生來就是在亞馬遜森林裡進行研究的手機 app「Plantix」，運用人工智慧技術協助三大洲的農民迅速找出植物病蟲害的問題。
一群年輕的德國研究人員多年來在巴西雨林裡，針對土地使用習慣改變造成溫室氣體排放與減緩情況進行研究，他們的分析結果誕生出新的見解，不過跟他們合作的農民對此卻興趣缺缺。這些農民更想知道怎麼治療遭到病原體侵害的農作物。
「他們不明白我們怎麼估算出土壤裡的碳含量，而我們也無法告訴他們該如何以適當的方式治療受損的作物。」研究員 Robert Strey 說。
這項發現讓 Strey 與其妻子 Simone 領軍的團隊，將注意力轉到更急迫的農作物健康問題上，因而誕生出 PEAT Technology 公司，由 Simone 擔任執行長、Robert 擔任技術長。
今日德國、巴西和印度的農民使用 Plantix 上傳染病的農作物照片，這些照片會匯入一個龐大且不斷擴大的群眾外包資料庫，協助農民確認、治療及預防農作物再次染病。
手機 app「Plantix」使用人工智慧影像辨識軟體，
協助農民找出病原體。
App 背後的魔法
PEAT 收到照片且使用影像辨識軟體一一進行辨識時，就是它施展魔法的時候，而當PEAT 記錄新的農作物病蟲害內容時，這套軟體會變得更強大。去年這項 app 的下載量超過五萬次，有十萬張照片上傳到 PEAT 的資料庫。
PEAT 已經能辨識60多種植物病蟲害和病原體，正確率超過 90%。隨著資料庫裡的資料量增加，這些數字還會再上升。
PEAT 也希望明年在無人機、農耕機和溫室運行這套軟體，農民就能自動化進行這項流程，更快回應農作物病蟲害的情況。現在它收集這些照片，學習正確找出多種疾病，尤其是針對全球大規模種植的玉米和小麥等主要作物。
Plantix 的使用者會收到可行建議，包括疾病學名、引發原因、症狀、治療方式、預防方式等，以鼓勵提供照片。
GPU 加快訓練神經網路的速度
PEAT 使用兩顆開啟可擴充連接介面模式的 NVIDIA TITAN X GPUs，搭配 CUDA 平行運算平台和程式編寫模型，不只訓練 Plantix 背後的神經網路模型，也分析了傳入的照片，這個過程稱為推理。
PEAT 能使用 GPU 在七到十天內計算出新的神經網路，要是使用 CPU，「要30到40週的時間，這對新創公司來說太浪費了。」Strey 說。
Strey 表示團隊目前的訓練重點是辨識植物病蟲害的特徵，像是水果上的斑點或葉子上馬賽克般的變色情況，如此一來就算無法 100% 確認特定植物或疾病，也能提出改善建議。
PEAT 最終希望精進自家技術，不只針對大規模種植的農作物，而是為各類農民解決植物病蟲害的問題。