Food Security and Machine Learning: Opportunities and Challenges

Abstract

Vzhledem k rostoucímu vlivu globálního oteplování a kontinuální závislosti na neobnovitelných zdrojích, jako jsou fosilní paliva či úrodná půda, existuje velmi reálná hrozba pro budoucnost agrární sféry. Vedle budoucích omezení ovšem dochází k stále stupňujícímu populačnímu růstu především v méně rozvinutých regionech, kdy řada odhadů poukazuje na nutnost 70-110 procentního nárůstu v produkčních kapacitách potravinové produkce v reakci na růst populace. Navzdory soudobým technologiím, mezi něž patří precizní zemědělství, lze s poměrně velkou jistotou očekávat nedostatečný růst produkce ve vztahu k růstu požadavků populace. Strojové učení, které v současnosti patří mezi nejvíce rozvíjené technologie, je považováno za potenciální řešení pro výše zmíněné hrozby, ovšem rozsah jeho úspěšného nasazení zůstává nejistý. Hlavním cílem práce je zkoumání a rozbor potenciálních následků implementace strojového učení v agrární sféře, přičemž výzkum budoucnosti je realizován pomocí metodologického rámce nové scenáristiky. Analýza pro svůj cíl užívá řadu empirických dat, soudobé výzkumné projekty v rámci strojového učení a kombinaci projekcí současných fenoménů. Přesto, že metodologický rámec potenciálně umožňuje tvorbu neomezeného počtu scénářů, se práce soustředí na tři hlavní narativy. První ze scénářů se...

The emergence of the effects of global warming, as well as the ongoing depletion of fossil fuels and fertile soil pose a serious threat for the future of the agricultural industry. Alternatively, the continuous population growth mainly in the less developed regions highlights the future need of approximately 70-110 percent increase in the overall output of contemporary food production. While the current conventional agriculture deploys a multitude of technologies including the precision agriculture framework, the future needs of the population exceed the projected capabilities of the industry. Machine learning as the current fastest growing technology represents the potential remedy for the emerging issues, yet the extent of successful implementation remains uncertain. The thesis aims to uncover the potential future implications of implementation of machine learning based technology in agriculture through the use of the new scenario building methodology. The analysis builds on a varying set of empirical data, current state of art projects in machine learning and multiple future trend projections. Albeit the scenario building technique allows for a potentially endless number of constructed scenarios, the thesis concentrates on three main plot lines. First scenario tackles the more probable...