Alphabet chiuderà l'attività di tecnologia agricola

Il rover di Mineral al lavoro in un campo di soia. (Foto: Alphabet)

Alphabet, la società madre di Google, chiuderà Mineral, la sua divisione dedicata alle tecnologie agricole, ma ha affermato che il lavoro del team continuerà a essere svolto insieme ad altre aziende agricole.

Mineral è stata lanciata come attività indipendente nel gennaio 2023, dopo cinque anni di sviluppo da parte di X, il laboratorio di innovazione di Alphabet. Con la missione di contribuire a espandere l'agricoltura sostenibile, il lavoro del team di Mineral ha incluso robot progettati per ispezionare ogni pianta in un campo e l'applicazione dell'intelligenza artificiale (IA) e dell'IA generativa per aiutare le aziende ad affrontare le sfide dello spreco alimentare, delle previsioni e della raccolta di dati di alta qualità.

In un post sul blog che annunciava la chiusura, l'amministratore delegato di Mineral, Elliott Grant, ha scritto: "La nostra missione è sempre stata quella di apportare un cambiamento significativo e positivo al sistema alimentare globale, un'impresa audace e ad alto rischio, quindi ci chiedevamo regolarmente: 'è questo il modo migliore per massimizzare l'impatto?' e 'stiamo raggiungendo la diversità di agricoltori che desideriamo, in tutto il mondo?'. Abbiamo già sottolineato in precedenza di essere alla ricerca di partnership nuove e innovative in grado di trascendere gli approcci tradizionali. Di conseguenza, all'inizio di quest'anno, abbiamo deciso di ripensare la struttura di Mineral e il nostro approccio per ottenere un impatto positivo per il maggior numero di agricoltori".

Il lavoro di Mineral si è concentrato su tre aree: sviluppo di tecnologie di rilevamento in grado di generare ricchi set di dati sulle piante, organizzazione di dati agricoli provenienti da diverse fonti per l'apprendimento automatico e la creazione di algoritmi software e conduzione di ricerche per migliorare la comprensione delle piante.

Nella sua ricerca, Mineral ha affermato di aver scoperto che la maggior parte delle aziende non raccoglieva la quantità, la diversità o la qualità dei dati necessari per sfruttare appieno i vantaggi dell'apprendimento automatico, il che l'ha portata a sviluppare strumenti per acquisire, curare, pulire e arricchire i dati multimodali. L'azienda ha sviluppato rover per piante per acquisire grandi quantità di immagini di alta qualità, per poi espandersi alla costruzione di tecnologie di percezione generalizzata in grado di funzionare su piattaforme come robot, attrezzature agricole di terze parti, droni, dispositivi sentinella e telefoni cellulari.

Mineral ha affermato che una scoperta importante del suo lavoro è stata che l'implementazione del machine learning come servizio è molto diversa dal software come servizio (SaaS). I modelli devono essere monitorati e costantemente riqualificati con nuovi dati, soprattutto in un sistema agricolo che cambia ogni anno.

Inizialmente, Mineral ha collaborato con il produttore di frutti di bosco freschi Driscoll's per sviluppare strumenti di intelligenza artificiale per migliorare la fenotipizzazione delle colture, prevedere meglio le rese, ottimizzare i controlli di qualità e ridurre gli sprechi alimentari. Alphabet ha affermato di aver ora trasferito parte di questa tecnologia a Driscoll's.

Driscoll's, con sede in California, è la prima azienda agroalimentare ad aver ricevuto la tecnologia Mineral. Forse meglio conosciuta come produttrice di fragole, l'azienda ha inizialmente collaborato con il team Mineral per migliorare la raccolta dati nelle sue attività di breeding. Il breeding delle colture prevede la raccolta di molteplici punti dati su ciascuna varietà vegetale durante la stagione di crescita. La capacità di raccogliere dati su larga scala durante tutta la stagione ha permesso ai breeder di concentrarsi su altri compiti.

Le informazioni acquisite da questi dati hanno ispirato Driscoll's a collaborare con Mineral su un'altra sfida: prevedere la resa di ogni impianto. In un caso di studio , Mineral ha riportato che i suoi ingegneri e data scientist hanno aiutato Driscoll's a migliorare l'accuratezza delle previsioni e ad aumentarne la frequenza, a ridurre la volatilità delle previsioni e ad estenderne l'orizzonte temporale.