AI w rolnictwie coraz częściej wspiera ocenę ryzyka chorób, nawadnianie, analizę zdjęć i danych satelitarnych, prognozowanie oraz wykrywanie anomalii. W technikum rolniczym nie wystarczy jednak pokazać uczniowi narzędzia opartego na sztucznej inteligencji. Trzeba nauczyć go oceniać, skąd wzięła się rekomendacja, jakie dane ją tworzą i kiedy nie należy jej ufać.
Sztuczna inteligencja w rolnictwie to grupa metod informatycznych, które analizują dane dotyczące upraw, pogody, gleby, maszyn lub produkcji i na tej podstawie wspierają przewidywanie, klasyfikację albo podejmowanie decyzji.
W skrócie
Nauka AI w technikum rolniczym powinna być nauką podejmowania decyzji, a nie obsługi kolejnego programu. Uczeń powinien rozumieć zależność między jakością danych, wynikiem modelu i decyzją agronomiczną, a następnie umieć zweryfikować rekomendację w terenie. Najlepszy model zajęć prowadzi od danych do wniosku, od wniosku do działania i od działania do oceny rezultatu.
- AI powinno wspierać decyzję ucznia, a nie podejmować ją za niego.
- Najważniejszą kompetencją jest krytyczna ocena danych i rekomendacji.
- Zajęcia powinny wykorzystywać dane pogodowe, sensory, BBCH, historię zabiegów, mapy i obserwacje z pola.
- Uczeń powinien potrafić wskazać ograniczenia modelu oraz brakujące dane.
- Ocena powinna obejmować sposób rozumowania, a nie tylko końcową odpowiedź.
Czego naprawdę powinniśmy uczyć, mówiąc o AI w rolnictwie?
Uczeń technikum rolniczego nie musi zaczynać od programowania modeli sztucznej inteligencji. Znacznie ważniejsza jest umiejętność rozpoznania, jakie dane wykorzystuje system, co dokładnie oznacza jego wynik, jakie mogą być źródła błędu i czy rekomendacja odpowiada sytuacji obserwowanej w gospodarstwie.
To podejście jest spójne z opublikowanym przez Komisję Europejską i OECD dokumentem „Empowering Learners for the Age of AI”. Finalne ramy AI Literacy dla edukacji podstawowej i średniej obejmują 4 obszary kontaktu ucznia z AI oraz 19 kompetencji dotyczących wiedzy, umiejętności i postaw. Dokument kładzie nacisk między innymi na krytyczną ocenę wyników systemów AI oraz świadome i odpowiedzialne korzystanie z nich.
W szkole rolniczej trzeba pójść o krok dalej. Ogólne kompetencje AI należy osadzić w agronomii, produkcji zwierzęcej, mechanizacji, ekonomice gospodarstwa i dokumentacji. Uczeń powinien więc analizować nie abstrakcyjne przykłady, ale pole, uprawę, pogodę, zabiegi, fazę BBCH, sensor, mapę lub konkretny problem produkcyjny.
Technologia jest tu narzędziem.
Materiały dydaktyczne powinny prowadzić do pytania: „Na podstawie czego podejmujesz tę decyzję?”. Podobny model jest już wykorzystywany w edukacji rolnictwa cyfrowego, gdzie cyfrowe gospodarstwo, stacje pogodowe, mapy satelitarne i dokumentacja służą do ćwiczenia procesu dane → analiza → decyzja → dokumentacja → raport.
Dobrym uzupełnieniem są kompetencje przyszłości w rolnictwie, ponieważ praca z AI łączy się z szerszą umiejętnością interpretowania danych, obsługi systemów cyfrowych i kontrolowania procesów zachodzących w gospodarstwie.
Jak powinien wyglądać proces decyzyjny ucznia?
Najlepszym modelem nauczania jest proces, w którym rekomendacja sztucznej inteligencji pojawia się w środku, a nie na końcu zadania. Uczeń najpierw poznaje dane wejściowe, potem analizuje sugestię systemu, następnie ją weryfikuje i dopiero wtedy podejmuje decyzję.
Dane → rekomendacja systemu → weryfikacja → decyzja człowieka → działanie → ocena rezultatu.
