Deze kunnen de processen in de kas echter verschillend beoordelen en dus tot verschillende adviezen leiden voor de kassturing, afhankelijk van de beoogde doelstelling. Daarnaast wordt de impliciete kennis van de operator doorgaans niet meegenomen in dergelijke systemen.
Inzet van Artificiële Intelligentie
De uitdaging is een AI-systeem te ontwikkelen dat verschillende processen voor aansturing van de kas beoordeelt en daarbij de ervaring van de operator meeneemt. De operator deelt zijn beslissingen en de bijbehorende onderbouwing met het AI-systeem en leert ook zelf van het AI-systeem. Op termijn verbetert de kwaliteit van de adviezen: het systeem wordt autonomer en neemt deels de aansturing van de kas over.
Artificiële Intelligentie (AI) wordt ingezet om de beste keuze voor kassturing te kunnen maken, denk aan het binnenklimaat, energie- en waterverbruik, CO2-productie en gewasgroei. Tegelijk moet aan soms conflicterende doelstellingen worden voldaan. Deze komen voort uit de verschillende sturingsprocessen in de kas: temperatuur en relatieve vochtigheid moeten in een bepaalde range vallen, energie- en netto watergebruik moeten zo laag mogelijk zijn, gewasontwikkeling moet zo snel mogelijk gaan, maar wel met een acceptabele kwaliteit, etc.
Leerproces
Hiervoor wordt de Greenhouse AI Accumulator (GAIA) ontwikkeld; deze laat de verschillende onderliggende reeds bestaande subcontrollers samenwerken om tot een goede balans te komen in de vorm van een control strategie. Hiervoor moet het systeem input krijgen van sensoren in de kas, waaronder ook gegevens over gewasontwikkeling.
Inzet van bestaande en nieuwe AI-technologieën, zoals Model-based Predictive Control en/of Reinforcement Learning worden onderzocht om te bepalen of ze de juiste adviezen kunnen geven. Daarnaast zal een advies altijd worden voorzien van een goede uitleg door explainable AI-technieken. De operator kan daarbij leren van de keuzes die het systeem maakt en zal tevens feedback met onderbouwing kunnen geven over de correctheid van een advies. Daarbij zal de feedback worden teruggevoerd in de gebruikte AI-technologie om nog betere toekomstige adviezen te kunnen realiseren. Het systeem leert zo van de operator, die op basis van ‘groene vingers’ gestoeld op jarenlange ervaring beslissingen neemt: ‘co-learning’.
Welke uitdaging lost het op?
Het doel van het project is de operator van de kas te ondersteunen bij het maken van de juiste beslissingen om te komen tot maximale opbrengst en productkwaliteit in de kas tegen minimale kosten en effecten op de omgeving. Op de langere termijn zal dit moeten leiden tot het grotendeels autonoom functioneren van de kas, waardoor voedselproductie in kassen gemakkelijker en haalbaarder wordt in grote delen van de wereld.
Wat levert de use case op?
Deze AI-ontwikkeling helpt de Nederlandse glastuinbouwsector om voorop te blijven lopen in de ontwikkeling van hightech kassen. De inzet van AI-systemen is in het bijzonder van belang voor hightech kassen op plaatsen in de wereld waar minder agronomische expertise aanwezig is. Daar zal de diepte-expertise zich vaker op afstand bevinden (‘remote control’) en moet er meer kunnen worden vertrouwd op automatische systemen.
De beoogde resultaten zijn:
- Een proof-of-concept van een eerste versie van GAIA waarin AI-technieken worden toegepast en gefinetuned voor optimale kasaansturing.
- Een mechanisme voor het onderbouwen van de advisering (‘explainability’) en een Hybrid-AI aanpak voor co-learning tussen operator/tuinder en GAIA;
- Experimentele resultaten van de GAIA proof-of-concept voor een specifieke kas waarin de bruikbaarheid voor de operator/tuinder getoetst wordt.
Samenwerkingspartners
Dit project is onderdeel van het Appl.AI programma van TNO en wordt mede gefinancierd vanuit de startimpuls die de NL AIC ontving van het kabinet voor onderzoek naar en het ontwikkelen van AI-toepassingen. GAIA wordt ontwikkeld door TNO in samenwerking met Ridder en Hortivation (via het aanpalende project AGROS dat mede gefinancierd wordt door TKI Tuinbouw en Uitgangsmaterialen).