Ders 18: Geleceğin Tarımı ve Etik Sorunlar

1. Giriş: Tarımda Yeni Bir Çağ Başlıyor

Bu dersin amacı, önceki 17 derste öğrendiğimiz tüm teknik bilgiyi daha geniş bir perspektife oturtmaktır. Makine öğrenimi tarımı dönüştürüyor, ancak bu dönüşüm yalnızca teknik bir mesele değildir. Sosyal, etik, ekonomik ve politik boyutları da vardır. Bir model %99 doğrulukla hastalık tespit edebilir, ama bu model kimin için, kimin yararına, kimin verisiyle çalışıyor?

Bu derste dört ana ekseni inceleyeceğiz: 1. Temel modeller (foundation models) ve tarıma uygulanmaları 2. Otonom tarım robotları 3. Laboratuvardan tarlaya geçişteki engeller 4. Veri etiği ve küçük çiftçi erişimi

2. Foundation Models: Tarımın GPT Anı

2.1 Foundation Model Nedir?

Foundation model (temel model), büyük ölçekli ve genel amaçlı ön-eğitimli modeldir. Bu modeller, devasa veri setlerinden öğrendikleri genel bilgiyi, az sayıda özel veriyle çeşitli alt görevlere transfer edebilir. NLP alanında GPT-4 ve LLaMA, görüntü alanında SAM, DINO ve DINOv2 bu modellerin birer örneğidir.

2.2 SAM (Segment Anything Model)

Meta AI'nın 2023'te yayınladığı SAM, herhangi bir görüntüde herhangi bir nesneyi segmente edebilen bir foundation modeldir. 11 milyon görüntü ve 1.1 milyar maske üzerinde eğitilmiştir.

Tarıma Potansiyel Uygulamaları: - Meyve sayımı: Tek bir nokta prompt ile ağaçtaki her bir portakal/elma segmente edilebilir - Yaprak segmentasyonu: Hastalıklı bölgenin piksel düzeyinde izolasyonu - Tarla sınırı tespiti: Uydu görüntüsünde parsel sınırlarının çizilmesi - Yabani ot haritalama: Ürün ile yabani ot arasındaki sınırın belirlenmesi

SAM'ın güçlü yanı, etiketsiz veri üzerinde çalışabilmesidir. Geleneksel yaklaşımda 10.000 yaprak görüntüsünü elle etiketlemeniz gerekirdi; SAM ile birkaç örnek göstererek (few-shot) tüm veri setini segmente edebilirsiniz.

2.3 DINOv2

Meta AI'nın self-supervised öğrenme ile eğittiği görüntü temsil modeli. Etiketli veriye ihtiyaç duymadan, görüntülerin anlamsal temsillerini öğrenir.

Tarıma Potansiyel Uygulamaları: - Benzerlik arama: "Bu yaprağa benzer diğer yaprakları bul" şeklinde hastalık veritabanında arama - Anomali tespiti: Normal bitkilerden sapan bireylerin otomatik tespiti - Zero-shot sınıflandırma: Hiç görmediği bir bitki hastalığı türünü benzerliğe göre sınıflandırma

2.4 GPT-4V ve Çok-Modlu Modeller

Büyük dil modelleri (LLM) görüntü işleme kapasitesi kazandığında, tarımda yeni olanaklar doğar:

• Görsel soru-cevap: Çiftçi yaprak fotoğrafı çekip "Bu nedir?" diye sorar, model hem hastalığı tanır hem tedavi önerir
• Raporlama: Drone görüntülerinden otomatik tarla durum raporu oluşturma
• Çok dilli destek: Yerel dillerde tarımsal danışmanlık (Türkçe, Hintçe, Swahili...)

2.5 Foundation Models vs. Görev-Özel Modeller

3. Otonom Tarım Robotları

3.1 Mevcut Durum

Tarım robotları artık bilim kurgu değildir; dünya genelinde yüzlerce prototip ve ticari ürün tarlalarda çalışmaktadır. Ancak tam otonomluk henüz erişilmemiştir; çoğu sistem yarı-otonom olarak çalışmakta ve insan gözetimi gerektirmektedir.

