«Поставьте нейросеть» — фраза опасная. Под ней прячутся совсем разные инструменты. Это как сказать «поставьте технику»: трактор, опрыскиватель и холодильник — всё техника, но задачи разные. Если перепутать, потратите деньги и время и решите, что «ИИ не работает».
В этой статье — три семейства, которые чаще всего встречаются в агро: CNN (глаза для фото), RNN/LSTM (память для рядов показаний) и LLM (текстовый помощник). Без лишней математики. С примерами из теплицы и поля. Общий смысл серии — во вводной статье, график — в плане.
Зачем фермеру вообще выбирать тип
У вас обычно одна из трёх болей:
- не успеваете смотреть растения;
- не успеваете читать длинные графики датчиков;
- вечером нужен чек-лист: что проверить по симптомам.
Под каждую боль — свой инструмент. Хорошая новость: начинать можно с одной узкой задачи. Плохая: «универсальная нейросеть на всё» в рекламных презентациях почти всегда преувеличение.
CNN — «глаза» системы
CNN (свёрточная сеть) заточена под картинки. Она ищет на фото локальные признаки: край пятна, текстуру налёта, форму повреждения. Для вас это звучит абстрактно — на практике ближе к опытному глазу бригадира, которому показали тысячу листьев.
Где помогает:
- подозрение на болезнь или вредителя по фото листа;
- сортировка плодов по дефектам на приёмке;
- контроль «всё ли зелёное» на контрольном кусте в теплице;
- позже — связка с ESP32-CAM для регулярной съёмки.
Аналогия. Вы учите нового человека не теорией фитопатологии, а папкой фото: «это норма, это фитофтора, это ожог». Через время он начинает узнавать похожее. CNN делает то же, только быстрее и без обедов.
Ограничения. Модель тупеет, если свет другой, фон хаотичный, лист мокрый от конденсата, а в обучении были только «лабораторные» снимки. Поэтому после готовой модели почти всегда нужно дообучение на своих фото.
С чего начать: готовая модель на Raspberry Pi — сфотографировали лист, получили вероятности классов. Это самый понятный первый успех.
RNN и LSTM — работа с историей
Растения и климат — это не один кадр, а последовательность: что было ночью, вчера, на прошлой неделе. RNN и популярный вариант LSTM как раз умеют смотреть на ряды чисел во времени.
Где помогает:
- риск заморозка с учётом давления, влажности и хода температуры;
- странности полива: после команды «лить» влажность не растёт как обычно;
- «поле ведёт себя не как в прошлые тёплые недели» — мягкая аномалия.
Аналогия. Опытный овощевод чувствует: «перед такой ночью у нас всегда подмораживало у плёнки». Он не смотрит одну цифру термометра — он помнит сочетания. LSTM пытается выучить похожие сочетания из вашего журнала датчиков.
Важная оговорка. Если задача простая («T < 2 °C — алерт»), нейросеть не нужна. Сначала поставьте честные пороги и нормальный монтаж датчиков влажности и метеостанции. Модель имеет смысл, когда факторов много и глаз уже устаёт.
Подробный разбор — в статье про прогноз по данным датчиков.
LLM — текстовый консультант
LLM (большая языковая модель) — это ChatGPT, GigaChat, Llama и похожие. Они обучены на тексте. Умеют отвечать на вопросы, составлять списки проверок, пересказывать длинные инструкции проще.
Где помогает:
- «Желтеют нижние листья томата при капле — что проверить первым?»
- черновик дневника поля по вашей сводке за сутки;
- разбор регламента простым языком (с последующей проверкой!).
Аналогия. Поздний звонок знакомому агроному: он не едет к вам в теплицу, но задаёт умные вопросы и предлагает порядок осмотра. LLM похож на такого собеседника — только доступен в полночь. И иногда уверенно несёт чушь.
