Blog over Artificial Intelligence
Hoe AI de tuinbouwsector radicaal zal veranderen
Tuinbouw is een data-rijke omgeving waarin men met veel repetitieve taken een ‘optimale productiecyclus’ probeert te behalen. Het is daarom een uiterst vruchtbare bodem om aan de slag te gaan met advanced analytics en artificiële intelligentie.
Hoe zullen data en zelflerende algoritmen de tuinbouwsector radicaal veranderen? Lees er hier alles over.
Kijkend naar de lijst van industrieën waar artificiële intelligentie de meeste impact kan hebben, staat landbouw vaak bovenaan de lijst. Dit is met name het geval voor de subsector tuinbouw, die zich richt op de teelt van gewassen in een afgesloten omgeving. Er zijn een aantal redenen voor zo'n hoge potentie.
De teelt van gewassen is een proces dat op zichzelf een vat vol interessante data genereert. Om bloemen of planten moeiteloos te laten groeien is een optimale omgeving nodig, beïnvloed door parameters als temperatuur, vochtigheid, lichtintensiteit, bepaalde niveaus van chemische stoffen, enz.
Met de ontwikkeling van kleinere sensoren die de gegevens van dergelijke parameters kunnen vastleggen en nieuwe mogelijkheden om deze sensoren in een netwerk (het internet of things) te verbinden en gegevens centraal op te slaan, ontstaat een wereld vol kansen.
Voeg een golf van digitalisering doorheen de hele keten toe (veredelaars, leveranciers, telers, groothandel en detailhandel) en plots krijg je een lange lijst van uitdagingen die kunnen worden aangepakt met AI gedreven use cases.
Use cases waarbij data gebruikt wordt om inzichten te creëren en betere beslissingen te nemen, sneller dan ooit tevoren. En ook use-cases waarbij data wordt gebruikt om volledige processen te automatiseren, aangedreven door een combinatie van artificiële intelligentie en robotica.
Laten we die lang lijst er even bij nemen en bekijken waar de meeste bedrijven in de tuinbouwsector artificiële intelligentie gaan toepassen vanwege de impact die de technologie op omzet en winst kan hebben.
Bedrijven die actief zijn in de Europese tuinbouwsector worden geconfronteerd met beperkte groeimogelijkheden. Dit heeft vooral te maken met een sterk verzadigde Europese markt.
Kijkend naar bijvoorbeeld de EU-handel in verse tuinbouwproducten, kan men niet ontkennen dat de intra-Europese handel de overhand heeft (vergeleken met handel met niet-EU-landen). Bovendien is de invoer van tuinbouwproducten in de EU sneller gegroeid dan de EU-productie. Cijfers over bijvoorbeeld voedsel en groenten geven aan dat de import nu bijna vier keer zo groot is als de export (7 miljard euro versus 26,8 miljard euro in 2017).
Neem daarbij de stagnatie van het volume dat wordt verbruikt door Europese consumenten, veranderende voedingstrends en de impact van publieke bezorgdheid met betrekking tot de voedselveiligheid en -exploitatie, en men ziet duidelijk de noodzaak voor de tuinbouw om verandering te omarmen.
Een aantal strategieën zijn reeds getest. Producenten en distributeurs in de tuinbouw hebben de EU gevraagd om de veerkracht van de sector te helpen versterken (crisispreventie en risicobeheer) en de consumptie van hun producten te stimuleren.
De sector heeft producten met een hogere waarde ontwikkeld, door het product zelf aan te passen of door waarde toe te voegen door voorbereiding, verpakking of op een andere wijze.
Bedrijven hebben geprobeerd schaalvoordelen te behalen door de acquisitie van concurrerende bedrijven, waardoor bijvoorbeeld de bewerkbare oppervlaktes groter konden worden. Anderen hebben hun portfolio's gediversifieerd door innovatieve productconcepten te ontwikkelen die met meer aantrekkelijke marges op de markt kunnen worden gebracht.
De uitdaging blijft echter bestaan en is daarbij nog ontmoedigender geworden door de verandering in de supply chain-dynamiek van de tuinbouw. De spectaculaire groei van het marktaandeel van nationale en internationale supermarktketens en een steeds minder voorspelbare eindconsument hebben de onderhandelingspositie verschoven.
