Η flavescence dorée είναι υποχρεωτικής καταπολέμησης ασθένεια στη Γαλλία, με τη Σαμπάνια να επενδύει συστηματικά σε μηχανισμούς έγκαιρου εντοπισμού. Στην πιο πρόσφατη εκστρατεία επιθεώρησης, αμπελουργοί και τεχνικοί κάλυψαν 22.350 εκτάρια σε 264 μισές εργάσιμες ημέρες, έπειτα από 27.000 προσκλήσεις προς παραγωγούς. Συνολικά συμμετείχαν 480 αμπελουργοί και 80 εθελοντές εμπειρογνώμονες. Παρ’ όλα αυτά, δεν κατέστη δυνατή η επιθεώρηση και των 35.000 εκταρίων που απαρτίζουν την ονομασία προέλευσης της Καμπανίας.
Πιο συγκεκριμένα, ο Mathieu Liébart, υπεύθυνος έργου της Επιτροπής, εξήγησε ότι η παραδοσιακή μέθοδος είναι εξαιρετικά χρονοβόρα και με περιορισμένη αποτελεσματικότητα, καθώς το ποσοστό ανίχνευσης από ανθρώπινο παρατηρητή εκτιμάται περίπου στο 50%. Αυτό σημαίνει ότι προσβεβλημένα πρέμνα μπορεί να διαφεύγουν, ενώ υγιή να επισημαίνονται λανθασμένα.
Παράλληλα, τα τελευταία πέντε χρόνια, η Επιτροπή Σαμπάνιας αναπτύσσει συστήματα τεχνητής νοημοσύνης εκπαιδευμένα με χιλιάδες εικόνες φύλλων, τόσο υγιών όσο και προσβεβλημένων από flavescence dorée ή άλλες ασθένειες με παρόμοια συμπτώματα. Τα πιο πρόσφατα εργαστηριακά αποτελέσματα δείχνουν ποσοστά αναγνώρισης άνω του 80%, φτάνοντας σε ορισμένες περιπτώσεις έως και το 94%, ιδιαίτερα σε φύλλα Chardonnay που συλλέγονται τον Ιούλιο.
Ωστόσο, η εφαρμογή της τεχνολογίας στον αμπελώνα παραμένει πρόκληση. Η επεξεργασία τεράστιων όγκων δεδομένων σε πραγματικό χρόνο καθιστά προς το παρόν μη εφικτή τη χρήση καμερών σε τρακτέρ ή drones. Η έρευνα συνεχίζεται με στόχο τη γεφύρωση αυτού του τεχνικού χάσματος.
Παράλληλα, η κοινοπραξία πίσω από την εφαρμογή Pl@ntNet εργάζεται στην ανίχνευση φυτικών ασθενειών μέσω τεχνητής νοημοσύνης. Η εφαρμογή αριθμεί περίπου 25 εκατομμύρια χρήστες παγκοσμίως και αναγνωρίζει φυτικά είδη από φωτογραφίες, αν και η διάγνωση ασθενειών παραμένει πιο σύνθετο εγχείρημα. Προς το παρόν, το σύστημα μπορεί να αναγνωρίσει επτά ασθένειες φυλλώματος στην ελαιοκράμβη, ενώ επεκτείνεται στην αναγνώριση ποικιλιών και στην αξιολόγηση της βιοποικιλότητας.
Η Lydia Bousset-Vaslin, ερευνήτρια στο INRAE στη Ρεν, κάλεσε τον αμπελοοινικό τομέα να συμβάλει ενεργά, αποστέλλοντας σχολιασμένες εικόνες ασθενειών της αμπέλου, ώστε να βελτιωθεί η ακρίβεια των αλγορίθμων. Για την ανάλυση εικόνων, χρησιμοποιείται το μοντέλο DINOv2 της Meta, το οποίο απαιτεί ευρύ και πολυμορφικό οπτικό υλικό που καλύπτει όλα τα στάδια εξέλιξης μιας ασθένειας.
Στο ίδιο συνέδριο, η Stéphanie Marchand-Marion, καθηγήτρια στο Ινστιτούτο Επιστημών Αμπέλου και Οίνου του Μπορντό, παρουσίασε εφαρμογές τεχνητής νοημοσύνης στην ανάλυση κρασιών. Το 2023, σε συνεργασία με Ελβετό ερευνητή, ανέλυσε χρωματογραφήματα κρασιών από Saint-Émilion και Médoc, με την τεχνητή νοημοσύνη να διαχωρίζει επιτυχώς τις δύο προελεύσεις — κάτι που δεν κατέστη δυνατό με συμβατικές μεθόδους.
Αναφέρθηκε επίσης σε ισπανική μελέτη όπου η τεχνητή νοημοσύνη, σε συνδυασμό με χρωματογραφία και βολταμετρία, περιέγραψε τα γευστικά χαρακτηριστικά 30 ισπανικών και αυστραλιανών κρασιών με ακρίβεια συγκρίσιμη με εκείνη επαγγελματικής ομάδας γευσιγνωσίας, προσφέροντας ταχύτερη και λιγότερο δαπανηρή αισθητηριακή αξιολόγηση.
Τέλος, παρότι η πλήρης επιχειρησιακή εφαρμογή παραμένει στόχος υπό διαμόρφωση, η πρόοδος που παρουσιάστηκε στο Saumur επιβεβαιώνει ότι η τεχνητή νοημοσύνη εξελίσσεται σε κρίσιμο εργαλείο τόσο για την αμπελουργία όσο και για την οινολογία, με τον κλάδο να καλείται πλέον να συμμετάσχει ενεργά στη διαμόρφωση αυτής της μετάβασης.
