Flash Voedselketen^Grotere paprika’s door AI

Hoe groter hoe beter?
Ik vind van niet. We streven wel naar een grotere biodiversiteit in de natuur, maar verkleinen de soortendiversiteit voor op tafel.

Er zijn rode, gele, oranje, groene, violette, zwarte, nagenoeg witte, in verschillende vormen én groottes, dikwandig, dunwandig, ook al zonder zaden gezien (Lidl). De kleine zijn ideaal om tapa's van te maken, om te garneren, net als kerstomaten. Verder zijn er verschillende smaken, bitter, zoet, superzoet en licht gepeperd.
'Yummy Gold' F1 en 'Lunchbox Orange' F1 zijn perfecte “snackpaprikaatjes” met een overvloed aan 5 cm lange, slanke helderoranje zoete vruchtjes, knapperig, verrassend aromatische smaakmakers, bijna zonder zaadjes en lang houdbaar in de koelkast. Heerlijk om zo te snoepen of om te vullen met kaas of rauw in een salade.
'Sweet Boneta' en 'Paragon' komen uit Oekraïne en geeft zeer goede groei- en oogstresultaten (binnen en buiten de kas) in Noord-Europa. (alleen voor de zomer natuurlijk).
Wordt het scherper, dan noemen we het 'peper'. Ook daarvan zijn er veel soorten, kleuren en sterktes. Sommige kunnen de meeste mensen vanwege hun scherpte niet eten.

Wat zien we hiervan terug in de winkel? Nagenoeg niets, soortenarmoede, maar wel steeds groter en groter, waardoor inmiddels voor veel culinaire toepassingen onbruikbaar.
Alleen de hobbyist met beschut tuintje, balkon of koude kas kan nog kiezen uit de vele soorten in zaadvorm, verzameld door enkele enthousiaste zaadhandelaren zoals dit familiebedrijf sinds 1926 in Dordrecht.

Is dat AI of gewoon klassieke wiskundige modellen?

Teelt in kassen leent zich uitstekend voor het toepassen van AI. Er is veel data over inputs (licht, CO2) en output (zoveel kilo paprika's van een bepaalde kwaliteit), correlaties tussen input en output zijn duidelijk (meer licht is meer productie, hogere temperatuur is meer snelheid), en toepassen in de praktijk is relatief eenvoudig (sturing kasklimaat).

Over tomaten teelt en komkommers weet ik niet zoveel. Over data verwerken in agrifood meen ik wel een beetje te weten. Ik werk bijna 25 jaar in het R&D domein, de eerste 'virtual factory' projecten zijn minstens net zo oud. Bij ATO-DLO (nu WFBR) hoorde ik echt al twintig jaar geleden over big-data en semantiek. Ik heb moeite met AI als belofte van verbeteringen. Ik kan je verzekeren dat in de voedselfabrieken die ik ken, de datasets groot zijn (maar ook niet echt goed aansluitbaar) en dat er dus weinig AI praktijk is. Misschien is dat anders bij kassen. Als je relaties wilt kunnen maken tussen heel veel inputs en de output (kwaliteit en hoeveelheid productie) dan moet je a) deze informatie hebben, b) correlaties kunnen maken, c) de modellen ook kunnen toepasen in de praktijk. Mijn deja vu is dat diegene die leven in de wereld van de bits and bytes (digitale wereld) net iets te weinig weten van de wereld van de atomen en moleculen (de echte wereld). Nogmaals, misschien vergis ik me helemaal.

Dank voor jullie reacties!