Фото: із відкритих джерел
Дослідники ICRISAT описали підхід «augmented foresight» — системну інтеграцію ШІ у стратегічний форсайт, щоб зробити моделі чутливішими до даних у реальному часі, точнішими щодо поведінки учасників ринку та кращими в синтезі знань.
Про це повідомляє сайт Аграрії разом з посиланням на сайт Global Agriculture.
Стратегічний форсайт у продовольчих системах давно використовують для оцінки того, як агросектор може реагувати на різні кліматичні, економічні та політичні сценарії. У матеріалі Judy Thomas і Nedumaran Swamikannu (International Crops Research Institute for Semi-Arid Tropics, ICRISAT) зазначається, що інструменти на кшталт IMPACT, GLOBIOM і TOA-MD допомагали формувати великі інвестиційні та політичні рішення, однак їхня залежність від періодично оновлюваних наборів даних, спрощених поведінкових припущень і фрагментованих знань дедалі більше обмежує оперативність у світі швидких кліматичних шоків, збоїв ланцюгів постачання та волатильності ринків.
Як відповідь автори пропонують концепцію augmented foresight — «системну інтеграцію» штучного інтелекту у форсайт-системи. Йдеться не про заміну наявних моделей, а про те, щоб зробити їх більш адаптивними, інтегрованими та орієнтованими на ухвалення рішень.
Три домени, де ШІ може підсилити форсайт
1) Дані: від повільної інтеграції до реакції в реальному часі
Автори наголошують, що вхідні дані визначають базові умови та «сигнали» змін, а horizon scanning допомагає відстежувати мегатренди, «слабкі сигнали», потенційні кліматичні та геополітичні шоки. Проблема нинішніх підходів — опора на гармонізовані історичні дані та стандартизовані сценарні рамки, які оновлюються періодично, через що моделі не встигають враховувати аномалії клімату, спалахи шкідників чи раптові ринкові збурення.
ШІ, за задумом, має забезпечити безперервну інтеграцію даних, автоматизацію модельних робочих процесів і раннє виявлення сигналів ризику. Зокрема, йдеться про AI-driven «пайплайни», які можуть оркеструвати завдання, що раніше вимагали ручного втручання: оновлення датасетів, калібрування параметрів і запуск сценарних симуляцій. У поєднанні із супутниковими даними, кліматичними спостереженнями та ринковою аналітикою такі підходи, як описано в матеріалі, здатні виявляти патерни стресу культур, змін землекористування, збоїв у ланцюгах постачання та цінової волатильності, а також «слабкі сигнали» й аномалії, що можуть вказувати на глибші системні зрушення.
Окремо згадується data assimilation — інтеграція таких інсайтів між циклами моделювання з ітеративним оновленням базових умов. Це, за логікою авторів, переводить форсайт від «статичного» конструювання сценаріїв до динамічного аналізу, підживленого даними.
2) Поведінка: від стилізованих припущень до контекстних рішень
У статті підкреслюється, що великомасштабні моделі часто закладають спрощені реакції фермерів, споживачів і ринків на ризики, стимули та політики, тоді як реальна поведінка є неоднорідною і залежить від соціально-економічних умов, інституційного контексту та сприйняття ризику.
Як інструмент для відображення цієї різноманітності автори розглядають агент-орієнтовані моделі (ABM), які симулюють рішення та взаємодії окремих акторів (фермерів, трейдерів, споживачів) за різних умов. На відміну від агрегованих моделей, де поведінка «зашита» у загальні математичні функції, ABM роблять правила ухвалення рішень явними — їх можна перевіряти та уточнювати на основі емпіричних даних (опитувань, експериментів, польових спостережень). У гібридних підходах глобальні моделі формують макросценарії, які далі використовують для регіональних поведінкових симуляцій, щоб зрозуміти, як структурні зміни трансформуються у локальні стратегії адаптації.
Як приклад наведено роботи ICRISAT щодо виробничих доменів перлового проса в Азії та Африці, а також впливів зміни клімату й стратегій адаптації для арахісу в Індії: там поєднували дані багатолокаційних випробувань із культурними та економічними моделями для оцінки «payoffs» від інвестицій у дослідження в різних географіях. «Augmented foresight», за задумом, може розширити це, додаючи агент-орієнтовані симуляції, щоб моделювати, як фермери в різних контекстах ухвалюватимуть рішення про впровадження рекомендованих сортів за різного доступу до кредитів, ринкової пов’язаності та кліматичного стресу. У підсумку фокус зміщується від питання «де інвестувати?» до «де інвестиції перетворяться на впровадження та ефект?»
3) Інтеграція знань: від фрагментованих доказів до синтезованих висновків
Форсайт-аналіз спирається на кліматологію, економіку, агрономію, нутриціологію та внесок стейкхолдерів, але, як зазначають автори, часто має труднощі з ефективною інтеграцією цих джерел. Партисипативні процеси дають якісні інсайти (локальні сприйняття ризиків, обмеження адаптації, «прожитий досвід»), однак їх рідко системно вбудовують у кількісні моделі. Паралельно зростання масиву наукової та політичної літератури ускладнює повний огляд і синтез.
Роль ШІ тут автори пов’язують насамперед із NLP: аналізуючи великі корпуси наукових публікацій, політичних звітів і документів розвитку, інструменти можуть виявляти нові теми, мапувати міждисциплінарні зв’язки та підсвічувати прогалини знань.
Етичні та соціальні ризики, на які звертають увагу автори
- Репрезентативність і справедливість даних. Зростання залежності від цифрових і «реального часу» даних може посилювати перекіс на користь «data-rich» регіонів і формальних систем, тоді як дрібні виробники та контексти з дефіцитом даних залишаються недопредставленими.
- Прозорість та інтерпретованість. Ускладнення моделей ускладнює відстеження припущень і шляхів невизначеності, що може знижувати довіру та прийнятність для політики.
- Епістемічні упередження в синтезі знань. NLP-інструменти часто спираються переважно на англомовну наукову літературу, що може «структурно» відсувати сіру літературу, практичні знання та недиджиталізовані локальні джерела.
Що це означає для агросектору
У матеріалі підкреслюється потреба переходу від разових форсайт-вправ до інтегрованих, «decision-oriented» систем. Автори описують, що технічні «будівельні блоки» вже існують: машинне навчання підтримує дистанційне зондування та ринкову аналітику, агент-орієнтовані фреймворки працюють у масштабі, а NLP пришвидшує синтез доказів. Водночас ключовою умовою називається свідома інтеграція цих можливостей у наявні форсайт-системи разом із партисипативними механізмами та управлінням даними, щоб зберігати інклюзивність і довіру.
Серед напрямів, які автори пов’язують із майбутніми підходами, — інтегровані модельні рамки, що поєднують біофізичну, економічну та інституційну динаміку; AI-аналітика для інтеграції даних у реальному часі та синтезу доказів; а також партисипативні процеси для спільного дизайну сценаріїв, валідації припущень і інтерпретації результатів у контексті.
«Мета — не замінити наявні моделі, а зробити їх більш адаптивними, інтегрованими та орієнтованими на ухвалення рішень».