Marathi e-Batmya
Related Articles
“भारत-प्रथम” नवोपक्रमांच्या जागतिक स्केलेबिलिटीचे प्रदर्शन करणारे एक महत्त्वाचे पाऊल म्हणून, गुगलने शेतीसाठी त्याच्या मूलभूत एआय मॉडेल्सचा आशिया-पॅसिफिक प्रदेशात विस्तार करण्याची घोषणा केली आहे. भारतातील स्टार्टअप्स आणि सरकारी संस्थांच्या परिसंस्थेला सक्षम बनवणारे अॅग्रिकल्चरल लँडस्केप अंडरस्टँडिंग (एएलयू) आणि अॅग्रिकल्चरल मॉनिटरिंग अँड इव्हेंट डिटेक्शन (एएमईडी) एपीआय आता मलेशिया, इंडोनेशिया, व्हिएतनाम आणि जपानमधील विश्वसनीय परीक्षकांना उपलब्ध करून दिले जात आहेत.
शेतीमधील काही सर्वात खोलवर बसलेल्या आव्हानांचे निराकरण करण्याच्या उद्देशाने, हायपरलोकल अंतर्दृष्टी प्रदान करण्यासाठी हे मुक्तपणे उपलब्ध मॉडेल रिमोट सेन्सिंग आणि मशीन लर्निंगचा वापर करतात. तंत्रज्ञान, त्याचा परिणाम आणि या विस्तारामागील दृष्टीकोन समजून घेण्यासाठी, मी गुगल डीपमाइंड येथील कृषी आणि शाश्वतता संशोधनाचे प्रमुख आलोक तळेकर आणि गुगलच्या पार्टनर इनोव्हेशन टीममधील उत्पादन व्यवस्थापक अवनीत सिंग यांच्याशी बसलो.
विशेषतः भारतासारख्या विशाल देशात शेती ही एकपात्री व्यवस्था नाही. ही एक गुंतागुंतीची, खंडित परिसंस्था आहे जिथे एका राज्यात काम करणारे उपाय दुसऱ्या राज्यात पूर्णपणे कुचकामी ठरू शकतात. हीच गुगलने सोडवण्याची मुख्य समस्या आहे.
त्यांच्या टीमने ओळखलेल्या प्रमुख आव्हानाबद्दल विचारले असता, आलोक तळेकर स्पष्ट होते. “मोठ्या प्रमाणात, प्रत्येकजण योग्य काम करू इच्छितो, परंतु देशात शेती खूप वैविध्यपूर्ण आहे,” त्यांनी स्पष्ट केले. “आणि त्यांच्याकडे योग्य साधने आणि माहितीची उपलब्धता नाही.”
ऐतिहासिकदृष्ट्या, कृषी डेटा उच्च पातळीवर एकत्रित केला गेला आहे – जिल्हा, ब्लॉक किंवा कदाचित गाव. अवनीत सिंग यांच्या मते, हे पुरेसे बारीक नाही. “योग्य हस्तक्षेप, योग्य सल्लागार वैयक्तिक क्षेत्र पातळीवर आवश्यक आहे,” सिंग यांनी नमूद केले. “हीच ती कमतरता आहे जी आपण भरून काढू अशी आमची अपेक्षा आहे.”
क्षेत्रस्तरीय डेटाशिवाय, निर्णय घेण्याची क्षमता बोथट आणि अकार्यक्षम होते. तळेकर यांनी स्पष्ट केल्याप्रमाणे, “एकही सोनेरी गोळी नाही. केरळमध्ये खरे उत्तर, उदाहरणार्थ, बिहारमध्ये खरे नसू शकते, व्हिएतनाममध्येही खरे नसू शकते. म्हणून सर्वत्र वेगवेगळे स्थानिक निर्णय घ्यावे लागतील जे स्वीकारले पाहिजेत. डेटा-चालित निर्णय घेण्यास मदत करणारा डेटाचा एक मुख्य आधार आवश्यक आहे.”
एकच अनुप्रयोग तयार करण्याऐवजी, Google ने दोन मूलभूत मॉडेल विकसित केले आहेत जे संपूर्ण परिसंस्थेसाठी आधारस्तंभ म्हणून काम करतात.
कृषी लँडस्केप समज (ALU): ऑक्टोबर २०२४ मध्ये भारतात लाँच केले गेले, हे पहिले स्तर आहे. अवनीत सिंग यांनी वर्णन केल्याप्रमाणे, “ALU हा कृषी लँडस्केपला अनेक वर्गांमध्ये विभागण्याचा आमचा प्रयत्न आहे.” उपग्रह प्रतिमा वापरून, ते वैयक्तिक शेत, जलसंपत्ती आणि वनस्पतींसाठी सीमा ओळखते आणि रेखाटते, मूलतः कृषी लँडस्केपचा तपशीलवार डिजिटल नकाशा तयार करते.
