De AI-revolutie doet haar intrede in gewas- en zaadinnovatie

Van voorspellen naar creëren

Een van de meest besproken ontwikkelingen is het zogenaamde ‘dry lab’, waarin steeds meer experimenten digitaal, ofwel in silico, plaatsvinden.
Hierbij wordt AI toegepast op de eigen data van een bedrijf om nieuwe ingrediënten of formuleringen te ontwerpen. Daardoor kunnen fysieke proeven later in het ontwikkelproces plaatsvinden en veel gerichter worden uitgevoerd.

Het concept is niet nieuw, maar de nieuwste vormen van generatieve AI bieden wel nieuwe mogelijkheden. Waar traditionele AI patronen herkent in historische gegevens om voorspellingen te doen, bijvoorbeeld of een zaadbehandeling de kieming verbetert, kan generatieve AI volledig nieuwe samenstellingen voorstellen die onderzoekers vervolgens kunnen beoordelen.

"DNA is in feite een reeks letters, wat betekent dat het makkelijker te verwerken is met de huidige taalmodellen."

 AI en de toekomst van gewasgenetica

Genetica blijkt om een verrassend eenvoudige reden bijzonder geschikt voor AI-toepassingen. "DNA is in feite een reeks letters, wat betekent dat het makkelijker te verwerken is met de huidige taalmodellen," vertelde Tonny Otjens van Rijk Zwaan ons. 

Zijn bedrijf onderzoekt hoe deze modellen fenotypische waarnemingen kunnen combineren met genetische gegevens om te voorspellen welke rassen de gewenste eigenschappen zullen opleveren. Dergelijke inzichten kunnen ook bijdragen aan de verdere groei van de markt voor biologische coatings en behandelingen.

Kansen voor snelle resultaten

Niet alle AI-toepassingen zijn even complex. Sommige van de meest populaire toepassingen nemen simpelweg veel tijdrovend werk uit handen door documentatie- en complianceprocessen te automatiseren.
Rijk Zwaan ontwikkelde bijvoorbeeld een tool voor de vaak lastige taak van productnaamgeving. De tool toetst voorgestelde namen direct aan eisen op het gebied van handelsmerken, taalgebruik en regelgeving.

Waar dit proces vroeger weken kon duren en soms alsnog eindigde in afwijzing omdat een naam te veel leek op die van een Deense concurrent of een Spaans scheldwoord, kost het nu slechts enkele minuten. Misschien niet spectaculair, maar wel bijzonder praktisch. Juist dit soort snelle successen helpt vaak om sceptici te overtuigen van de waarde van AI.

"Het voordeel zit hem in het combineren van grensverleggende modellen met de beste eigen data, wetenschappelijke expertise en marktinzichten."

 Concurrentievoordeel

Tegelijkertijd is er een belangrijk inzicht: geen van deze ontwikkelingen levert op zichzelf een blijvend concurrentievoordeel op.
De geavanceerde AI-modellen waar momenteel zoveel aandacht voor is, zijn volgens Stephan Köhler van BASF in feite "commodities". Het echte onderscheid ontstaat wanneer deze modellen worden gecombineerd met hoogwaardige eigen data, wetenschappelijke expertise en diepgaande marktkennis.
Bedrijven die beschikken over grote hoeveelheden unieke data, zelf verzameld of strategisch verkregen, zullen uiteindelijk de sterkste modellen kunnen ontwikkelen. Zo zijn de vele jaren waarin Rijk Zwaan planten fotografeerde voor observatiestudies uitgegroeid tot een waardevolle bron van R&D-data.

Innovatie opnieuw bekijken

AI verandert niet alleen wat onderzoekers doen, maar ook hoe zij werken.
Volgens Köhler gebruiken formuleringswetenschappers hun ervaring meestal om veelbelovende uitgangspunten te selecteren, waarna zij die via experimenten verder verfijnen. In een AI-gedreven werkwijze wordt die volgorde deels omgedraaid. Eerst worden grote hoeveelheden data verzameld, vervolgens worden modellen getraind op basis van die gegevens en daarna worden deze modellen ingezet om mogelijke oplossingen te verkennen.
Daardoor verschuift een deel van het voorbereidende werk naar het begin van het proces, terwijl de mogelijkheden toenemen en optimalisatie sneller verloopt.

Een AI-klare organisatie opbouwen

De whitepaper benadrukt dat de grootste uitdaging niet technologisch, maar organisatorisch van aard is.
De landbouwsector heeft behoefte aan betere data: gegevens die op een gestructureerde en gestandaardiseerde manier worden verzameld, met toekomstige AI-toepassingen in gedachten.
Daarnaast zijn nieuwe manieren van denken en organiseren nodig, evenals een rigoureuze en controleerbare aanpak van vertrouwen en verklaarbaarheid. Ook zijn medewerkers nodig die zich comfortabel voelen bij het werken met en aansturen van AI-modellen. Verder vraagt deze ontwikkeling om een ecosysteem van technologie- en onderzoekspartners dat veel breder is dan traditionele R&D-omgevingen gewend zijn.

Dit zal niet eenvoudig zijn. De whitepaper gaat daarom veel dieper in op onderwerpen als kennisgrafieken, foundation models, AI-audits, samenwerking tussen mens en AI en de eerste stappen die leiders vandaag al kunnen zetten.
Voor iedereen die betrokken is bij de ontwikkeling en teelt van gewassen en zich afvraagt hoe de grootste verandering in de landbouw van de afgelopen generatie zijn of haar werk zal beïnvloeden, biedt deze whitepaper een waardevol uitgangspunt.

Download de whitepaper: How artificial intelligence is transforming agricultural innovation