ResiYou: KI-gestütztes Rückstandsmanagement für den Anbau

Landwirte stehen vor einer Abwägung, die sie unter Zeitdruck treffen müssen. Sie brauchen genug Pflanzenschutz, um Schädlinge und Krankheiten wirksam zu bekämpfen – und dürfen gleichzeitig gesetzliche Rückstandshöchstgehalte nicht überschreiten. Dazu kommen die Einzelhandelsstandards, die häufig strenger sind als die EU-Vorgaben.

Jede Anwendung ist deshalb eine Entscheidung darüber, wann und wie viel appliziert wird – mit drei Anforderungen gleichzeitig: EU-Vorschriften, Anforderungen der Abnehmer und der tatsächliche Schutzbedarf des Bestands. Wer zu vorsichtig dosiert, verliert Ernte. Wer zu spät oder zu viel appliziert, riskiert eine Charge, die er nicht verkaufen kann.

Den Kern bildet eine umfangreiche Datenbank aus Feldversuchen und Rückstandsmessungen, die bis in die 1970er Jahre zurückreicht – ein historischer Kontext, über den kaum ein anderes Vorhaben verfügt.

Ergänzt wurde sie um drei weitere Quellen: neue Daten, die kommerzielle Landwirte erheben und aufbereiten; offizielle Rückstandsberichte von Regulierungsbehörden; sowie Informationen zu chemischen Eigenschaften der Wirkstoffe, Umweltfaktoren und historische Wetterdaten, um den Umwelteinfluss auf Rückstandsgehalte abzubilden.

Rückstandsverläufe aus unvollständigen Probenserien. Die Aufgabe war nicht, einen Messwert zu reproduzieren, sondern den zeitlichen Verlauf eines Rückstandsprofils vorherzusagen – aus Probenserien mit Lücken.

Niedriges Signal-Rausch-Verhältnis aus der Praxis. Daten von kommerziellen Landwirten entstehen nicht unter Versuchsbedingungen. Aussagekräftige Muster von Rauschen zu trennen erforderte entsprechend anspruchsvolle Analyseverfahren.

Wechselwirkungen zwischen Chemie und Umwelt. Rückstandsgehalte hängen von einem Zusammenspiel aus Wirkstoffeigenschaften, Witterung und Anwendungszeitpunkt ab.

Unsicherheit als Anforderung, nicht als Mangel. Wegen der natürlichen Variabilität landwirtschaftlicher Umgebungen und stark ungleich verteilter Daten über mehrere Dimensionen war es zwingend, Vorhersagen mit einem ausgewiesenen Maß an Unsicherheit zu treffen. Eine Punktprognose ohne Unsicherheitsangabe hätte bei einer Compliance-Entscheidung keinen Wert.

Skalierbare Infrastruktur in der AWS-Cloud. Die datenintensiven Verarbeitungsschritte brauchen Rechenressourcen, die sich mit dem Bedarf ändern – die Cloud-Infrastruktur stellt sie bereit.

Gradient-Boosted-Tree-Verfahren für die Prognose. Für die Vorhersage der Rückstandsgehalte setzen wir auf Gradient-Boosted Trees, die sowohl bei Regressions- als auch bei Klassifikationsaufgaben zu den leistungsfähigsten Verfahren für strukturierte Daten zählen.

MLOps über den gesamten Lebenszyklus. Von der Datenvorbereitung bis zur Modellbereitstellung sind MLOps-Praktiken integriert. Das ist bei dieser Anwendung keine Kür: Rückstandsmodelle müssen über Jahre genau und relevant bleiben, während sich Sorten, Mittel und Vorschriften ändern.

CI/CD für den laufenden Betrieb. Continuous-Integration- und Deployment-Pipelines sorgen dafür, dass Aktualisierungen zuverlässig und ohne Ausfallzeit bei den Nutzern ankommen.

ResiYou bietet eine Oberfläche, in die Landwirte ihre Daten eingeben und daraus präzise Rückstandsprofile für die eingesetzten Wirkstoffe zum Erntezeitpunkt erhalten. Konkret ermöglicht die Plattform:

• Planung optimaler Spritzpläne
• Vorhersagen der Rückstandsgehalte in Echtzeit
• Prüfung der Einhaltung von EU-Vorschriften und Einzelhandelsstandards
• Entscheidungsunterstützung bei vertraglichen Verpflichtungen gegenüber Abnehmern

Damit wird aus dem Dilemma der Landwirte eine kalkulierbare Entscheidung. Anstelle eines Kompromisses aus Erfahrung steht eine Prognose mit ausgewiesener Unsicherheit.

„Soon after the Supper & Supper team begun to work on the project we started to see the results: our predictive models increased the accuracy tremendously and the feed-back of our customers turned to be extremely positive.“ – José Luis Robles Martín, New Venture Lead EMEA – Horticulture, Bayer

Der Aufbau – Verlaufsprognosen aus lückenhaften Messserien, ausgewiesene Unsicherheit, Compliance-Prüfung gegen mehrere Regelwerke gleichzeitig – trägt überall dort, wo eine Grenzwertentscheidung vor der Messung getroffen werden muss. In der pharmazeutischen Produktion ist das die Vorhersage von Spezifikationskonformität, in der Lebensmittelindustrie die Rückstandsanalytik entlang der Lieferkette.

Die Plattform ist im Produktivbetrieb und wird kontinuierlich ausgebaut. Die aktuellen Arbeitsschwerpunkte: das Umweltbewertungstool aus unserem Nachhaltigkeitsprojekt mit Bayer so einzubinden, dass Landwirte die Einhaltung der Rückstandshöchstgehalte und die Umweltauswirkungen in derselben Entscheidung sehen; die Unsicherheitsangaben von Modellintervallen auf Conformal Prediction umzustellen, die pro Einzelfall eine garantierte Abdeckung liefert; und die Datenqualitätsprüfung weiter zu automatisieren, weil ein wachsender Anteil der Eingangsdaten aus der Praxis statt aus Versuchen stammt.