埼玉県小川町の久野農園園主、久野裕一です。

はじめに、感謝のご報告。

前回の記事を読んでいただいた旧知の知人、合同会社カタコトデザインの内田様に、「陽熱プラス」の研究者橋本様をご紹介いただき、現場に足を運んでいただきました。おふたりとの対話からいくつかひらめきが！ 追い追い記事でご紹介していきます。内田様、橋本様、暑い中お来しいただきありがとうございました！

さて、今回は前回紹介した「太陽熱処理」のデータを題材に、農家がIoTを活用するにあたって直面しがちな2つの壁と、それを乗り越えていくための視点について書いていきます。

1つ目の壁＝規格の統一性

以下の画像は、畑の状態を知るためのセンサーのデータをまとめたものです。

表を見比べてみると、微妙に表記が異なるのがわかるでしょうか？ まずはその違いを探してみてください。みなさんはいくつ違いを発見できるでしょうか？
表1 meter社EMセンサーのログデータ（地温、地中湿度）
参考：https://www.ai-nex.co.jp/ECH2Oprobe-soil.html

表2 東邦電子THセンサーのログデータ（気温、湿度）
参考：https://www.toho-inc.com/category/NO8/TSW02WR.html

まずは、表示形式の違いによる困った“あるある”です。

日にち表示、時間表示が全然違う！
センサーのメーカーやソフトによって日にち表示が違うだけで、地温と気温の関係を比較したくても手間がかかる！ あり得ない！
（→みなさんよく使っていらっしゃるMicrosoft Excelで統一するにはどんな作業が必要なのでしょうか？ 結構面倒くさそう……）

気温は小数点第1位、地温は小数点第2位表示……
さらに、センサーがはき出すCSVデータをMicrosoft Excelなどに読み込む段階で、データ文頭の0が消えたり、小数点以下第2位が0だと省略されたりして、勝手に桁数が変わってしまったりします……。
（Excel君、頼むから余計なお節介はやめてくれ！）


そもそも、どのアプリで開くとそうなるのかもよくわからない！ このあたり、小さなことだけれど、比較するときに意外と厄介な一手間がかかります。

ワタシ、こういうことにめげてしまいます。これだけの違いでも、やる気をくじく十分なきっかけになりますよね。「明日からマラソンやる！ って決めた翌日の朝に雨が降ってる」……みたいな。

今回の記事はExcelハックのような内容ではないので省略しますが、上記2つの問題に関しては、簡単なプログラムを書いて解決しました。
新しいデータをCSV形式で読み取ってPCに取り込むと、2つの異なるセンサーからのデータを、下記のような統一した表記に書き換えるように。ちなみにExcelは使っていません。


この規格問題、ある研修で知り合った友人が、政府主導の規格統一会議のメンバーでした。やがては農業現場でのIoT規格も統一の方向へ向かうでしょう。

何かとシェアや汎用性の問題があって難しいのでしょうが、規格の壁はそのうちなくなるかも。

2つ目の壁＝何がわからないのかわからない問題

次なる問題は、「単位が違う」「単位の意味がわからない」から始まる“困ったあるある”です。

前述の表2 THセンサーデータにある「Humidity」はなんとなく天気予報でよく見聞きしますよね。「今日の湿度は90％。蒸し蒸しするでしょう」という、お天気お姉さんのあの「湿度」だとわかります。

でも、あの「湿度」という単位、そもそも分母が何で分子が何か、皆さんは意識していますか？
この記事を書くためにグーグル先生に聞いてみましたが、なんだか専門的なサイトで詳しく書いてくれているけれど……ますますわからなくなりました（泣）。
参考：https://enecange.jp/articles/humidity

うーむ、まあ、湿度って言ったら「％」で表す湿度なわけですよ（爆）。意味がわからないままなんとなく使っている言葉ってあるんですね。

では、表1 EMセンサーの方の「土中湿度」の単位はいかがでしょうか？

「M3/M3」って単位は何！ もはや拒否反応。試しにこちらもグーグル先生に聞いてみました。

検索ワード「土中湿度 単位」
→検索結果
・タワーフラックス観測マニュアル
http://www2.ffpri.affrc.go.jp/labs/flux/manual/FluxManual_Ver1.10_06-36.pdf
・土壌圏物理学
http://www.bio.mie-u.ac.jp/junkan/sec1/lab5/NT/lec1/SoilPhysics4.pdf

何度読んでもよくわからない（泣）。というか、わかったような、わからないような。

似たようなデータの「湿度」と「土中湿度」。そこに相関関係はあるのかないのか。しかしその前に、分母、分子の言葉の意味が頭に入ってこない。単位の説明は、頑張って読めば文系のワタシにもかろうじて理解できるような……。

でも、本当にわからないのは、たぶん「その数字をどう評価するべきなのか」ということです。

例えば、太陽熱処理の実際の例で見てみましょう。

0.192 m3/m3（土中湿度）

という数値の時に、
・土が乾きすぎている →太陽熱処理の効果はないと考えるべき
・土がそこそこ湿っている→太陽熱処理の効果があると考えていい

一体、どちらなんでしょうね。

おそらく答えはどちらでもない。ケースバイケースだし、作業（太陽熱処理）の目的によっても変わります。データ量や種類も不足しているのでしょう。自分の経験値と、目の前の数字、数字の変化を関連づけて、相関関係を見出しながら仮説を検証していかなければなりません。

