Sztuczna inteligencja dotarła również do hodowli roślin. Coraz częściej pojawiają się hasła takie jak AI breeding, predictive breeding, machine learning-assisted selection czy data-driven genetics.
Brzmi to tak, jakby komputer mógł otrzymać zestaw parametrów:
wysoki plon + odporność na choroby + określony profil chemiczny + szybkie kwitnienie + stabilność
a następnie „zaprojektować” idealną odmianę.
Tyle że rzeczywista rola AI w hodowli jest znacznie bardziej złożona.
Algorytm nie tworzy genetyki z niczego. Nie omija biologii. Nie zastępuje populacji hodowlanych, rekombinacji, fenotypowania ani walidacji.
Może jednak zrobić coś niezwykle wartościowego:
pomóc przewidzieć, które rośliny i które krzyżowania mają największą szansę dać pożądany rezultat.
I właśnie w tym sensie AI może rzeczywiście zmienić breeding.
AI nie projektuje rośliny. AI projektuje decyzję
Najważniejsze nieporozumienie zaczyna się już od samego słowa „projektowanie”.
W inżynierii można zaprojektować element o dokładnie określonych parametrach. W klasycznej hodowli roślin breeder nie dysponuje takim poziomem kontroli.
Ma natomiast:
- określoną pulę alleli,
- rodziców o konkretnych genotypach,
- rekombinację,
- mutacje,
- środowisko,
- losowość segregacji,
- ograniczoną odziedziczalność wielu cech.
Algorytm nie usuwa tych ograniczeń.
Może jedynie analizować prawdopodobieństwa.
Dlatego bardziej precyzyjne zdanie brzmi:
AI nie projektuje gotowej odmiany. AI może optymalizować ścieżkę prowadzącą do odmiany.
To zasadnicza różnica.
1. Skąd AI bierze wiedzę?
Model uczenia maszynowego potrzebuje danych treningowych.
W breeding’u mogą nimi być między innymi:
- dane SNP,
- pełne lub częściowe sekwencje genomowe,
- rodowody,
- profile ekspresji genów,
- metabolomika,
- dane środowiskowe,
- obrazy roślin,
- pomiary wzrostu,
- dane chemiczne,
- informacje o plonie,
- odporność na choroby,
- termin kwitnienia,
- wyniki doświadczeń wielośrodowiskowych.
Najcenniejszym zbiorem jest zazwyczaj taki, w którym dla tych samych genotypów mamy równocześnie:
GENOTYP + FENOTYP + ŚRODOWISKO
Bez tego model nie ma czego się nauczyć.
Jeżeli firma twierdzi, że posiada „AI breeding platform”, pierwszym pytaniem powinno więc być:
na jakich danych ten model został wytrenowany?
2. Genomic prediction – najważniejszy naukowy fundament AI breeding
Najbliższym naukowo odpowiednikiem tego, co marketing nazywa AI breeding, jest często genomic prediction.
Model otrzymuje informacje o markerach genetycznych i próbuje przewidzieć wartość cechy.
W klasycznej genomic selection wynikiem może być:
GEBV – Genomic Estimated Breeding Value
czyli przewidywana wartość hodowlana osobnika.
Schemat wygląda następująco:
populacja treningowa
genotyp + fenotyp
↓
model
↓
genotyp nowego osobnika
↓
przewidywana wartość hodowlana
To nie wymaga, abyśmy znali każdy biologiczny mechanizm odpowiedzialny za cechę.
Model może wykorzystywać łączny sygnał pochodzący z tysięcy lub milionów markerów.
To szczególnie istotne dla cech poligenicznych.
3. Dlaczego machine learning może być lepszy od prostego modelu?
Wiele klasycznych metod genomic prediction opiera się na modelach liniowych.
Zakładają one w uproszczeniu, że poszczególne warianty genetyczne wnoszą określony efekt do fenotypu.
Jednak rzeczywista biologia może zawierać:
- dominację,
- epistazę,
- nieliniowe interakcje,
- efekty progowe,
- interakcje genotyp × środowisko.
Tutaj pojawia się potencjalna przewaga machine learning.
Modele takie jak:
- random forest,
- gradient boosting,
- support vector machines,
- sieci neuronowe,
- deep learning
mogą próbować wychwytywać bardziej skomplikowane zależności.
Ale „bardziej skomplikowany model” nie oznacza automatycznie „lepszy model”.
Jeżeli zbiór treningowy jest niewielki, prostszy model może być dokładniejszy.
To bardzo ważne w hodowli roślin, gdzie liczba markerów może być ogromna, a liczba dobrze fenotypowanych genotypów relatywnie mała.
4. Problem p >> n
To klasyczny problem genomiki.
Możemy mieć:
p = 500 000 markerów
i jednocześnie:
n = 1 000 roślin
czyli znacznie więcej zmiennych niż obserwacji.
W takim układzie bardzo łatwo zbudować model, który doskonale „zapamięta” dane treningowe, ale słabo poradzi sobie z nowymi roślinami.
To zjawisko nazywamy overfittingiem.
Model wygląda wtedy świetnie w prezentacji:
accuracy 98%
ale po zastosowaniu do nowej populacji jego dokładność gwałtownie spada.
Dlatego prawdziwa wartość modelu nie powinna być oceniana po tym, jak dobrze opisuje dane treningowe.
