Tarımda yapay zeka nedir?
Tarımda yapay zeka, yerinde durmayı reddeden biyolojik bir malzemeyi algılamak, yargılamak ve ona müdahale etmek için makine öğrenmesi sistemlerinin kullanılmasıdır. Üç ayrı işi kapsar ve bunları tek kelimeye indirgemek, satın alma kararlarının çoğunun yanlış gittiği yerdir.
Algılama, ürünü okumaktır: bu kiraz berelenmiş mi, bu yaprak hastalıklı mı, bu meyve olgun mu. Karar, bu okumayı bir talimata çevirmektir: şu parseli sula, şu sırayı ilaçla, perşembe hasat et. Eyleme geçirme, talimatı bir makinenin yerine getirmesidir: bir robot kolun çileği kavraması, bir ayıklayıcının kusurlu meyveyi banttan üflemesi.
Üçü farklı biçimde hata verir ve farklı maliyet doğurur. Paketleme tesisindeki bir algılama hatası kutuya tek bir kötü kiraz koyar. Aynı hata oranı bir ilaçlama makinesinde sağlıklı bir sıraya kimyasal sıkar ya da hastalıklı olanı atlar. Satıcı dokümanları genellikle bu üçünü tek bir doğruluk yüzdesinde bulanıklaştırır ve sorun tam olarak o yüzdeyle başlar.
Ayrı tutmaya değer dördüncü bir kategori daha var, çünkü 2026 alıcıları onu diğer üçüyle karıştırmayı sürdürüyor: agronomik tavsiye veren dil modelleri. Bu bir bilgi işidir, algılama işi değil ve göreceğimiz gibi diğerlerinin neredeyse tersi davranır.
Alanın dürüst özeti şu: tarımda yapay zeka, kamerayı birinin kontrol ettiği her yerde son derece iyi çalışıyor ve kontrolü doğaya bıraktığınız her yerde hızla bozuluyor. Aşağıdaki her şey, dört ürün ve iki başarısızlık üzerinden bu cümlenin savunmasıdır.
Yüzde 99,35 sorunu
Tarımsal görüntü işlemenin en çok atıf alan sonucu, aynı zamanda en yanlış okunanıdır. 2016’da bir ekip, 14 bitki türü ve 26 hastalığı kapsayan 54.306 yaprak görüntüsünden oluşan açık bir veri kümesi üzerinde derin evrişimli bir ağ eğitti. Bu veri kümesinden ayrılan test diliminde model yüzde 99,35 doğruluğa ulaştı.
Sektörün on yıl boyunca tekrarladığı sayı buydu. Aynı makale ikinci bir sayı da bildiriyor. Başka kaynaklardan toplanan, eğitim fotoğraflarından farklı koşullarda çekilmiş görüntülerde model yüzde 31,4 aldı (Mohanty ve ark., arXiv:1604.03169). Yazarlar bunun hâlâ yüzde 2,6’lık rastgele seçimi geçtiğini belirtiyor ve daha çeşitli bir eğitim kümesi gerektiği sonucuna varıyor.
İki rakamı birlikte okuyunca ders rahatsız edici hale geliyor. Model hastalığı tanımayı öğrenmemişti. Bir fotoğraf düzenini tanımayı öğrenmişti: tekdüze arka plan, eşit ışık, tek yaprak, sabit mesafe. Stüdyoyu değiştirdiğinizde görünürdeki becerinin kabaca üçte ikisi buharlaştı.
Bu tarihsel bir merak konusu değil. O günden bu yana yayımlanan bitki hastalığı modeli derlemeleri aynı biçimdeki çöküşü bulmayı sürdürüyor; büyük ölçüde de aynı laboratuvar veri kümesi hâlâ varsayılan eğitim külliyatı olduğu ve laboratuvar tekdüzeliği tespit görevini yapay biçimde kolaylaştırdığı için.
Dersin pratik hali kısa. Bir doğruluk rakamı, modelin değil, ölçüldüğü koşulların bir özelliğidir. Bir tedarikçi bu koşulları belirtmeden doğruluk verdiğinde, size kendi stüdyosunu tarif etmiş ve bahçeniz hakkında hiçbir şey söylememiştir.