Supermarktketens bepalen vandaag meer en meer de regels. Ze hebben productaansprakelijkheid en distributie risico's meer stroomopwaarts geschoven, tot bij de kweker, wat voor bijkomende ongerustheid zorgt in de tuinbouw.
Zoals vermeld in de inleiding, kan elke speler in de tuinbouwketen profiteren van het verzamelen van de gegevens die de organisatie zelf genereert. Of het nu gaat om sensorgegevens in de productieomgeving of groothandelsprijzen die gedurende een bepaalde periode zijn verzameld.
Aan slag gaan met data, algoritmen & AI begint hier. Door de juiste data strategie te ontwikkelen en te definiëren hoe de data-infrastructuur van het bedrijf eruit dient te zien.
Een goede data strategie levert de organisatie een duidelijke implementatie roadmap op. Een implementatie roadmap waar stap voor stap een stuk infrastructuur wordt ontwikkeld om een nieuwe use case op te starten en een specifiek doel te bereiken.
Het stelt de organisatie in staat geleidelijk de uitgaven in geavanceerde analytics & artificiële intelligentie te verhogen.
De eerste use case, met een lagere complexiteit, is het creëren van cruciale inzichten door middel van dashboarding-oplossingen die continu een uitgebreid overzicht van bedrijfsprestaties tonen. Met deze beschrijvende en diagnostische analyse kunnen besluitvormers beter zien wat er gebeurt en waarom.
Kijken we naar meer geavanceerde analytics, dan zijn drie use cases écht effectief gebleken in gelijkaardige industrieën met vergelijkbare kenmerken. Laten we eens nader bekijken wat die drie use cases in de tuinbouwsector kunnen betekenen.
Door het verwerken van verzamelde data kunnen veredelaars, kwekers en handelaren beschikken over voorspellende modellen die informatie leveren, cruciaal voor de besluitvorming binnen het bedrijf.
Gedreven door een vraag-voorspellend algoritme, kan een model gaan voorspellen wat de toekomstige vraag naar een individuele product of productgroep zal zijn. Het zorgt ervoor dat het bewuste bedrijf betere keuzes kan maken op het gebied van planning, activaspreiding en bedrijfsstrategie.
Wanneer een voorspellend model de juiste nauwkeurigheid heeft bereikt, kan de organisatie het systeem bovendien gebruiken om volledige bedrijfsprocessen te automatiseren. Je kan immers het proces steeds meer uit handen geven naarmate het systeem met steeds grotere nauwkeurigheid voorspelt welke beslissingen en daaropvolgende acties moeten worden genomen.
Dit zou met name betrekking hebben op bedrijfsprocessen waar veel gegevens en informatie moeten worden verwerkt of waar repetitieve taken in het spel zijn.
In de tuinbouw is het altijd moeilijk geweest om je als producent te gaan onderscheiden van de concurrentie op een andere parameter dan prijs. Vaak worden verschillende pogingen gedaan via marketinginitiatieven die proberen een hogere prijs voor het product te rechtvaardigen. Voorbeelden zijn bijvoorbeeld Air So Pure, Decorum en Looye Honing Tomaten.
Omdat productprijzen een dominante factor blijven, kunnen inzichten in de prijsstelling van concurrenten echt waardevol zijn. Het kan een bedrijf helpen om een concurrentievoordeel terug te winnen.
Dus, hoe kun je dergelijke inzichten kosteneffectief verkrijgen? Als gevolg van de toegenomen online verkoop via webshops of platforms zoals Floriday, ontstaan er steeds meer kansen om beschikbare data te vinden om van te leren.
Price scraping algoritmen kunnen de beschikbare prijsinformatie verzamelen en deze samenbrengen in een uitgebreid overzicht. Machine learning algoritmen matchen de verschillende producten bij elkaar, waardoor een verkoopmanager snel de prijsverdeling voor een afzonderlijk product kan achterhalen.
Een dergelijk overzicht stelt innovatieve bedrijven in staat om een beter geïnformeerde prijsstrategie te ontwikkelen, waardoor men snel kan reageren op veranderingen in de markt.
De tuinbouw en sierteeltsector zijn geen uitzondering als het gaat om trendgevoeligheid. Vooral in de sierteeltsector hebben trends een grote invloed op de marktvraag. Maar ook fruit, groenten en eetbare planten zijn onderhevig aan consumententrends.
Naarmate de consument minder voorspelbaar wordt en van een bedrijf vereist dat het sneller veranderende behoeften en verlangens overneemt, wordt toegang tot trendinformatie erg waardevol.
