Page - 110 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

110 B Anwendung Manipulationen wie das Ernten von empfindlichen Früchten (van Henten et al. 2002) oder das Zuschneiden von Nutzpflanzen (Ackermann 2012). Und schließlich können Feldroboter ihre Aktivitäten mitschreiben und z.  B. Bepflanzungskarten automatisch generieren. Der Landwirtschaft stehen inzwischen sehr umfangreiche Sensordaten über die aktu- ellen Zustände auf den Feldern zur Verfügung, die von KI-Algorithmen ausgewertet optimale Handlungsentscheidungen ermöglichen (Sfiligo 2016). Ein Beispiel für sol- ches „Precision Farming“ ist die Installation von Stickstoffsensoren, die regelmäßig Daten über den lokalen Zustand des Bodens übermitteln. Daraus lässt sich ein geziel- tes Düngen ableiten, ggf. punktuell nur dort, wo ein Stickstoffmangel festzustellen ist. Das senkt Kosten (weniger Dünger), ist effektiver (Überdüngung wirkt sich nega- tiv auf den Ertrag aus) und schont nebenbei auch die Umwelt (Adamchuk et al. 2004). Moderne datengetriebene KI-Verfahren zur Aktionsplanung und Optimierung können neben Sensordaten vom Feld auch Vorwissen wie Bepflanzungskarten und externe Datenquellen wie z.  B. Wetterdaten in die Entscheidungsfindung miteinbe- ziehen und damit die Landwirtschaft noch effektiver, präziser und wirtschaftlicher machen. Autonomen Feldrobotern kommt hierbei die wichtige Rolle zu, die einzel- nen Handlungsschritte automatisch sowie zeitlich und örtlich präzise umzusetzen. Bei kleinen Feldrobotern werden auch Roboterschwärme erforscht (King 2017) oder sogar schon angewandt (Wölbert 2017). Auch dies macht die autonome Feldrobotik attraktiver für kleine Landwirtschaftsbetriebe, die in Gruppen oder Kooperativen ein- zelne Landwirtschaftsroboter kaufen können, um sie dann für flächendeckende Ein- sätze, z.  B. für die Saat, zu Schwärmen zusammenzufügen (King 2017). Die Koordi- nation von Gruppen autonomer Roboter ist eine weitere Herausforderung für die KI in Aktionsplanung und Optimierung. Neben dem beschriebenen Trend zu kleineren autonomen Feldrobotern wird auch eine zunehmende Vielseitigkeit der Funktionalität von Feldrobotern kleinen Land- wirtschaftsbetrieben zugutekommen. Fortschritte in KI-Technologien wie ML machen es möglich, ein und dieselbe Roboterplattform auf mehrere landwirtschaftliche Auf- gaben zu trainieren, etwa das Ernten verschiedener Früchte und das Versprühen von Pflanzenschutzmitteln (van Henten et al. 2002; Tobe 2014). Die Anschaffung eines autonomen Feldroboters, der verschiedene Arbeiten bewältigen kann, wird sich schneller rentieren. Die Beispiele zeigen, dass die durch KI erweiterte Flexibilität und erhöhte Autonomie von Feldrobotern immer noch überschaubar ist – zumal, wenn man sie mit der Fähig- keit von Menschen, Probleme zu lösen, vergleicht. KI-Verfahren und autonome Feld- roboter können menschliche Entscheidungen optimieren und eine ständig wachsende Bandbreite von in der Landwirtschaft notwendigen Handlungsschritten autonom aus- führen. Den Menschen als Entscheider ersetzen können sie jedoch in keiner Weise.