Kiraz: tedarik zincirindeki en kontrollü kamera
Boylama hattı, tedarik zincirindeki en kontrollü kameradır; işe yaramasının nedeni de budur.
Şimdi problemi tersine çevirin. Modeli tarlaya götürmek yerine meyveyi modele getirin.
Modern bir kiraz boylama hattı tam olarak bunu yapar. Meyve, teker teker ayrılmış halde silindirli bir hat üzerinde gelir, tüm yüzeyi merceğin önünden geçecek şekilde döndürülür; sabit yapay ışık altında, sabit mesafede, sabit hızda. Unitec Cherry Vision ailesi gibi bu sınıftaki sistemler her meyvenin tüm yüzeyini inceler ve boy ile iç kalitenin yanı sıra kesik, renk tutarsızlığı, çukurlaşma ve böcek zararı gibi kusur sınıflarına göre ayırır.
Ne olduğuna dikkat edin. Yaprak hastalığı modelini yok eden bütün değişkenler mühendislikle ortadan kaldırılmıştır. Işık sabittir. Arka plan sabittir. Duruşu silindir belirler. Mesafe hiç değişmez. Modelden neredeyse hiç genelleme yapması istenmiyor, çünkü neredeyse hiçbir şey değişmiyor.
Hasat sonrası ayıklamanın, tarımda yapay zekanın en gösterişsiz ve en güvenilir kârlı uygulaması olmasının nedeni budur. Kirazlar ekonomiyi alışılmadık biçimde keskinleştirir: birkaç günlük bir pencerede boy, renk, sertlik ve kusura göre sınıflandırılır, tekdüzelik için yüksek primle satılır ve elle boylama hem yavaş hem de vardiyanın sonuna doğru tutarsızdır. Dokuzuncu saatte yorulmayan bir makine, gerçekten zayıf bir referansla yarışıyor.
Boylama hattı rakamlarının aktarılamamasının nedeni de budur. Bir hatta ölçülen kusur tespit oranı, aynı mimarinin bahçede rüzgârlı bir öğleden sonra ne yapacağı konusunda çok az şey söyler. Birinci bağlamdan ikincisine rakam taşıyan bir satıcı, başka bir makineyi anlatıyordur.
Böğürtlen: sensörün modelden önemli olduğu an
Böğürtlen olgunlaşmadan önce ve sonra aynı göründüğü için cevap sensörden geldi.
Böğürtlenin, renk tabanlı olgunluk tespitini tamamen bozan bir özelliği var. Araştırmanın ifadesiyle olgun böğürtlen, olgunlaşmadan önce de, olgunlaşırken de, olgunlaştıktan sonra da siyahtır. Öğrenilecek bir renk eğrisi yoktur. İnsan toplayıcılar da aynı duvara toslar; böğürtlen hasat kalitesinin ekipler arasında bu kadar değişmesinin ve bu kadar çok meyvenin yanlış anda toplanmasının nedenlerinden biri budur.
RGB görüntüler üzerinde daha büyük bir model bunu çözmez, çünkü bilgi zaten görünür tayfta mevcut değildir. İşe yarayan şey sensörü değiştirmek oldu. Araştırmacılar 700 nm ve 770 nm dalga boylarında görünür ve yakın kızılötesi filtreli bir stereo sensör kullandı, çifti VGG16 üzerine kurulmuş çok girdili bir CNN topluluğuna verdi ve görülmemiş kümelerde yüzde 95,1, saha koşullarında yüzde 90,2 doğruluk bildirdi (arXiv:2401.04748). Ayrıca makine yargısının, deneyimli toplayıcıların kullandığı ipucu olan kabuk dokusuna dair insan duyusal değerlendirmesiyle iyi örtüştüğünü buldular.
İki düşüşü karşılaştırın. Yaprak hastalığı modeli koşullar değişince 99,35’ten 31,4’e indi; yaklaşık 68 puan kaybetti. Böğürtlen modeli 95,1’den 90,2’ye indi; 5 puandan az kaybetti. İkinci sistem ölçümde daha düşük başladı ve gerçeklikte çok daha yüksek bitirdi.
Her tarımsal yapay zeka alıcısının peşinde olması gereken ama neredeyse kimsenin sormadığı takas budur. Kazandıran hamle daha iyi bir mimari ya da daha büyük bir veri kümesi değildi. Tahmin edilen şeyi fiziksel olarak görebilen iki dalga boyuydu.
