کمبل ۳۸ ساله که قبلا در دانشگاه تدریس می‌کرد، در اقدامی جسورانه زندگی‌اش را تغییر داده و به کشاورزی روی آورد. او در تحقیقاتش نظرات زیاد و مختلفی در مورد انواع شته‌ها و بیماری‌های گیاه دریافت کرد، اما فایده نداشت. تا اینکه با اپلیکیشن Plantix آشنا شد و از طریق آن از گیاهان فلفل مریضش عکس گرفت. این اپلیکیشن که با تکنولوژی یادگیری ماشینی و تشخیص عکس کار می‌کند، اطلاعات گیاه را با استفاده از منبع داده‌ای گسترده از گونه‌های گیاهی مختلف، تحلیل کرده و ظرف مدت دو دقیقه پاسخی درست و متفاوت برای کمبل فرستاد: گیاهان فلفل او به اندازه کافی آب دریافت نکرده بودند و به کمی مکمل غذایی که باید به آنها اسپری می‌شد، نیاز داشتند.

در مدت چند هفته، فلفل‌های کمبل به سایز مناسب رسیدند. او در حال حاضر از این اپلیکیشن استفاده می‌کند تا بتواند محصول شیمیایی خودش را به محصولی ارگانیک تبدیل کند و آن را به اروپا صادر کند. او می‌گوید: «دیگر از آدم‌ها کمک نمی‌گیرم.»

افزایش بازدهی محصولات یک کشاورز خرد ممکن است اتفاق بزرگی نباشد، اما این کشاورزان دامنه گسترده‌ای از تولید مواد غذایی در دنیا را تشکیل می‌دهند. حدود ۷۰ درصد مواد غذایی دنیا به کمک کشاورزانی با مزارع کوچک همچون کمبل تامین می‌شود و به گفته سیمونه استری، مدیر عامل و از موسسان استارت‌آپ Peat واقع در برلین که اپلیکیشن Plantix را ساخته، تعداد این افراد در سراسر دنیا به ۵۰۰ میلیون نفر می‌رسد. این استارت‌آپ از تصاویری که امثال کمبل می‌فرستند استفاده می‌کند تا تصویری بزرگ‌تر و جامع‌تر در مورد سلامت محصولات غذایی در هند و کشورهای دیگر ایجاد کند.

شرکت Peat که خانم استری و همسرش با کمک یک متخصص یادگیری ماشینی در سال ۲۰۱۵ تاسیس کردند، در حال حاضر ۶۲۰ هزار کاربر ماهانه فعال دارد و ۸۰ درصد این کاربران در هند هستند.

سندیپ شینده کشاورز دیگری است که از Plantix برای زمین ۱۰ هکتاری خود استفاده می‌کند. او در این زمین گوجه‌فرنگی، کلم و چغندر می‌کارد و با اینکه ۱۳ سال تجربه کار کشاورزی دارد، معتقد است سیستم پیشنهاد خودکار این اپلیکیشن و شبکه گفت‌وگویی که با کشاورزان دیگر ایجاد کرده، به افزایش بازدهی مزرعه او هم کمک کرده است.

اما چیزی که برای کشاورزان خرد خوب بوده و به آنها کمک کرده، می‌تواند برای شرکت‌های بزرگ کشاورزی و شیمیایی جهانی هم مفید باشد. شرکت Peat برای مدل کسب‌وکار اولیه، پیوندی بین دو دنیای کشاورزی خرد و جهانی پیدا کرده و نرم‌افزارش را در ترکیب با نرم‌افزار مدیریت محصول شرکت شیمیایی آلمانی BASF به نام Maglis به کار گرفته است.

کشاورزان حرفه‌ای که از نر‌م‌افزار Maglis استفاده می‌کنند، نسبت به کشاورزان خرد هندی حوزه کاری گسترده‌تری دارند. آنها همچنین به‌طور متناوب از نرم‌افزار Peat استفاده می‌کنند که این رقم به بیش از ۱۲ هزار بار در هر ماه می‌رسد. این استارت‌آپ برای هر ارتباط روی API خودش یا هر باری که کشاورزان حرفه‌ای روی اپلیکیشن Maglis از شرکت Peat کمک می‌گیرند، مبلغی کارمزد دریافت می‌کند.

البته Peat می‌تواند از تصاویری که کشاورزان حرفه‌ای و بزرگ‌تر می‌فرستند، برای تقویت الگوریتم‌های تشخیص عکس خودش هم استفاده کند. این کار از جریان درآمدی شرکت (که مبلغ سالانه آن هنوز زیر یک میلیون دلار است) ارزشمندتر است. با این کار آنها می‌توانند مدل‌های پیش‌بینی‌کننده در مورد شیوع بیماری‌های گیاه، از گندم گرفته تا سیب‌زمینی و انار، ایجاد کنند و بر تولید مواد غذایی در سطح دنیا اثر بگذارند.

خانم استری که خودش قبلا جغرافی‌دان و خاک‌شناس بوده، در حال حاضر یک متخصص امور داده در تیمش دارد و قصد دارد این اطلاعات پیش‌بینی‌کننده را به دولت‌ها، بیمه‌گرها و تامین‌کننده‌های کشاورزی بفروشد؛ به‌خصوص دو مورد آخر، ذی‌نفعانی هستند که بیشترین پتانسیل خرید این‌گونه داده‌ها را دارند.

استری می‌گوید: «وقتی با تامین‌کنندگان بذر صحبت می‌کنیم، می‌گویند هیچ داده‌ای نداریم که بدانیم کشاورزان خرد به چه چیزی نیاز دارند.» او اضافه می‌کند که این مساله در مورد کشاورزان آسیایی و آفریقایی هم صدق می‌کند و بیشتر آنها روی زمین‌هایی که کمتر از ۲ هکتار وسعت دارد کار می‌کنند. «حتی در این مقیاس هم هیچ پایگاه داده‌ای برای این کشاورزان وجود ندارد.»  ایده راه‌اندازی Peat در پاییز ۲۰۱۴ به ذهن استری و همسرش رسید؛ زمانی که تحقیقاتی روی خاک در برزیل انجام می‌دادند. در یک روستا آنها کشاورزی را دیدند که عنوان می‌کرد هر وقت سعی می‌کند در گوگل در مورد مشکل یا بیماری گیاهی جست‌وجو کند، به نتیجه خاصی نمی‌رسد. این زوج بعد از شنیدن حرف‌های کشاورز به این نتیجه رسیدند که برای کشاورزان راحت‌تر است عکسی از گیاه خودشان بگیرند و برای حل مشکل، پاسخی اتوماتیک دریافت کنند.

شرکت Peat امروز ۲۵ کارمند دارد و نزدیک به ۵ میلیون دلار سرمایه جذب کرده است. اپلیکیشن این شرکت اگر بتواند در دنیای کشاورزان خرد کشورهای در حال توسعه به خوبی جا بیفتد، نشان می‌دهد گسترش هوش مصنوعی یا ابزارهای یادگیری ماشینی چگونه می‌تواند انبوه داده‌ها را به چیزی ارزشمند تبدیل کند.