Het groeiende aantal datapunten dat eindgebruikers achterlaten op het internet, biedt een enorm potentieel voor het verkrijgen van inzichten in consumententrends. Kijk bijvoorbeeld naar hoe Koppert Cress foto's van Instagram gebruikte om te detecteren waar hun eetbare tuinkers werd gebruikt door topchefs van over de hele wereld.
AI-ondersteunde algoritmen kunnen informatie zoals soorten, kleuren of andere kenmerken uit foto's en video's halen die online zijn gepost. Bedrijven die hier als eerste mee aan de slag gaan zullen een voorsprong nemen op de concurrentie.
De tuinbouwsector is er één met zeer specifieke arbeidskenmerken. Aan de ene kant is het altijd een bedrijfstak geweest met veel laagopgeleide werknemers en/of seizoenswerkers die repetitieve taken uitvoeren. Aan de andere kant is er de expert-teler die jarenlange ervaring heeft opgedaan over hoe gewassen op de meest optimale manier geteeld kunnen worden.
Verschillende initiatieven zijn in het verleden genomen om de tuinbouw minder arbeidsintensief te maken. Hierbij begint kunstmatige intelligentie steeds meer een belangrijke rol te spelen. AI vormt als het ware 'het brein' waarmee een stuk robotica dezelfde taak, zeer nauwkeurig, keer op keer kan uitvoeren.
Computer vision-algoritmen worden bijvoorbeeld gebruikt om robots toe te laten stekjes in de grond te steken. Of ze stellen drones in staat om een bepaald teelt te scannen op zoek naar geïnfecteerde planten.
Daarnaast worden er momenteel de eerste pogingen ondernomen om een volledige productiecyclus te draaien zonder enige menselijke tussenkomst. Een verscheidenheid aan sensoren wordt in en rond het product geplaatst om een berg aan data te verzamelen. Met die data kunnen machine learning algoritmen worden getraind om de omgevingsparameters optimaal in te stellen en daarmee de groei van het product te beïnvloeden.
Het merendeel van deze bovengenoemde innovaties is gericht op klassieke productieactiviteiten in een tuinbouwbedrijf. Toch zijn er enorme kansen in ondersteunende bedrijfsprocessen.
Het zal niet lang duren voordat geavanceerde analyses en AI worden gebruikt voor taken zoals planning, energiebeheer, prijsstelling en andere zakelijke uitdagingen.
Bovendien neemt de beschikbare kennis over het runnen van een tuinbouwbedrijf langzaam maar zeker af. De gemiddelde leeftijd van de teler neemt toe en het aantal nieuwe telers dat klaar is om over te nemen is beperkt.
Artificiële intelligentie is zo revolutionair omdat het uit beschikbare voorbeelden leert hoe een uitdaging het beste opgelost kan worden. Het mag dan ook niet verbazen dat veel organisaties hun hoop hebben gericht op deze technologie om te helpen bij de overdracht van kennis die vandaag in de bedrijven aanwezig is.
In dit artikel hebben we geprobeerd licht te werpen op de use cases die tuinbouwbedrijven in hun branche zullen zien opduiken.
Vraagvoorspelling, dynamische prijsstelling en monitoring van consumententrends zijn concepten die geleidelijk in de sector gemeengoed zullen worden. Innovatieve ondernemers die deze -door algoritmen aangedreven- geavanceerde analytics omarmen, zullen ten volle profiteren van de derde digitaliseringsgolf die nu verschillende industrieën overspoelt.
Bedrijven actief in tuinbouw zullen er gewend aan moeten raken dat niet langer alleen maar mensen beslissingen nemen, maar dat algoritmen hierin steeds vaker ondersteunen of deze taak volledig overnemen. Organisaties die deze stap weten te zetten, zullen de eerste zijn die ten volle kunnen profiteren van de ontwikkelingen in robotica en kunstmatige intelligentie om belangrijke delen van hun organisatie te automatiseren.
Het vinden van de juiste balans tussen mensen en machine die beide beslissingen nemen en acties uitvoeren wordt een belangrijke uitdaging, maar zal innoverende ondernemers een concurrentievoordeel bieden én een pad voor toekomstige groei.
Wil je meer weten?
.png)
Ik vertel je daar graag meer over! Neem contact met mij op via de onderstaande contactgegevens.