Çilek: robotlar artık takvimle geliyor
Masa tipi üretim, robotlar gelmeden çok önce geometriyi standartlaştırmıştı.
Robotik hasadın en uzun süredir vaat edildiği ürün çilek ve 2025 ile 2026, vaatlerin tarih taşıdığı ilk yıllar.
Harvest CROO, Nisan 2025’te otomatik hasat saha denemelerinin ticari bir toplama operasyonunda insan hasadıyla aynı seviyede performansa ulaştığını duyurdu. Birleşik Krallık’ta Dogtooth 2025’te ticari sunuma geçti ve 2026 sezonu için üniteler satışa sunuldu. DailyRobotics ise bir insandan iki ila üç kat hızlı topladığını söylediği makinesiyle 2026’da California’da ticari lansman hedefliyor.
Kapasite iddialarını, bağımsız bir taraf tekrarlayana kadar satıcı iddiası olarak görün. Altta yatan ekonomi kamuya açık ve tartışması çok daha zor. Amerika Birleşik Devletleri’nde H-2A tarım işçiliği için taban ücret olan 2025 Adverse Effect Wage Rate, ülke genelinde saatte ortalama 18,12 dolar ve yıllık yüzde 3,2 artışta; Delta eyaletlerinde 14,83’ten Hawaii’de 20,08’e uzanıyor, California’da 19,97. Bu programın en yoğun kullanıcıları olan meyve ve sebze üreticileri, toplam çiftlik giderlerinin kabaca yüzde 38’ini işgücüne harcıyor (American Farm Bureau Federation).
Bir çilek robotunun insanı geçmesi gerekmiyor. İşgücünün her gider dolarının 38 sentini oluşturduğu ve rolleri doldurmakta zorlanılan bir üründe, yükselen bir ücret tabanının altındaki bir maliyetle yeterince iyi olması gerekiyor. Bu çok daha alçak bir eşik ve taban her yükseldiğinde biraz daha alçalıyor.
Çilek aynı zamanda mevcut en dost saha hedefi. Masa tipi ve yükseltilmiş yatak sistemleri meyveyi sabit yükseklikte, tekrarlanabilir bir geometride, yapraktan ayrık ve tanımlı bir yönden erişilebilir halde sunuyor. Üretici, robotları değil verimi ve toplayıcı ergonomisini düşünerek, paketleme hattı koşullarını açık havada kısmen yeniden kurmuş oldu. Otomasyonun ilk yerleştiği ürün, mimarisi zaten standartlaşmış olan üründü.
Fındık: yapay zekanın darboğaz olmadığı yer
Bu kadar dik bir yamaçta kısıt hiçbir zaman model değildi. Zemindi.
Bir de bütün bu tartışmayı görmezden gelen ürün var.
Türkiye dünya fındığının kabaca yüzde 70’ini ve ihracatın yüzde 82’sini üretiyor (Uluslararası Sert Kabuklu ve Kuru Meyve Konseyi tarafından aktarılan FAO verileri). Üretim Karadeniz bölgesinde, sıklıkla yüzde 20’den dik eğimlerde, çoğunlukla elli yaşın üzerinde ve kimi zaman yüzü aşmış bahçelerde, sığ toprakta sık dikilmiş halde, çoğu kez vadi yamaçlarında yoğunlaşıyor. Eski üretim alanlarında hasat elle yapılıyor çünkü başka seçenek yok; daha yeni ve daha düz dikimler makineleşti.
Hiçbir model doğruluk rakamı bunların hiçbirine dokunmuyor. Bağlayıcı kısıtlar arazi, ağaç yaşı ve bahçe mimarisi. Elle erişim için dikilmiş yüz yaşındaki ocakların arasında yüzde 30 eğimli bir yamaca hasat robotu konuşlandırılamaz ve harekete geçirecek mekanizması olmayan bir küçük üretici için rekolte tahmininin değeri düşüktür. 2025 sezonu bunu keskin biçimde gösterdi: don ve zararlı baskısı beklenen üretimi kabaca yarıya indirdi, fiyatları ikiye katladı ve hiçbir miktarda algılama sonucu değiştirmedi.