Правило безопасности: модель не назначает СЗР «к исполнению». Она предлагает гипотезы. Дозы, сроки ожидания, запреты — только из проверенных источников и вашей ответственности. Подробнее — в статье про LLM как агроконсультанта.
Сравнение в одной таблице
| Тип | На что смотрит | Типичная боль | С чего начать |
|---|---|---|---|
| CNN | Фото, видео | Не успеваю смотреть листья | Pi + готовая модель, свои фото |
| RNN / LSTM | Ряды датчиков | Пропускаю заморозки и сбои полива | Сначала пороги, потом история CSV |
| LLM | Текст | Нужен чек-лист вечером | Аккуратный промпт + проверка человеком |
Что выбрать первым — честный порядок
Если боль про болезни и осмотр — берите CNN. Результат видно глазами: фото и подпись. Мотивация не гаснет.
Если боль про климат и полив — сначала доведите до ума датчики и алерты (автополив, журнал). Потом уже думайте про LSTM.
Если боль про «некому спросить» — LLM как помощник для структуры мышления, не как автопилот опрыскивателя.
Позже системы склеиваются: камера даёт событие, датчики дают контекст, текстовая модель формулирует сводку. Это уже уровень моста и агентов. Не прыгайте туда в первую неделю.
Частые ошибки выбора
- Купить «ИИ-камеру» и ждать диагноз лучше агронома без своих фото и калибровки.
- Кормить LLM сырыми тысячами точек датчиков каждую минуту — дорого и бессмысленно. Нужна сводка.
- Считать, что одна модель заменит и зрение, и полив, и бухгалтерию.
Сколько это примерно стоит по направлениям
- CNN-пилот: Raspberry Pi + камера — порядка 8–15 тыс. ₽.
- Ряды датчиков: если MQTT уже есть, добавка — в основном время на аккуратный журнал и скрипт.
- LLM: от бесплатных лимитов до небольших сумм в месяц за API; локально — нужен ПК с видеокартой.
Живой пример: одна теплица, три инструмента
Представьте теплицу с томатом. Утром камера на контрольном ряду сняла лист с подозрительным пятном — это работа CNN. Ночью давление падало, к утру у двери похолодало сильнее обычного — об этом шепчет модель по датчикам (RNN/LSTM или даже умная статистика). Вы пишете в бот: «пятно + холодная ночь, что проверить до обеда?» — отвечает LLM чек-листом: свет, полив вчера, конденсат, сравнение с соседним кустом.
Ни один из трёх кусков сам по себе не «ведёт теплицу». Вместе они экономят время осмотра и снижают шанс пропустить дорогую мелочь. Именно поэтому в серии мы идём по очереди, а не прыгаем сразу к «агентам».
Как объяснить это бригаде без страшных слов
На планёрке можно сказать так:
- «Коробка смотрит фото листьев и орёт, если что-то похоже на болезнь» — CNN;
- «Программа смотрит историю термометров и предупреждает о плохой ночи» — ряды датчиков;
- «В телефоне можно спросить чек-лист, как у знакомого агронома, но проверяем сами» — LLM.
Если человек понимает задачу на этом языке — он не будет ждать магии и не разочаруется в первую неделю.
Мини-чеклист выбора на неделю
- Запишите одну боль хозяйства одной фразой.
- Сопоставьте с таблицей выше.
- Выделите два вечера и бюджет до 15 тыс. ₽ на пилот (если нужен Pi).
- Определите, что будет считаться успехом: «хотя бы пять полезных алертов за две недели», а не «ИИ сам всё сделал».
- Только после этого читайте следующую практическую статью серии.
Главное
Не ищите «лучшую нейросеть вообще». Ищите инструмент под конкретную боль хозяйства. CNN — когда нужны глаза. RNN — когда нужна память по времени. LLM — когда нужен разговор и чек-лист. Следующий практический шаг серии — запуск готовой модели на Raspberry Pi: вы увидите, как «глаза» работают на вашем листе за один вечер.
Обзор всех материалов — в плане статей.