このあたりが農業の面白さでもあり、進化すべき点でもありますね。農業現場には、目的をはっきりさせずとも、見聞きしたことや経験から行ってきた作業がたくさんある。その効果が本当はどうだったかも、実はよくわからない。

どこまでいっても農業は自然相手の仕事だし、生き物が相手ですからね。わからなくたって、わかるまで待つわけにもいきません。

農業現場のIoT化によって可能になったこと

さて、ここで農業現場のIoTについて、着目・指摘しておきたいことが2点あります。IoTの導入によって変化した作業はなんなのか。

1. IoTの進化によって、時系列の連続データを自動で取得できるようになったこと

これはなかなかすごいことです。先ほどからお伝えしているように、ワタシの農園のセンサーにはロガーがついているので、気が向いた時にデータを取りに行けばいい。インターネットにつなげることも、少しのお金を出せば簡単にできる。気軽に計測してみようかな、っていう気にさせてくれます。これは重要。

しかし、実際にやってみればわかるのですが、畑のどこにセンサーを挿せば“自分の目的にかなうのか”。この問いが地味に難しい。

センサーはまだ高価なものが多いので、自然環境を前に、“挿す”場所を決めなければなりません。そのためには、何のために、どんなことをわかろうとして、どんな計測をするのか、全体像を自分で考えなくてはならない。おそらくここがセンサー導入／活用の最大の壁になっているのではないでしょうか？

「問い」がしっかり立てられていないと、センサーが記録した表を見ても、何も語りかけてくれない無機質なデータの羅列でしかありません。

センサーを設置して、データを取り、比較して相関関係を見出し、仮説を立てて、作業する。この一連の作業は、人間がかなり「頑張らなければ」できません。

「問い」→「仮説」→「データ取り」→「検証」

このプロセスの主役も、メインの作業者も人間です。これはなかなか大きな壁です。

2. AI（人工知能）によりカメラ等を活用した画像認識ができること

AIの専門家によると、上記のセンサーなどは「言い方は悪いけれど、前時代的な発明」らしいです。
（参考：＊ダントツ企業・マーケティングセミナー vol.198 松尾豊・神田昌典 人工知能研究者が考える「日本」のマーケティング）

生物のセンサーの中で、最も情報量が多いのが「目」。ただ、「これまでコンピューターが一番苦手だったのが「目」の部分で、見ればわかるものの、処理系を作るのが一番難しかった。」しかし、「2015年2月には、画像認識の精度が人間を初めて超えた！ これが大きなブレークスルーになった」のだそうです。コンピューターが「目」を持って、画像から特徴量を取り出せるようになったのだと。

センサーが、触覚や聴覚の代わりを担っていた時代から、コンピューターが、精細なカメラで見てくれる時代に変化した。

「人工知能を農機等につなぐことで、カメラが観て、特徴量を取り出し、条件分岐を入れて（ソフトの部分）作業させる（ハードの部分）」

つまりは、機械が主役になる。この転換は大きいです！

考えてみれば、篤農家の何が優れていると言えば、現場を見て「何かが違っている」ことにひと目で気づけること。見る「目」の違いなわけです。しかも、機械の目は、人間が見えないものを見てくれます（赤外線、熱等）。太陽熱処理で考えただけでも、まさに「一目瞭然」となる可能性がありますね。ワクワクしてしまいます。

まとめ

1つ目の壁のまとめ
・メーカー、機器、アプリなどで数値の表示形式、桁数が違う
→比較する時に、単位や時間を統一する手間が地味にかかる

2つ目の壁のまとめ
・計測方式によって単位が変わることがある。かつ単位が意味するところがよくわからない
→単位の説明を読んで、換算式を理解すれば、比較検討できるかも
→問題はそこではなく、数値や単位をどう評価すればいいかわからない

結局のところ、生データを見て、適切な「問い」を立て、「仮説」を導き、
自分なりの検証の道筋を見出せるかどうかが重要

農業現場のIoTの課題と可能性
課題
・各種センサーは人間の見えないものを可視化してくれる。
しかし、センサー単体では語りかけてくれない。（データの無機質な羅列にすぎない）
従って、IoTを活用する全体像を自分で設計する必要がある。（「問い」→「仮説」→「データ取り」→「検証」）

可能性
・コンピューターが「目」を持つことで、可能性が飛躍的に大きくなった。
篤農家以上の目を持ち始めている事実に注目すべき。


さて、今年の夏は本当に暑かったですね。暑い中、畑を這いずり回って、マルチを張ったり剥がしたり。種をまいたり、除草したり。

太陽熱処理もまだまだ課題が多いブラック労働です。次回はもう少しデータに踏み込んで、データと対話し、ブラック労働解決の糸口を見出したいと思います。

＜参考文献＞
「人工知能は人間を超えるか（ディープラーニングの先にあるもの）」松尾豊 角川EPUB選書