Fındıkta gerçek bir yapay zeka hikâyesi var ama akışın aşağısında, kirazdaki kazancın tam olarak bulunduğu yerde. İç ayıklama, kabuk ve yabancı madde ayrıştırma, küf ve böcek zararı tespiti; hepsi kapalı alanda, sabit ışık altında, bant üzerinde gerçekleşiyor ve teknoloji ekmeğini orada kazanıyor.
Fındık bu yazının kontrol vakası. “Yapay zeka bunu yapabilir mi” sorusunun ikinci soru olduğunu hatırlatıyor. Birincisi, algılamanın hiçbir zaman önümüzde duran şey olup olmadığı.
Uydu katmanı: faydalı, abartılmış, nadiren belirleyici
Uzaktan algılama kendi uyarısını hak ediyor, çünkü eksiksiz bir cevap olarak satılan katman en çok bu.
Uydu ya da drone görüntülerinden hesaplanan NDVI gibi bitki örtüsü indeksleri ürün canlılığını gerçekten izler ve görüntü çözünürlüğü arttıkça verim modellerinin doğruluğu iyileşir. Bunun altında üç yapısal sınır var ve hiçbiri bir yazılım sorunu değil.
Pasif optik sensörler bulutun ardını göremez; dolayısıyla zamansal kapsama bir takvim değil hava durumu meselesidir ve boşluklar çoğu kez tam da gözlemlemeyi en çok istediğiniz büyüme aşamalarına denk gelir. NDVI ayrıca yoğun kanopide doygunluğa ulaşır ki bu tam olarak olgun bir bahçenin durumudur; bu yüzden atmosferik etkileri ve toprak arka planını düzelten alternatif indeksler yüksek biyokütleli dikimlerde daha iyi sonuç verme eğilimindedir. Küçük üretici ya da karışık ekim manzaralarında ise tek bir piksel, farklı yönetim altındaki birkaç ürünün üzerine binebilir; bu da sinyali tam olarak tavsiyenin en değerli olacağı yerlerde bulanıklaştırır.
Verim modelleri ölçeğe göre de çok farklı davranır. Bölgesel ve ulusal tahminler saha düzeyindekilerden belirgin biçimde daha güvenilirdir, çünkü birçok tarla arasındaki hatalar birbirini götürürken tek bir tarlanınki götürmez. Saha düzeyinde bir karar aracı satarken ulusal doğrulama doğruluğunu öne süren bir platform konuyu değiştirmiştir.
Bunların hiçbiri uydu takibini değersiz kılmaz. Onu bir eleme katmanı yapar: değişen parsellere dikkat çekmekte iyi, oraya vardığınızda verilen özgül yargı için zayıf.
Sınavı geçen model ile yaprağı okuyan model
Bir sonuç yukarıdakilerin tamamına ters düşüyor ve üzerinde durmaya değer.
Araştırmacılar büyük dil modellerini Brezilya, Hindistan ve Amerika Birleşik Devletleri’nden tarım sertifikasyon sınavlarında değerlendirdi. GPT-4 soruların yüzde 93’ünü doğru yanıtladı; bu, agronom sertifikalarını yenilemek için kredi kazandıran sınavları geçmeye yetiyor. Daha eski genel amaçlı modeller yüzde 88’de kalmıştı (arXiv:2310.06225).
Yani bir dil modeli agronom sınavını geçebiliyorken, on binlerce yaprakla eğitilmiş bir görü modeli ışık değişir değişmez yüzde 31,4’e düşüyor. Her iki ifade de doğru ve birlikte, yapay zekanın tarımda şu anda hangi konuda iyi olduğunu tam olarak konumlandırıyor.
Kodlanmış bilgi aktarılabilir. Sınavlar yazıya dökülmüş, standartlaştırılmış ve tekrarlanmış materyali ölçer; bu da bir dil modeli için ideal zemindir. Algılama aktarılamaz, çünkü her tarla hiçbir veri kümesinin tam olarak kapsamadığı yeni bir ışık, açı, örtüşme, toz ve büyüme aşaması dağılımı sunar.
