Page 135 - 大数据背景下网络安全问题研究

» 第五章 机器学习在网络信息安全中的应用

况下，确保印度的粮食和营养安全。
（二）机器学习在农业应用的关键瓶颈
机器学习是个典型的数据驱动问题，而农业数据并不丰富，同时不同的领域数
据的丰度不均衡。机器学习需要大量的标注数据，农业数据治理需要大量的工作，导
致机器学习应用的成本很高。农业环境变化大，影响因子多，给环境带来很大的不确

定性。农业生产对象是生命体，具有非常强的独特性，造成了机器学习应用的高度差
异。农业是个基础性行业，同时是一个资本密集型行业，投资大利润薄回报周期长，
应用技术必须具有很好的投资预期，否则难以被市场接受。

1.数据资源建设困难
农业是典型的非结构化应用场景。农业应用中涉及的数据种类多，利用机器学
习，目前的算法需要大量的标注，工作量巨大。农作物受到众多因子的影响，在实际
生产中，确实很难做到将所有的农业数据采集并加以研究。所以，如何合理地采集并

利用农业数据，在数据规模和产业效益间做到平衡，是一件非常困难的事情。
2.生产环境的不确定性
与工业上应用机器学习不同，农业环境中土壤、水分、阳光等各种要素，都处于

不停地变动中，可以不夸张地说，农业环境时刻都处于变化中。农业生产环境的开放
性，决定了在农业中应用机器学习必须接受农业环境时空异质性的挑战，机器学习在
农业中的应用充满了挑战性。
3.生产对象的高度差异性
农业智能设备必须具有一定的通用智能，才可能在农业中得到应用。收割机既可

以收割玉米，又可以收割高粱才能够提高设备的利用效率。然而，在农业中不仅仅是
不同的作物之间有着巨大的差异，即使是同一种作物也存在巨大的差异，给机器学习
的训练带来了巨大的困难，限制了机器学习在农业中的应用。

（三）机器学习在农业应用研究展望
机器学习在大数据技术的推动下，特别是在无特征大数据聚类算法的加持下，
基于机器的人工智能在各个垂直领域的商业应用，取得了空前的成绩，大大鼓舞了人
们对人工智能研究与应用的信息。机器学习的发展过程，经历了基于规则的机器学习

和基于数据的机器学习的两个过程，机器学习起始于规则学习，兴盛于数据学习。目
前，主要是基于连接主义学习原理的神经网络的机器学习，深度学习（包括增强学
习、对偶学习等）算法是目前机器学习的重要支撑。但是，由于深度学习对大量低质
量数据的高度依赖，导致了对巨量计算力的需求，同时学习过程的不可解释性也限制

了在一些行业的应用。并且人类的本性，将会持续地关注基于人类知识的机器学习。
推动机器学习在农业上的应用，就是要遵循机器学习发展的基本规律，结合农业

• 123 •