[논문 리뷰] Machine Learning Challenges and Opportunities in the African Agricultural Sector -- A General Perspective

Racine Ly|arXiv (Cornell University)|2021. 07. 11.

Smart Agriculture and AI참고 문헌 32인용 수 7

한 줄 요약

이 논문은 아프리카 농업 분야에서 기계학습(ML)을 도입하는 데 있어 핵심 과제와 기회를 규명하며, 데이터 편향, 인프라 격차, 정책 부족을 강조한다. 공정하고 확장 가능한 ML 도입을 가능하게 하기 위해 AI 포럼, 윤리적 감시, 데이터 시스템 및 교육 분야에 대한 타겟팅 투자 포함하는 대륙 차원의 프레임워크를 제안한다.

ABSTRACT

The improvement of computers' capacities, advancements in algorithmic techniques, and the significant increase of available data have enabled the recent developments of Artificial Intelligence (AI) technology. One of its branches, called Machine Learning (ML), has shown strong capacities in mimicking characteristics attributed to human intelligence, such as vision, speech, and problem-solving. However, as previous technological revolutions suggest, their most significant impacts could be mostly expected on other sectors that were not traditional users of that technology. The agricultural sector is vital for African economies; improving yields, mitigating losses, and effective management of natural resources are crucial in a climate change era. Machine Learning is a technology with an added value in making predictions, hence the potential to reduce uncertainties and risk across sectors, in this case, the agricultural sector. The purpose of this paper is to contextualize and discuss barriers to ML-based solutions for African agriculture. In the second section, we provided an overview of ML technology from a historical and technical perspective and its main driving force. In the third section, we provided a brief review of the current use of ML in agriculture. Finally, in section 4, we discuss ML growing interest in Africa and the potential barriers to creating and using ML-based solutions in the agricultural sector.

연구 동기 및 목표

• 아프리카 농업 분야에서 기계학습(ML) 솔루션의 개발 및 도입을 저해하는 장애요인을 분석하기 위해.
• ML 도입을 저해하는 데이터 품질, 디지털 인프라, 정책 프레임워크 분야의 핵심 격차를 규명하기 위해.
• 농업 분야에서 윤리적이고 포용적인 ML 혁신을 지원하기 위한 실천 가능한 정책 및 제도적 메커니즘을 제안하기 위해.
• 연구, 공공 서비스, 민간 부문 혁신을 통합하기 위해 기계학습을 농업 분야에 도입하기 위한 연방 차원의 협력적 노력을 촉진하기 위해.
• 기계학습 모델이 대표성 없는 농업 데이터로 훈련될 경우, 특히 성별 기반 배제를 야기할 수 있는 알고리즘 편향의 위험을 부각하기 위해.

제안 방법

• 기계학습의 역사적 및 기술적 리뷰를 수행하여 기존의 회귀 기법과 대비한다.
• 글로벌 수준에서 기계학습이 농업에 적용되는 현재 사례를 조사하고 아프리카적 맥락에서의 관련성을 평가한다.
• 다층적 정책 프레임워크 제안: (1) 교육 및 연구 분야에 장기적 투자, (2) 농업 분야에서의 민간 부문 혁신 유도 인centives, (3) 데이터 개인정보 보호 및 윤리에 대한 규제 메커니즘.
• 기계학습 개발을 조율하고 감시하기 위해 대륙 차원의 AI 포럼 및 윤리 위원회와 같은 제도적 메커니즘을 도입한다.
• 클라우드 시스템, 센서, 웹 기반 분석 플랫폼을 통한 데이터 인프라 현대화를 권고한다.
• 공공 서비스에 기계학습 통합을 통해 다양한 부문에서의 보급 및 확장 가능성을 높이기 위한 정책을 제안한다.

실험 결과

연구 질문

• RQ1 아프리카 농업 분야에서 기계학습을 도입하는 데 있어 주요 기술적, 인프라적, 정책적 장애요인은 무엇인가?
• RQ2 기계학습 모델은 어떻게 설계되어야 하며, 농업 금융 및 의사결정 과정에서 기존의 사회적·성별 불평등을 강화하지 않도록 방지할 수 있는가?
• RQ3 윤리적이고 포용적이며 지속 가능한 아프리카 농업 시스템 내 기계학습 도입을 보장하기 위해 필요한 제도적 및 정책적 프레임워크는 무엇인가?
• RQ4 기계학습 기반 농업 예측의 편향을 줄이기 위해 데이터 품질과 대표성은 어떻게 향상시킬 수 있는가?
• RQ5 아프리카 전역의 AI 포럼과 같은 대륙 차원의 협력은 아프리카 국가 간 기계학습 개발을 어떻게 조율할 수 있는가?

주요 결과

• 과거에 남성 중심의 농업 데이터셋으로 훈련된 기계학습 모델은 여성 농민을 배제할 위험이 있으며, 특히 신용 또는 보조금 알고리즘에서 성별을 특성으로 사용할 경우 더욱 심각한 문제가 된다.
• 현재 아프리카 농업 분야의 기계학습 응용은 낮은 데이터 품질, 디지털 인프라 부족, 데이터 개인정보 보호 및 윤리에 대한 정책 프레임워크 부족으로 인해 제한되어 있다.
• 감독 학습이 가장 널리 사용되고 있지만, 탐색적 데이터 분석 및 적응형 의사결정에 잠재력이 있는 비감독 학습 및 강화 학습는 여전히 활용도가 낮다.
• 백프로파게이션은 딥 러닝을 가능하게 하는 기초 알고리즘이지만, 그 효과성은 고도로 품질 높고 대표성 있는 훈련 데이터에 의존한다.
• 기계학습의 확장 가능성을 높이기 위해 센서, 클라우드 스토리지, 웹 기반 분석 플랫폼과 같은 데이터 수집 기술에 대한 투자가 필수적이다.
• 매년 개최되는 아프리카 전역의 AI 포럼은 국가 및 지역 간 경계를 넘어 지식 공유, 정책 조율, 윤리적 감시를 촉진하는 핵심 메커니즘으로 제안된다.