3.2 Robot Görev Alanları

3.3 Araştırma Örneği: Hassas Tarım için AI-Tabanlı Otonom Robot

Beloev ve arkadaşları (2021), küçük ölçekli, düşük maliyetli bir tarım robotu prototipi geliştirmişlerdir. Robot, hem iç mekan (sera) hem de dış mekan (tarla) kullanımına uygun tasarlanmıştır.

Teknik Özellikler: - Donanım: Pixhawk autopilot, DC motorlar, GPS, Intel RealSense derinlik kamerası - Navigasyon: İki mod destekler: 1. GPS tabanlı: Mission Planner ile ön-tanımlı rota takibi 2. Görsel: Derinlik kamerası ile sıralar arası otonom takip ve engel kaçınma - Yabani Ot Tespiti: Faster R-CNN (Inception v2) modeli; tarladan toplanan görüntülerle eğitilmiş - İlaç Püskürtme: Renk tabanlı sağlık değerlendirmesi (yeşil = sağlıklı, kırmızı = hasarlı); hasar tespit edildiğinde 1.5 saniye püskürtme (12 km/s hıza göre kalibre) - SLAM: Bilinmeyen ortamda harita çıkarma ve lokalizasyon

Önemli Sonuçlar: - Düşük maliyetli bileşenlerle (Raspberry Pi, Pixhawk) fonksiyonel bir prototip oluşturulabilmiştir - Derinlik kamerası ile GPS olmadan bile mahsul sıralarının otonom takibi sağlanmıştır - Robot, 12 km/s hızla çalışarak gerçek zamanlı yabani ot tespiti ve hedefli ilaçlama yapabilmiştir

3.4 Otonom Robotların Teknik Zorlukları

• Navigasyon: Tarla ortamı yapılandırılmamış, değişken ve karmaşıktır. GPS sinyali ağaç altında zayıflar; toprak koşulları robotun hareketini etkiler.
• Güçlü algılama: Değişken ışık koşulları, toz, yağmur, bitki büyüme aşaması görüntüyü etkiler
• Enerji: Batarya ömrü sınırlı; güneş enerjisi entegrasyonu gerekli
• Güvenlik: Hayvanlar, insanlar ve ekipmanlarla etkileşim; acil durdurma mekanizmaları şart

4. Laboratuvardan Tarlaya Açığı: Neden %99 Yetmez?

4.1 Sorun Nedir?

Literatürdeki binlerce çalışmada modeller etkileyici rakamlar sunuyor: %99 doğruluk, %98 F1-skoru. Ancak bu rakamlar çoğunlukla kontrol edilmiş koşullarda, temiz veri setlerinde, belirli bir bölge ve mevsimde elde edilmiştir. Gerçek tarlada durum çok farklıdır.

4.2 Laboratuvar vs. Tarla Koşulları

4.3 Somut Örnekler

1. PlantVillage sendromu: PlantVillage veri setinde %99 doğruluk elde eden modeller, tarlada çekilen görüntülerde %60-70'e düşebilir. Nedenler: laboratuvar arka planı öğrenilmiş, sağlıklı-hasta oranı gerçekçi değil, görüntü koşulları farklı.

2. Mevsimsel değişkenlik: Bir model Temmuz verisiyle eğitilip Temmuz'da test edildiğinde %95, Ekim'de test edildiğinde %75 doğruluk verebilir. Bitki fenolojisi, ışık açısı, yaprak rengi mevsime göre değişir.

3. Coğrafi transfer: Türkiye'deki domates hastalıkları için eğitilen model, Hindistan koşullarında çok düşük performans gösterebilir (farklı çeşitler, iklim, toprak, hastalık suşları).

4.4 Çözüm Yolları

• Alan adaptasyonu (Domain Adaptation): Kaynak ve hedef alan arasındaki dağılım farkını azaltan teknikler
• Veri artırma: Gerçekçi perturbasyonlar (ışık değişimi, bulanıklaştırma, perspektif bozukluğu)
• Aktif öğrenme: Modelin en belirsiz olduğu örnekleri seçip etiketleme
• Sürekli öğrenme: Modelin tarladan gelen yeni verilerle kendini güncellemesi
• Çoğu çevreden veri toplama: Farklı bölgeler, mevsimler ve koşullardan veri