Taki układ zmienia sposób prowadzenia lekcji. Zamiast pytania „co zalecił system?” nauczyciel może zapytać: „dlaczego system mógł wydać taką rekomendację?”, „jakich informacji jeszcze potrzebujesz?” oraz „co sprawdzisz przed wykonaniem działania?”.
Uczeń powinien też nauczyć się odmowy wykonania rekomendacji. Jeśli brakuje danych, sensor działa nieprawidłowo albo sytuacja na polu nie odpowiada temu, co „widzi” system, poprawną decyzją może być dodatkowa lustracja, ponowny pomiar lub odłożenie działania.
To jest kompetencja zawodowa.
Jakie decyzje rolnicze może wspierać AI?
AI w rolnictwie może wspierać decyzje wtedy, gdy system ma odpowiednie dane oraz jasno określony problem do rozwiązania. W edukacji najwięcej wartości dają przypadki, w których uczeń może porównać wynik modelu z wiedzą agronomiczną, obserwacją terenową i historią produkcji.
Modele chorobowe i ryzyko infekcji
Model może łączyć temperaturę, wilgotność, zwilżenie liścia, opad, fazę rozwojową rośliny i historię warunków pogodowych. Jego wynik powinien uruchomić proces oceny ryzyka, a nie automatyczną decyzję o zabiegu.
Wspomaganie nawadniania
Dane z sensorów wilgotności gleby, prognoza pogody, ewapotranspiracja, rodzaj gleby i faza rozwoju roślin mogą tworzyć podstawę rekomendacji dotyczącej nawadniania. Uczeń powinien rozumieć, dlaczego ten sam odczyt wilgotności może prowadzić do różnych decyzji w różnych uprawach lub fazach rozwojowych.
Dane satelitarne i wykrywanie anomalii
Algorytm może wskazać fragment pola różniący się od otoczenia na podstawie NDVI, NDRE lub obrazu RGB. Nie oznacza to jednak automatycznego rozpoznania przyczyny. Strefa o słabszej roślinności może wynikać z niedoboru składników, stresu wodnego, choroby, uszkodzenia gleby albo błędu danych.
Właśnie dlatego praca z danymi satelitarnymi w technikum rolniczym dobrze przygotowuje do nauki AI. Uczeń musi najpierw rozpoznać sygnał, a następnie sprawdzić go w innych źródłach.
| Rodzaj danych | Przykładowe źródło | Co może analizować system | Co powinien zweryfikować uczeń |
|---|---|---|---|
| Dane pogodowe | Stacja pogodowa, prognoza | Warunki sprzyjające infekcji, przymrozkowi lub zabiegowi | Jakość pomiaru, lokalizację stacji, aktualność danych |
| Sensory glebowe | Czujniki wilgotności i temperatury | Stres wodny i potrzebę nawadniania | Głębokość pomiaru, typ gleby, reprezentatywność punktu |
| Dane satelitarne | NDVI, NDRE, RGB | Anomalie i zmienność przestrzenną pola | Chmury, termin obrazu, obserwacje z lustracji |
| Historia uprawy | Zabiegi, nawożenie, odmiana, BBCH | Zależności między historią pola a bieżącą sytuacją | Kompletność i poprawność dokumentacji |
| Obrazy z pola | Telefon, kamera, dron | Objawy, chwasty, uszkodzenia lub anomalie | Czy obraz rzeczywiście reprezentuje problem i całą powierzchnię |
Dlaczego AI w rolnictwie może się mylić?
System AI może wygenerować błędną albo nieadekwatną rekomendację nawet wtedy, gdy sam model działa technicznie poprawnie. Przyczyną może być brak danych, nieprawidłowy sensor, inna odmiana, lokalny mikroklimat, nietypowe warunki sezonu albo sytuacja, której model nie znał podczas tworzenia.
Komisja Europejska w analizach dotyczących AI w rolnictwie wskazuje jako istotne bariery między innymi dostęp do danych wysokiej jakości, interoperacyjność systemów, integrację z istniejącymi procesami oraz przejrzystość rekomendacji. W 2026 r. Komisja ponownie podkreśliła znaczenie dobrych danych rolniczych i rozwiązań dopasowanych do specyfiki sektora.
