間を節約できるためです。実際に、チームのワークフロー全体では ML に AWS だけを使用しています。Bayer のクラウドアーキテクトである Alexander Rothm 氏は次のように説明しました。「AWS での機械学習により、パイプライン全体がスムーズに実行され、エラーを削減できるという大きな影響があります。」

こうしたソリューションを導入し、(ML には固有ですが) 絶えず改善している Bayer と Climate Corporation は、将来の持続可能な農業の先駆者であると自負しています。彼らは、この努力とそれに刺激された他の努力が、今後何年にもわたって人口増加をサポートすることを可能にすることを望んでいます。

著者について

Marisa Messina は、AWS ML マーケティングチームに所属しています。仕事では AWS を使用している最も革新的なお客様を見定めたり、示唆に富んだストーリーを紹介したりしています。AWS に入社する前は、Microsoft で消費者向けハードウェア、次に大学向けクラウド製品を担当していました。仕事以外では、太平洋岸北西部のハイキングコースを探索したり、レシピなしで料理をしたり、雨の中で踊ったりして楽しんでいます。