5. Veri Etiği: Çiftçi Verisi Kime Ait?

5.1 Temel Sorular

Büyük tarım şirketleri, sensörler ve platformlar aracılığıyla çiftçilerden veri toplamaktadır. Bu durum kritik etik soruları gündeme getirir:

1. Sahiplik: Çiftçi tarlasındaki sensör verisinin sahibi kimdir? Çiftçi mi, sensör şirketi mi, bulut platform mu?
2. Rıza: Çiftçi, verisinin nasıl kullanılacağını biliyor mu ve buna rıza göstermiş mi?
3. Fayda paylaşımı: Verilerden elde edilen ticari gelir çiftçiyle paylaşılıyor mu?
4. Gizlilik: Tarla konumu, verim miktarı, kimyasal kullanımı gibi veriler ifşa edilirse çiftçi zarar görebilir mi?

5.2 Gerçek Senaryolar

Senaryo 1: Sigorta Ayrımcılığı Bir tarım sigortası şirketi, çiftçilerin uydu verilerini analiz ederek "yüksek riskli" tarlaları tespit eder ve bu çiftçilere daha yüksek prim uygular. Çiftçi, kendi verisinin aleyhine kullanıldığının farkında değildir.

Senaryo 2: Pazar Manipülasyonu Bir tarım ticaret şirketi, uydu verileriyle bölgesel verim tahminleri yaparak piyasa bilgisini erken elde eder. Çiftçilerin henüz hasat etmediği ürünlerin fiyatını düşük tutar.

Senaryo 3: Veri Kilitleme Bir akıllı tarım platformu, çiftçinin tüm verilerini kendi bulut sisteminde depolar. Çiftçi platform değiştirmek istediğinde verisini taşıyamaz (vendor lock-in).

5.3 Etik İlkeler

Cartolano ve arkadaşları (2024), XAI çalışmalarında etik kaygıları şu başlıklarda özetlemiştir:

1. Şeffaflık (Transparency): AI sistemlerinin karar mekanizması anlaşılabilir olmalıdır
2. Hesap verebilirlik (Accountability): Yanlış kararlardan kim sorumludur?
3. Gizlilik (Privacy): Çiftçi verileri korunmalıdır
4. Adalet (Fairness): AI sistemleri, büyük ve küçük çiftçiler arasında eşitsizlik yaratmamalıdır
5. Fayda (Beneficence): Teknoloji, tüm paydaşların yararına çalışmalıdır

5.4 Veri Yönetişim Çerçeveleri

6. Küçük Çiftçi Erişimi: Dijital Uçurum

6.1 Sorun Boyutu

Dünya genelinde yaklaşık 500 milyon küçük çiftçi (2 hektardan küçük arazi) bulunmaktadır ve dünya gıda üretiminin %80'ini onlar sağlar. Ancak hassas tarım teknolojilerinin büyük çoğunluğu, büyük ölçekli işletmelere yöneliktir:

• Bir DJI Matrice drone seti: 15.000-50.000 USD
• IoT altyapısı (sensörler + bağlantı): 500-2.000 USD/hektar
• Yazılım lisansları: 1.000-10.000 USD/yıl
• Uydu veri analiz platformları: 5.000-50.000 USD/yıl

6.2 Küçük Çiftçi için Erişilebilir Çözümler

6.3 Başarı Örnekleri

• PlantVillage Nuru (Afrika): Cep telefonu kamerasında çalışan offline model. Kasava, domates, patates hastalıkları için. 10+ milyon çiftçi kullanıyor. TFLite ile mobil dağıtım.

• Digital Green (Hindistan): Video tabanlı tarım eğitimi + ML öneriler. 3+ milyon küçük çiftçiye ulaştı.

• Hello Tractor (Nijerya): Uber benzeri traktör paylaşım platformu. Küçük çiftçilerin büyük makinelere erişimini sağlıyor.