Uczeń musi znać te ograniczenia.
Jeżeli stacja pogodowa znajduje się daleko od pola, sensor wilgotności został źle umieszczony albo rejestr zabiegów nie zawiera ostatniej operacji, model pracuje na niepełnym obrazie gospodarstwa. Problem nie musi więc znajdować się w algorytmie. Często zaczyna się wcześniej, przy zbieraniu i opisywaniu danych.
Dlatego na zajęciach warto celowo wprowadzać błędy. Nauczyciel może usunąć jeden pomiar, zmienić lokalizację sensora, podać nieaktualną fazę BBCH albo pokazać zdjęcie wykonane w innym terminie. Zadaniem ucznia nie jest wtedy „uzyskać odpowiedź AI”, lecz wykryć, że dane nie pozwalają jeszcze na bezpieczny wniosek.
Jak przeprowadzić lekcję z AI w technikum rolniczym?
Dobra lekcja powinna przypominać analizę realnego problemu w gospodarstwie. Uczeń dostaje zestaw danych dotyczących uprawy i alert wygenerowany przez model, ale nie otrzymuje gotowej odpowiedzi dotyczącej działania.
Przykład modelowy: ryzyko choroby na plantacji truskawki
Przykład modelowy. Klasa pracuje na wirtualnym gospodarstwie w Polsce. Analizowane pole truskawki ma 8 ha, a uprawa znajduje się w fazie BBCH 61. Są to wartości dydaktyczne przygotowane wyłącznie na potrzeby ćwiczenia.
Uczniowie otrzymują historię pogody, dane ze stacji, informację o zwilżeniu liścia, fazę BBCH, historię zabiegów, prognozę oraz alert modelu chorobowego. Model sygnalizuje podwyższone ryzyko, ale nie wydaje polecenia wykonania zabiegu.
Uczeń musi:
- sprawdzić kompletność danych wejściowych,
- przeanalizować pogodę i fazę rozwojową roślin,
- ocenić znaczenie alertu,
- wskazać informacje, których jeszcze brakuje,
- zdecydować, czy potrzebna jest lustracja pola,
- zaproponować dalsze działanie,
- uzasadnić decyzję i zapisać ją w dokumentacji.
Najważniejszym wynikiem ćwiczenia nie jest decyzja „wykonać zabieg” albo „nie wykonywać zabiegu”. Wynikiem jest poprawny tok rozumowania. Jeżeli dane nie wystarczają, uczeń powinien umieć wskazać brak i zaplanować jego uzupełnienie.
Taki scenariusz dobrze łączy się z materiałami dydaktycznymi do rolnictwa cyfrowego, ponieważ zamiast oddzielać agronomię od technologii, wykorzystuje system cyfrowy jako środowisko do ćwiczenia realnej decyzji.
| Element | Podejście klasyczne | Podejście oparte na decyzji | Kompetencja ucznia |
|---|---|---|---|
| Punkt startowy | Opis technologii AI | Problem występujący w gospodarstwie | Rozpoznanie problemu |
| Dane | Gotowy przykład | Pogoda, BBCH, sensory, historia pola | Ocena jakości danych |
| Wynik AI | Traktowany jako odpowiedź | Traktowany jako jedna z informacji | Krytyczna interpretacja |
| Weryfikacja | Najczęściej pomijana | Lustracja, inne źródła, kontrola pomiarów | Weryfikowanie hipotezy |
| Ocena | Poprawna odpowiedź końcowa | Tok analizy i uzasadnienie decyzji | Myślenie decyzyjne |
Jak oceniać kompetencje ucznia?
Ocena nie powinna zależeć wyłącznie od tego, czy uczeń podjął tę samą decyzję co nauczyciel. W rolnictwie różne działania mogą być racjonalne, jeżeli wynikają z poprawnej analizy danych, jasno opisanych założeń oraz właściwego rozpoznania ryzyka.
Kryteria oceny mogą obejmować kompletność wykorzystanych źródeł, rozpoznanie błędów danych, logiczne połączenie informacji, umiejętność zakwestionowania rekomendacji, potrzebę dodatkowej lustracji oraz jakość uzasadnienia. Osobno warto oceniać dokumentację decyzji.
