Google DeepMind ਨੇ ਭਾਰਤ ਵਿੱਚ ਤਿਆਰ ਕੀਤੇ ਆਪਣੇ ਦੋ ਖਾਸ AI ਮਾਡਲ - Agricultural Landscape Understanding (ALU) ਅਤੇ Agricultural Monitoring & Event Detection (AMED) ਨੂੰ ਹੁਣ **11** ਹੋਰ ਦੇਸ਼ਾਂ ਵਿੱਚ ਲਾਂਚ ਕਰ ਦਿੱਤਾ ਹੈ। ਇਹ ਤਕਨਾਲੋਜੀ ਖੇਤੀਬਾੜੀ ਨੂੰ ਆਧੁਨਿਕ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ, ਪਰ ਇਸ ਨਾਲ ਡਿਜੀਟਲ ਨਿਰਭਰਤਾ ਅਤੇ ਡੇਟਾ ਪਾਰਦਰਸ਼ਤਾ ਨੂੰ ਲੈ ਕੇ ਸਵਾਲ ਵੀ ਉੱਠ ਰਹੇ ਹਨ।
Google DeepMind ਨੇ ਹੁਣ ਆਪਣੇ AI-ਅਧਾਰਿਤ ਖੇਤੀਬਾੜੀ ਟੂਲਜ਼ ਨੂੰ ਭਾਰਤ ਤੋਂ ਬਾਹਰ ਏਸ਼ੀਆ-ਪੈਸੀਫਿਕ ਅਤੇ ਅਫਰੀਕਾ ਦੇ 11 ਦੇਸ਼ਾਂ ਵਿੱਚ ਫੈਲਾ ਦਿੱਤਾ ਹੈ। ਇਹ ਸਿਸਟਮ ਸੈਟੇਲਾਈਟ ਇਮੇਜਰੀ ਰਾਹੀਂ ਖੇਤਾਂ ਦੀਆਂ ਹੱਦਾਂ, ਫਸਲਾਂ ਦੇ ਚੱਕਰ ਅਤੇ ਫਸਲ ਦੀ ਸਿਹਤ 'ਤੇ ਨਜ਼ਰ ਰੱਖਦੇ ਹਨ।
ਭਾਰਤ ਤੋਂ ਗਲੋਬਲ ਮਾਰਕੀਟ ਤੱਕ ਦਾ ਸਫਰ
ਇਹ ਟੈਕਨਾਲੋਜੀ ਭਾਰਤ ਵਰਗੇ ਦੇਸ਼ਾਂ ਦੀਆਂ ਚੁਣੌਤੀਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਬਣਾਈ ਗਈ ਸੀ, ਜਿੱਥੇ ਖੇਤ ਛੋਟੇ ਅਤੇ ਵੰਨ-ਸੁਵੰਨੇ ਹਨ। ALU ਮਾਡਲ ਕੋਲ ਪਿਛਲੇ 15 ਸਾਲਾਂ ਦਾ ਡੇਟਾ ਹੈ, ਜਦਕਿ AMED ਮਾਡਲ ਹਰ 15 ਦਿਨਾਂ ਬਾਅਦ ਫੀਲਡ ਦੀ ਅਪਡੇਟ ਦਿੰਦਾ ਹੈ। ਹੁਣ ਇਹ ਟੂਲ Google Earth ਪਲੇਟਫਾਰਮ ਰਾਹੀਂ ਦੁਨੀਆ ਭਰ ਦੀਆਂ ਸਰਕਾਰਾਂ ਅਤੇ ਸਟਾਰਟਅੱਪਸ ਲਈ ਉਪਲਬਧ ਹਨ।
ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਵਰਤੋਂ
ਭਾਰਤ ਵਿੱਚ ਤੇਲੰਗਾਨਾ ਸਰਕਾਰ ਨੇ ਇਸਨੂੰ ਆਪਣੇ ADeX ਪਲੇਟਫਾਰਮ ਨਾਲ ਜੋੜਿਆ ਹੈ ਤਾਂ ਜੋ ਕਿਸਾਨਾਂ ਨੂੰ ਕੀੜਿਆਂ ਦੇ ਹਮਲੇ ਬਾਰੇ ਪਹਿਲਾਂ ਹੀ ਚੇਤਾਵਨੀ ਮਿਲ ਸਕੇ। ਕਰਨਾਟਕ ਦੇ ਜਲ ਸਰੋਤ ਵਿਭਾਗ ਨੇ ਵੀ ਇਸਦੀ ਵਰਤੋਂ ਸਿੰਚਾਈ ਕੁਸ਼ਲਤਾ ਵਧਾਉਣ ਲਈ ਕੀਤੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, Terrastack ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ 14 ਕਰੋੜ ਹੈਕਟੇਅਰ ਤੋਂ ਵੱਧ ਜ਼ਮੀਨ ਦੀ ਮੈਪਿੰਗ ਕਰ ਚੁੱਕੀਆਂ ਹਨ। ਕੌਮਾਂਤਰੀ ਪੱਧਰ 'ਤੇ Food and Agriculture Organization (FAO) ਵੀ ਖੁਰਾਕ ਸੁਰੱਖਿਆ ਲਈ ਇਸ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ।
AI ਖੇਤੀ ਦੇ ਸੰਭਾਵਿਤ ਖਤਰੇ
ਹਾਲਾਂਕਿ ਇਹ ਟੈਕਨਾਲੋਜੀ ਉਤਪਾਦਕਤਾ ਵਧਾਉਣ ਦਾ ਵਾਅਦਾ ਕਰਦੀ ਹੈ, ਪਰ ਮਾਹਰਾਂ ਨੇ ਕੁਝ ਜੋਖਮਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕੀਤਾ ਹੈ:
- ਡਿਜੀਟਲ ਨਿਰਭਰਤਾ: ਕਿਸਾਨਾਂ ਦਾ ਖਾਸ ਤਕਨੀਕੀ ਇਕੋਸਿਸਟਮ 'ਤੇ ਨਿਰਭਰ ਹੋਣਾ ਉਹਨਾਂ ਨੂੰ ਕਰਜ਼ੇ ਜਾਂ ਕੰਟਰੋਲ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਪਾ ਸਕਦਾ ਹੈ।
- ਪਾਰਦਰਸ਼ਤਾ ਦੀ ਘਾਟ: ਜਦੋਂ AI ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿ ਉਹ ਨਤੀਜਾ ਕਿਵੇਂ ਨਿਕਲਿਆ।
- ਸਰੋਤਾਂ ਦੀ ਖਪਤ: ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਕਲਾਊਡ-ਅਧਾਰਿਤ AI ਨੂੰ ਚਲਾਉਣ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਊਰਜਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ ਸਥਿਰਤਾ (Sustainability) ਲਈ ਇੱਕ ਚੁਣੌਤੀ ਹੈ।