7. Gelecek Vizyonu: 2030 ve Ötesi

7.1 Yakın Gelecek (2025-2028)

• Foundation modellerin (SAM, DINOv2) tarım-spesifik ince ayarı yaygınlaşacak
• YOLOv8/v9+ nano modelleri cep telefonlarında gerçek zamanlı tespit standart olacak
• 5G kapsama alanı artışıyla IoT sensör ağları daha yaygın ve güvenilir hale gelecek
• Drone-robot iş birliği (havadan tespit, yerden müdahale) artacak

7.2 Orta Vadeli Gelecek (2028-2032)

• Otonom tarla yönetimi: İnsan gözetimi minimumda, robot filoları koordineli çalışacak
• Dijital ikiz tarla: Her tarlanın sanal kopyası, simülasyon ve optimizasyon için kullanılacak
• Federatif öğrenme: Çiftçiler verilerini paylaşmadan ortak model eğitecek
• Karbon kredisi izleme: ML ile toprak karbon tutma miktarının hassas ölçümü

7.3 Uzun Vadeli Gelecek (2032+)

• Genel amaçlı tarım AI'sı: Tek bir model, ekim planlamasından hasata kadar tüm süreci yönetecek
• Otonom biyolojik mücadele: Robotlar zararlı böcekleri tespit edip faydalı böcek bırakacak
• Uzay tarımı: Mars ve Ay'da kontrol edilmiş ortam tarımı için AI

8. Sorumlu AI için Kontrol Listesi

Bir tarımsal AI projesi başlatırken şu soruları sormak gerekir:

• [ ] Veri toplama süreci şeffaf ve rızaya dayalı mı?
• [ ] Model, farklı bölgeler ve çiftçi tipleri için adil mi?
• [ ] Karar mekanizması açıklanabilir mi (XAI)?
• [ ] Küçük çiftçilerin erişimi düşünülmüş mü?
• [ ] Laboratuvar-tarla açığı test edilmiş mi?
• [ ] Veri gizliliği ve güvenliği sağlanmış mı?
• [ ] Hata durumunda sorumluluk zinciri belirlenmiş mi?
• [ ] Çevre etkileri (enerji tüketimi, e-atık) değerlendirilmiş mi?
• [ ] Çiftçinin dijital okur-yazarlığı için eğitim planlanmış mı?
• [ ] Uzun vadeli sürdürülebilirlik modeli oluşturulmuş mu?

9. Özet ve Önemli Noktalar

1. Foundation modeller (SAM, DINOv2, GPT-4V), büyük ölçekli ön-eğitim sayesinde az veriyle tarımsal görevlere uyarlanabilir; bu, etiketli veri sınırlamasını azaltır.

2. Otonom tarım robotları, GPS + görsel navigasyon + CNN ile tarlada bağımsız çalışabilir; ancak değişken tarla koşulları, enerji sınırlamaları ve güvenlik konuları hala çözülmesi gereken zorluklardır.

3. Laboratuvar-tarla açığı, yayınlanan yüksek doğrulukların gerçek koşullara transferinde ciddi performans düşüşleri yaşandığını gösterir. Alan adaptasyonu, sürekli öğrenme ve çeşitli veri toplama bu açığı kapatmanın yollarıdır.

4. Veri etiği, çiftçi verisinin sahipliği, gizliliği ve adil kullanımı konularında net çerçeveler oluşturulmasını gerektirir. Şeffaflık, hesap verebilirlik ve fayda paylaşımı temel ilkelerdir.

5. Küçük çiftçi erişimi, tarımsal AI'nın toplumsal etkisinin en kritik boyutudur. Cep telefonu uygulamaları, açık kaynaklı araçlar ve kooperatif modeller, dijital uçurumu kapatabilir.

6. Teknoloji tek başına yeterli değildir; insani, sosyal ve kurumsal boyutlarla birlikte ele alınmadığında, tarımsal AI daha fazla eşitsizlik yaratma riski taşır.

Kaynaklar

1. Kirillov, A., et al. (2023). Segment Anything. arXiv:2304.02643.
2. Oquab, M., et al. (2023). DINOv2: Learning Robust Visual Features without Supervision. arXiv:2304.07193.
3. Beloev, I., et al. (2021). Artificial Intelligence-Driven Autonomous Robot for Precision Agriculture. Acta Technologica Agriculturae, 1/2021.
4. Liakos, K.G., et al. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674.
5. Wolfert, S., et al. (2017). Big data in smart farming -- A review. Agricultural Systems, 153, 69-80.
6. Klerkx, L., et al. (2019). A review of social science on digital agriculture, smart farming and agriculture 4.0. NJAS, 90-91, 100315.