Google DeepMind એ ભારતમાં સફળ થયા બાદ તેના AI-આધારિત એગ્રીકલ્ચર મોડલ્સ ALU અને AMED ને **11** દેશોમાં વિસ્તર્યા છે. આ ટેક્નોલોજી સેટેલાઈટ ડેટા દ્વારા ખેતીને આધુનિક બનાવશે, પરંતુ સાથે જ ડેટા ટ્રાન્સપરન્સી અને ડિજિટલ નિર્ભરતા જેવા સવાલો પણ ઉભા કર્યા છે.
ભારતની સફળતા બાદ ગ્લોબલ કૂચ
Google DeepMind એ પોતાની AI-પાવર્ડ એગ્રીકલ્ચર ટૂલ્સની સફળતાનો વ્યાપ વધારતા તેને એશિયા-પેસિફિક અને આફ્રિકાના 11 દેશોમાં લોન્ચ કર્યા છે. આ પહેલ મુખ્યત્વે બે મોડલ પર કામ કરે છે: Agricultural Landscape Understanding (ALU) અને Agricultural Monitoring and Event Detection (AMED). આ મોડલ્સ સેટેલાઈટ ઈમેજરીનું વિશ્લેષણ કરીને ખેતરની સીમાઓ, પાકનું ચક્ર અને તેની તંદુરસ્તી જેવો સચોટ ડેટા પૂરો પાડે છે.
આ મોડલ્સ કેવી રીતે કામ કરે છે?
આ ટેક્નોલોજી ખાસ કરીને ભારત જેવા દેશો માટે તૈયાર કરાઈ હતી જ્યાં ખેતરના ટુકડા નાના અને પાકની વિવિધતા વધારે હોય છે. ALU મોડલ પાસે છેલ્લા 15 વર્ષનો ઈતિહાસ છે, જે જમીનના ઉપયોગમાં થયેલા લાંબા ગાળાના ફેરફારો સમજવામાં મદદ કરે છે, જ્યારે AMED દર 15 દિવસે ખેતરની પ્રવૃત્તિનું અપડેટ આપે છે. આ ટૂલ્સ હવે Google Earth અને ઓપન API દ્વારા સરકારો અને સ્ટાર્ટઅપ્સ માટે ઉપલબ્ધ છે.
ભારતમાંથી શીખ અને રિયલ-વર્લ્ડ એપ્લિકેશન
ભારતમાં તેલંગાણા સરકારે તેમના ADeX પ્લેટફોર્મ પર આનો ઉપયોગ શરૂ કર્યો છે, જેથી ખેડૂતોને પાકમાં આવતી જીવાત અને સ્ટ્રેસ વિશે સમયસર માહિતી મળી રહે. કર્ણાટકમાં જળ સંસાધન વિભાગે સિંચાઈ ક્ષમતા વધારવા માટે આ ડેટાનો ઉપયોગ કર્યો છે. આ ઉપરાંત, મુંબઈ સ્થિત Terrastack જેવી કંપનીઓએ 140 મિલિયન હેક્ટરથી વધુ જમીનને મેપ કરવા માટે આ ટેકનોલોજીનો ઉપયોગ કર્યો છે, જે મેન્યુઅલ ઇન્સ્પેક્શનનો ખર્ચ ઘટાડે છે.
રોકાણકારો માટે ચેતવણી અને જોખમ
આ આધુનિક ટેક્નોલોજી ઉત્પાદકતા વધારવા માટે વરદાન સાબિત થઈ શકે તેમ છે, પરંતુ રોકાણકારોએ તેના જોખમોને પણ સમજવા જોઈએ. સૌથી મોટું જોખમ 'ડિજિટલ ડિપેન્ડન્સી'નું છે. જ્યારે સરકારો અને ખેડૂતો કોઈ એક ટેક કંપનીના ઈકોસિસ્ટમ પર નિર્ભર થઈ જાય છે, ત્યારે તેઓ લાંબા ગાળે દેવામાં ડૂબી શકે છે અથવા નિર્ણયો પરનો કાબૂ ગુમાવી શકે છે. વધુમાં, AI અલ્ગોરિધમ્સની અસ્પષ્ટતા (Opacity) અને ડેટાની ચોકસાઈ પરનો આધાર પણ એક પડકાર છે. જો ડેટામાં ભૂલ હોય, તો તે ખેડૂતો માટે આર્થિક નુકસાનનું કારણ બની શકે છે.