Nauczyciel powinien widzieć proces. Właśnie dlatego środowisko, w którym każdy uczeń prowadzi własne wirtualne gospodarstwo i zapisuje wykonane działania, daje większą wartość dydaktyczną niż pojedynczy quiz dotyczący definicji AI. AgriEdukacja opisuje taki sposób pracy jako połączenie gospodarstwa ucznia, zadań, obserwacji postępów i oceny procesu decyzyjnego.
Co oznacza to dla szkół, nauczycieli, uczniów i doradców?
Nauka AI w rolnictwie dotyczy kilku grup, ale każda potrzebuje innego rezultatu. Dyrektor szkoły patrzy na przygotowanie absolwenta do rynku pracy, nauczyciel potrzebuje metody prowadzenia zajęć, uczeń chce zrozumieć praktyczne zastosowanie technologii, a doradca lub agronom musi ocenić wiarygodność rekomendacji w rzeczywistym gospodarstwie.
Dyrektor szkoły rolniczej
Głównym zadaniem jest takie rozwijanie pracowni i programu zajęć, aby cyfryzacja rolnictwa nie kończyła się na prezentacji sprzętu. Potrzebne jest środowisko, w którym uczeń pracuje na danych i rozwiązuje problemy podobne do tych, z którymi zetknie się podczas praktyk lub pracy zawodowej.
Nauczyciel przedmiotów zawodowych
Nauczyciel nie musi być programistą ani specjalistą od uczenia maszynowego. Powinien natomiast umieć przygotować sytuację problemową, wskazać źródła danych, zadać pytania kontrolne i ocenić sposób uzasadnienia decyzji.
Uczeń technikum rolniczego
Uczeń powinien wyjść poza obsługę interfejsu. Kompetencją przyszłości jest umiejętność połączenia wiedzy agronomicznej z danymi, oceną wiarygodności rekomendacji oraz odpowiedzialnością za podjętą decyzję.
Doradca rolniczy i agronom
Dla doradców AI może być dodatkowym narzędziem analitycznym, ale nie zastępuje rozpoznania sytuacji produkcyjnej. Umiejętność oceny źródła danych, zakresu modelu i ograniczeń rekomendacji będzie coraz ważniejsza w pracy z gospodarstwami korzystającymi z DSS, sensorów, danych satelitarnych i automatyzacji.
Jak AgriEdukacja wspiera naukę pracy z AI?
AgriEdukacja może służyć jako środowisko, w którym nauka sztucznej inteligencji zostaje osadzona w procesach gospodarstwa. Platforma łączy wirtualne gospodarstwo, dane produkcyjne, monitoring upraw, sensory, informacje pogodowe, dokumentację oraz scenariusze zajęć, dzięki czemu uczniowie mogą pracować na zależnościach między informacją a decyzją.
Szczególnie przydatne są ćwiczenia dotyczące planowania nawożenia, oceny warunków wykonywania zabiegów, modeli chorobowych, monitoringu pola, danych satelitarnych i dokumentacji. W materiałach AgriEdukacja decyzja dotycząca zabiegu może być analizowana przez pryzmat pogody, obserwacji, historii wcześniejszych działań i ryzyka choroby.
Nauczyciel może wykorzystać funkcje AgriEdukacja dla nauczycieli do obserwowania pracy ucznia i oceny nie tylko efektu końcowego, lecz także kolejnych działań wykonanych w jego wirtualnym gospodarstwie.
Ważne jest jednak zachowanie właściwej kolejności. Najpierw problem agronomiczny, potem dane, następnie analiza systemu i dopiero na końcu decyzja. Jeżeli lekcja zaczyna się od przycisku „zapytaj AI”, uczeń łatwo uczy się korzystania z odpowiedzi bez rozumienia procesu.
FAQ
Czy uczeń technikum rolniczego musi umieć programować, żeby uczyć się AI?
Nie. Na początku ważniejsze jest rozumienie danych, sposobu działania rekomendacji i ograniczeń modelu. Uczeń powinien potrafić sprawdzić źródło danych, ocenić wynik systemu, porównać go z sytuacją na polu i uzasadnić własną decyzję. Programowanie może być rozwijane później jako kompetencja dodatkowa.