कृषी देखरेख आणि घटना शोध (AMED): जुलै २०२५ मध्ये रिलीज झालेले AMED API, ALU वर आधारित, गतिमान अंतर्दृष्टी प्रदान करते. “येथे आपण प्रत्यक्षात वैयक्तिक शेतात काय घडत आहे ते पाहण्यास सुरुवात करतो,” सिंह म्हणाले. AMED सध्या घेतले जाणारे पीक ओळखू शकते, शेतातील क्षेत्रफळ मोजू शकते आणि पेरणी आणि कापणीच्या तारखांसारख्या महत्त्वाच्या घटनांचा मागोवा घेऊ शकते. महत्त्वाचे म्हणजे, त्याचा डेटा दर १५ दिवसांनी अद्यतनित केला जातो, ज्यामुळे जवळजवळ रिअल-टाइम देखरेख करण्याची परवानगी मिळते.
एकत्रितपणे, हे मॉडेल एक शक्तिशाली, निष्पक्ष डेटासेट प्रदान करतात जो पूर्वी उपलब्ध नव्हता. “आम्ही पूर्वी उपलब्ध नसलेल्या डेटाचा पूर अनलॉक करत आहोत,” तळेकर म्हणाले. “ही लाँच घोषणा प्रवासाचा शेवट नाही, परंतु ही अशा प्रवासाची सुरुवात आहे जिथे आम्हाला अपेक्षा आहे की भागीदार या डेटाचा वापर सुरू करतील.”
या मॉडेल्सना शक्ती देणे हे भू-स्थानिक डेटाचा एक मोठा खजिना आहे. “प्रामुख्याने, हे सर्व मॉडेल्स पृथ्वी निरीक्षण डेटावर अवलंबून असतात, जे मोठ्या प्रमाणात उपग्रह प्रतिमांमधून येतात, सार्वजनिक उपग्रह प्रतिमा किंवा Google कडे असलेल्या परवानाकृत उपग्रह प्रतिमा,” तळेकर यांनी स्पष्ट केले.
त्यांनी स्पष्ट केले की गुगल मॅप्स सारख्या भू-स्थानिक तंत्रज्ञानात गुगलची दशकांपासूनची गुंतवणूक एक अद्वितीय फायदा प्रदान करते. यामुळे लहान शेतकऱ्यांसाठी एकेकाळी मोठ्या कृषी कंपन्यांचे एकमेव क्षेत्र असलेल्या क्षमता उघड होतात.
परंतु एआय सह, अचूकता आणि पक्षपात हे नेहमीच प्रमुख चिंता असतात. तळेकर आव्हानांबद्दल स्पष्ट होते. “एवढ्या मोठ्या प्रमाणात काम करणारे कोणतेही मॉडेल… सर्वत्र पूर्णपणे अचूक असणार नाही. कोणीही जाऊन असे काही क्षेत्र शोधू शकते जिथे आपण चुकीचे ठरतो,” त्यांनी कबूल केले. “पण तुम्हाला कोणत्या प्रमाणात आवश्यक असलेली सांख्यिकीय अचूकता आहे जी हे उपयुक्त ठरू शकते? हा एक प्रश्न आहे ज्याचे उत्तर प्रत्येक वापराच्या बाबतीत विशेषतः दिले पाहिजे.”
मॉडेल उपयुक्त आहेत याची खात्री करण्यासाठी, गुगल एक बहुआयामी प्रमाणीकरण धोरण वापरते, ज्यामध्ये मानक मशीन लर्निंग तपासणी, एकत्रित सरकारी जनगणना डेटाशी तुलना आणि स्टार्टअप टेरास्टॅक आणि तेलंगणा सरकार सारख्या तृतीय पक्षांद्वारे स्वतंत्र स्पॉट चेक समाविष्ट आहेत.
तर, या तंत्रज्ञानाचा API किंवा AI बद्दल कमी ज्ञान असलेल्या शेतकऱ्याला कसा फायदा होतो? याचा परिणाम Google च्या मॉडेल्स वापरणाऱ्या इकोसिस्टम भागीदारांद्वारे होतो.