Operasyonel okuma şu: dil modeli, agronomik bilgiye açılan güçlü bir arayüz ve bu sabah parselinizde olup bitene dair zayıf bir tanıktır. Bir zararlı için önerilen müdahale eşiğini söyleyebilir. O zararlının sizde olup olmadığını söyleyemez. Ayrıca aynı sorunun farklı günlerde aynı asistandan farklı cevaplar alabileceğini bilmekte fayda var; çıktı bir ilaçlama önerisi olduğunda bunun önemi büyük. İkincisini birincisine bağlamak ve hangi yarının algılama, hangi yarının erişim olduğunu açıkça belirtmek, ciddi bir tarımsal yapay zeka ürününde tasarım işinin büyük bölümüdür.
Tarımsal yapay zeka satın almadan önce sorulacak dört soru
Yukarıdaki vakalar tek bir karar prosedürüne oturuyor. Herhangi bir satıcı iddiasını buradan geçirin.
1. Işığı kim kontrol ediyor? Cevap bir paketleme tesisinin içinde satıcıysa, doğruluk rakamı muhtemelen anlamlıdır. Cevap gökyüzüyse, hangi koşullarda ölçüldüğünü sorun ve ciddi bir bozulma varsayın. 99,35 ile 31,4 arasındaki fark, kontrolsüz bir kameranın bedelidir.
2. Sensör tahmin ettiğiniz şeyi fiziksel olarak görebiliyor mu? Hiçbir model, sensörün hiç yakalamadığı bilgiyi geri getiremez. Böğürtlen olgunluğu daha derin bir ağa değil, 700 ve 770 nanometreye ihtiyaç duydu. Hangi tayf, hangi çözünürlük, hangi kare hızı ve hedefin o veride görünür olup olmadığını sorun.
3. Hataların sıklığı değil, maliyeti nedir? Yüzde 95 doğrulukta bir ayıklayıcı ile yüzde 95 doğrulukta bir ilaçlama makinesi karşılaştırılabilir satın almalar değildir. Kalan yüzde 5’in ne yaptığını, onu kimin yakaladığını ve kimse yakalamadığında neye mal olduğunu sorun.
4. Darboğazınız gerçekten algılama mı? Karadenizli bir fındık üreticisi için darboğaz eğimdir. Başkaları için su hakları, işgücüne erişim ya da daha hızlı çalışamayan bir paketleme tesisidir. Darboğaz olmayan bir yere yöneltilen yapay zeka, sahip olmadığınız bir sorun hakkında mükemmel bilgi üretir.
Bunların hiçbiri tarımda yapay zekaya karşı bir argüman değil. Kiraz hattı gerçek bir kazanç, böğürtlen sensörü gerçek bir kazanç ve çilek robotları yaklaşmış görünüyor. Argüman, bir doğruluk rakamını onu üreten koşulların tarifi olarak okumak yönünde; zaten hep bundan ibaretti.
Bu neden tarıma satış yapan herkesi ilgilendiriyor?
Satıcıların kendisi için bir sonuç.
Tarımsal alıcılar bir web sitesine ulaşmadan önce giderek daha çok yapay zeka asistanları üzerinden araştırma yapıyor ve bu sistemler kaynak gösterebildikleri materyali ödüllendiriyor. Ölçüm koşulu belirtmeden “yüzde 99 doğruluk” diyen bir sayfa fiilen alıntılanamaz: bir asistanın marka adını iliştirerek güvenle tekrarlayabileceği bir iddia yoktur. “Ayrılmış veride yüzde 95,1, sahada yüzde 90,2, 700 ve 770 nanometrede VIS-NIR” diyen bir sayfa ise bekleyen bir atıftır, çünkü her bileşeni doğrulanabilir.
Bir tarımsal yapay zeka iddiasını üretici gözünde güvenilir kılan disiplin, onu makine tarafından erişilebilir kılan disiplinle aynıdır. Koşulu söyleyin, popülasyonu söyleyin, başarısız olduğunda ne olduğunu söyleyin. Alternatifi, şu anda başka her yerde yapay zeka iddialarına duyulan güveni aşındıran markanın iddia ettiği ile gösterebildiği arasındaki aynı açıktır. Yöntemin tamamı budur, tarımda da her yerde de; kanıt biçimli sayfaların cevap motorlarında kaynak gösterilmesinin ve kendinden emin olanların atlanmasının nedeni de budur.