Czy AI powinno podejmować decyzje agronomiczne za ucznia lub rolnika?
Nie powinno być traktowane jako automatyczny zastępca decyzji agronomicznej. System może wskazać ryzyko, anomalię lub rekomendowany kierunek działania, ale człowiek powinien zweryfikować dane, lokalne warunki, historię uprawy i obserwacje terenowe przed wykonaniem działania.
Jakie dane są najlepsze do pierwszych zajęć z AI w rolnictwie?
Dobrym początkiem są dane pogodowe, faza BBCH, historia zabiegów, proste pomiary sensorów oraz mapy satelitarne. Są czytelne i można łatwo połączyć je z konkretną decyzją, na przykład potrzebą lustracji pola, oceną ryzyka choroby albo planowaniem nawadniania.
Czy szkoła musi kupić drogi sprzęt, aby rozpocząć naukę AI w rolnictwie?
Nie każda lekcja wymaga fizycznego zestawu urządzeń. Pierwsze scenariusze można prowadzić na danych historycznych, wirtualnym gospodarstwie, przykładowych odczytach sensorów i mapach. Sprzęt staje się szczególnie wartościowy wtedy, gdy uczniowie mogą porównać rzeczywisty pomiar z danymi zapisanymi w systemie.
Jak ocenić, czy uczeń rzeczywiście rozumie rekomendację AI?
Najlepiej poprosić go o wskazanie danych wejściowych, opisanie znaczenia rekomendacji, znalezienie możliwych źródeł błędu oraz zaproponowanie sposobu weryfikacji. Uczeń powinien też uzasadnić własną decyzję i wskazać, jak zmieniłaby się ona po zmianie jednego z kluczowych założeń.
Słownik pojęć
AI, sztuczna inteligencja
Metody informatyczne pozwalające systemom analizować dane, rozpoznawać wzorce, klasyfikować informacje, generować treści lub wspierać przewidywanie i decyzje. W rolnictwie AI może pracować między innymi na danych pogodowych, obrazach, danych polowych i historii produkcji.
DSS
Decision Support System, czyli system wspomagania decyzji. Łączy dane i reguły albo modele analityczne, aby dostarczyć użytkownikowi informacji potrzebnych do podjęcia decyzji.
Model chorobowy
Model oceniający warunki sprzyjające rozwojowi określonej choroby. Może wykorzystywać pogodę, zwilżenie liścia, fazę rozwoju rośliny oraz inne dane zależne od konkretnego zastosowania.
BBCH
Ujednolicona skala opisująca fazy rozwojowe roślin. W systemach wspomagania decyzji pomaga interpretować dane w odniesieniu do aktualnego etapu rozwoju uprawy.
IoT
Internet of Things, czyli Internet Rzeczy. W gospodarstwie obejmuje między innymi sensory, stacje pogodowe i urządzenia przesyłające pomiary do systemów cyfrowych.
NDVI
Normalized Difference Vegetation Index, indeks wegetacyjny wykorzystywany do obserwowania różnic w roślinności. Może wskazać strefy wymagające dalszej analizy, ale sam nie określa przyczyny problemu.
AI literacy
Zestaw wiedzy, umiejętności i postaw potrzebnych do świadomego korzystania ze sztucznej inteligencji, rozumienia jej działania, oceny rezultatów oraz rozpoznawania ograniczeń, ryzyka i konsekwencji użycia.
Podsumowanie
Nauka AI w technikum rolniczym nie powinna sprowadzać się do prezentowania narzędzi generatywnych ani gotowych rekomendacji. Jej głównym celem powinno być nauczenie ucznia, jak połączyć wiedzę rolniczą z danymi, jak sprawdzić wynik systemu i jak podjąć odpowiedzialną decyzję.
Rolnik przyszłości nie musi sam budować modelu AI. Musi jednak wiedzieć, kiedy rekomendacja jest wiarygodna, z czego wynika i kiedy trzeba ją zakwestionować. Tego właśnie warto uczyć już w szkole rolniczej.