अवनीत सिंग यांनी एक व्यावहारिक उदाहरण दिले: शेतकऱ्यांना जास्तीत जास्त पीक उत्पादन देण्यास मदत करण्याचे उद्दिष्ट असलेली अॅग्रीटेक कंपनी. “ते कोणत्याही जिल्ह्यासाठी, कोणत्याही ब्लॉकसाठी, कोणत्याही प्रदेशासाठी, कोणत्या शेतात त्यांचे पीक आहे हे ओळखू शकतात… आणि ते तो हस्तक्षेप प्रदान करू शकतात,” असे ते म्हणाले. API त्यांना पीक कधी पेरले गेले आणि त्याचा इतिहास सांगते, ज्यामुळे अत्यंत लक्ष्यित आणि प्रभावी सल्ला मिळतो.
कदाचित आर्थिक प्रवेशावरील परिणाम आणखी परिवर्तनकारी असेल. आलोक तळेकर यांनी अनेक शेतकऱ्यांसाठी सध्याच्या कर्ज परिस्थितीचे स्पष्ट चित्र रंगवले. “शेतकरी काय करत आहे… काही पीक घेत आहे… याची पडताळणी करण्यासाठी बँकेला लागणारा खर्च ते सामान्यतः थेट बँकेशी संपर्क साधू शकत नाहीत,” असे त्यांनी स्पष्ट केले. “एखाद्याला पाठवण्याचा खर्च खूप मोठा असतो; तो बऱ्याचदा कर्जाच्या आकाराशी तुलना करता येतो.” हे शेतकऱ्यांना शिकारी कर्ज दरांसह दुय्यम बाजारपेठेकडे ढकलते.
गुगलचे मॉडेल शेती क्रियाकलाप पडताळण्यासाठी एक निष्पक्ष, कमी किमतीचा मार्ग प्रदान करून एक उपाय देतात. यामुळे वित्तीय संस्थांसाठी जोखीम आणि खर्च कमी होतो, ज्यामुळे लाखो लोकांसाठी निष्पक्ष आणि सुलभ क्रेडिट उपलब्ध होऊ शकते. भारतात, फिनटेक कंपनी Sugee.io आधीच कर्ज अर्ज आणि व्यवस्थापनातील कार्यक्षमतेला समर्थन देण्यासाठी API च्या अंतर्दृष्टी एकत्रित करत आहे.
भारतात, मॉडेल्स आधीच विविध महत्त्वाच्या प्रकल्पांमध्ये तैनात केले जात आहेत:
कृषी DSS: ALU आणि AMED API कृषी विभागाच्या या राष्ट्रीय व्यासपीठात एकत्रित केले जात आहेत, ज्यामुळे धोरणकर्त्यांना माहितीपूर्ण निर्णय घेण्यास मदत होते.
तेलंगणा सरकार: राज्य त्यांच्या AdEx प्लॅटफॉर्मवर मॉडेल्स वापरते, जे कृषी उपायांसाठी एक खुले डेटा एक्सचेंज आहे.
ऊर्जा, पर्यावरण आणि पाणी परिषद (CEEW): थिंक टँक API चा वापर करून शेतकऱ्यांना हवामान अनुकूल पिकांकडे आकर्षित करण्यासाठी एक नवीन यंत्रणा तयार करण्याची योजना आखत आहे.
भारतातील या परिसंस्थेच्या नेतृत्वाखालील दृष्टिकोनाचे यश हे मलेशिया, इंडोनेशिया, व्हिएतनाम आणि जपानमध्ये विस्तारामागील प्रेरक शक्ती आहे.
अधिकृत घोषणेमध्ये, तळेकर म्हणाले, “आम्हाला उत्साह आणि आशा आहे की, या API चे फायदे APAC मध्ये विस्तारित करताना, आम्हाला संपूर्ण प्रदेशात समान प्रभाव आणि क्षमता दिसून येईल, ज्यामुळे भारतातील आमच्या AI प्रवासात आम्ही जो विश्वास ठेवला आहे तो मिळेल: की भारताच्या सर्वात महत्त्वाच्या आव्हानांना तोंड देणारे उपाय जगासाठी देखील सोडवू शकतात.”
डेटा गोपनीयतेबद्दल विचारले असता, सिंग यांनी जोरदारपणे सांगितले. डेटा पूर्णपणे भू-स्थानिक आहे आणि त्यात वैयक्तिकरित्या ओळखण्यायोग्य माहिती (PII) नाही. “यामध्ये कोणतेही मालकी हक्काचे बांधकाम नाही,” असे त्यांनी ठामपणे सांगितले, शेतकऱ्यांची गोपनीयता संरक्षित आहे याची खात्री करून.
