A agricultura moderna enfrenta enormes desafios que estão associados à crescente demanda por aumento de produção, transformações no cenário político e mudanças no meio ambiente. Tudo isso exerce pressão sobre os produtores que não têm como aumentar a área cultivável. Entretanto esse momento desafiador para o crescimento do agricultor é uma grande oportunidade de se destacar em um mercado ávido por mais produção. Para enfrentar esses novos cenários, os agricultores precisam usar seus escassos recursos de forma eficiente, minimizandos os desperdícios. O desafio se torna ainda mais complicado para os brasileiros, devido a complexidade e constante mudança da legislação brasileira, deterioração dos recursos naturais (solo e água em algumas regiões) e as constantes invasões.
Diante desse cenário complexo e com diversas incertezas os produtores precisam de novas ferramentas que auxiliem na automatização de funções manuais e rotineiras, que apesar de serem simples para um ser humano até então eram impensáveis de serem realizadas por computador. Mesmo atividades simples e repetitivas como contagem de mudas não podiam ser realizadas automaticamente devido à inerente variação nas cores e formas das mudas e do solo ao redor, some-se a isso sombras das copas sobre o solo e imagens em más condições. Árvores não têm um padrão mas vários. Todas essas variações impedem escrever um programa de computador que reconheça uma árvore em uma imagem de satélite ou drone.
Curiosamente, um ser humano reconhece facilmente uma árvore mas mesmo os mais avançados computadores de alguns anos atrás teriam dificuldade de identificar uma árvore em uma foto. Por que um ser humano tem essa facilidade em reconhecer padrões variados e para um computador isso é tão díficil? Apesar de parecer uma resposta um tanto óbvia: seres humanos aprendem. Aprendemos desde cedo o que é uma árvore, vemos centenas de árvores por toda a nossa vida, em diversos tamanhos, formas, cores e texturas. Por isso quando vemos árvores, situações ou objetos semelhantes, associamos eles há um objeto ideal, ou seja, se tem tronco, folhas, verde ou marrom: é uma árvore ou parece uma.
Então como fazemos uma máquina aprender? De uma forma semelhante aos seres humanos, enquanto os homens aprendem a partir de suas experiências, as máquinas aprendem a partir de dados ou informações. Atualmente dados abundam na agricultura. Graças a grande revolução proporcionada pela agricultura de precisão com máquinas guiadas por GPS, coletas de amostras, sensores multiespectrais etc, hoje dispomos de muita informação que permite desenvolver máquinas que podem aprender a executar das mais simples e dispendiosas tarefas como contar mudas até as mais complexas tarefas como determinar o tipo e quantificar geograficamente a presença de pragas.
Apesar do sucesso que o aprendizado de máquina obteve na medicina, a agricultura tem suas peculiaridades que tornam esse setor um grande desafio. Cada região, solo e cultura é diferente. Isso aumenta a variação nos dados, mudas de diferentes tipos de eucaliptos em um solos diferentes têm muito mais variação que um mesmo tipo de eucalipto em um tipo de solo, isso dificulta o desenvolvimento de uma solução geral a partir de um único caso.
O aprendizado de máquina pode resolver inúmeros problemas que os agricultores enfrentam hoje em dia mas isso somente é possível se houver dados disponíveis, muitos dados e preferencialmente dados específicos.