Powinna być oceniana po tym, jak dobrze przewiduje:
dane, których wcześniej nie widział.
5. Cross-validation – miejsce, gdzie kończy się marketing
Jednym z najważniejszych narzędzi oceny modeli jest cross-validation.
Dane dzieli się na część treningową i walidacyjną.
Model uczy się na jednej części, a następnie próbuje przewidzieć pozostałą.
Przykładowo:
80% danych → trening
20% danych → test
Albo wykorzystuje się k-fold cross-validation.
To jednak nadal może być niewystarczające.
Jeżeli rośliny w zbiorze treningowym i testowym są bardzo blisko spokrewnione, model może osiągać świetne wyniki głównie dlatego, że rozpoznaje strukturę rodzinną.
Znacznie trudniejszym testem jest:
- przewidywanie nowych rodzin,
- przewidywanie nowych generacji,
- przewidywanie nowego środowiska,
- przewidywanie materiału genetycznego spoza głównej populacji treningowej.
Dopiero wtedy zaczynamy sprawdzać, czy model naprawdę generalizuje.
6. AI nie zna przyczyn. Może znać korelacje
Machine learning może znaleźć bardzo silny wzorzec statystyczny bez zrozumienia biologii.
To zarówno zaleta, jak i zagrożenie.
Jeżeli pewien zestaw markerów pozwala przewidzieć cechę, model może go wykorzystać nawet wtedy, gdy nie wiemy dokładnie, które warianty są funkcjonalnie odpowiedzialne za efekt.
Ale korelacja może wynikać z:
- linkage disequilibrium,
- struktury populacji,
- pokrewieństwa,
- przypadkowej korelacji,
- specyfiki konkretnego zbioru danych.
Dlatego model predykcyjny może być praktycznie użyteczny, a jednocześnie nie mówić niczego pewnego o mechanizmie biologicznym.
To jedna z najważniejszych różnic pomiędzy:
prediction
a
causal biology.
7. Czy AI może wybrać najlepszych rodziców?
Tak — i to jest jedno z najbardziej interesujących zastosowań.
Klasyczny breeder wybiera rodziców na podstawie:
- fenotypu,
- rodowodu,
- doświadczenia,
- wyników potomstwa.
Model może dodatkowo analizować genomiczne pokrewieństwo i przewidywać wartość różnych kombinacji rodzicielskich.
Nie chodzi tylko o pytanie:
„Która roślina jest najlepsza?”
Ale:
„Które dwie rośliny razem dadzą najlepszą populację potomną?”
To znacznie trudniejszy problem.
Dobry rodzic nie zawsze tworzy najlepsze potomstwo z innym „dobrym” rodzicem.
Liczą się:
- komplementarność alleli,
- rekombinacja,
- możliwość uzyskania transgresji,
- poziom inbredu,
- wariancja oczekiwana w potomstwie.
Algorytm może więc pomagać optymalizować mate selection.
8. Expected Cross Value – przewidywanie wartości krzyżowania
Nowoczesne modele mogą próbować szacować nie tylko średnią oczekiwaną wartość potomstwa, ale również jego potencjalną zmienność.
To fundamentalne.
Wyobraźmy sobie dwa krzyżowania:
A × B
i
C × D
Pierwsze może dawać średnio bardzo dobre potomstwo, ale o małej zmienności.
Drugie może mieć nieco niższą średnią, ale bardzo szeroki rozkład, dzięki któremu istnieje większa szansa uzyskania ekstremalnie dobrych rekombinantów.
Dla hodowcy interesującego się selekcją najlepszego 1% populacji druga kombinacja może być bardziej wartościowa.
AI może próbować optymalizować właśnie takie scenariusze.
9. Czy algorytm potrafi „symulować potomstwo”?
Do pewnego stopnia — tak.
Jeżeli znamy genotypy rodziców i strukturę genomu, można symulować:
- segregację alleli,
- crossing-over,
- prawdopodobne genotypy potomstwa,
- rozkład genomic breeding values.
Można więc komputerowo wygenerować tysiące lub miliony potencjalnych rekombinantów i oszacować, które krzyżowania mają największy potencjał.
Nie oznacza to jednak, że konkretna rzeczywista siewka będzie odpowiadać symulacji.
Rekombinacja pozostaje procesem losowym.
Model operuje rozkładem prawdopodobieństwa, nie gwarancją.
10. Multi-trait breeding – prawdziwy problem „projektowania”
Hodowca prawie nigdy nie chce poprawić tylko jednej cechy.
Interesuje go kombinacja.
Przykładowo:
- wydajność,
- odporność,
- termin kwitnienia,
- architektura,
- stabilność,
- jakość produktu.
Problem polega na tym, że cechy mogą być ze sobą:
- dodatnio skorelowane,
- niezależne,
- ujemnie skorelowane.
Możliwa jest sytuacja, w której allele zwiększające jedną cechę pogarszają inną.
Dlatego breeder stosuje często selection index.
W uproszczeniu:
I = b₁x₁ + b₂x₂ + b₃x₃ + …
gdzie poszczególnym cechom przypisuje się różne wagi.
AI może rozbudować ten model o nieliniowe zależności i dynamiczną optymalizację.
Ale nadal ktoś musi podjąć decyzję:
co właściwie oznacza „lepsza odmiana”?
Algorytm nie ustala celu sam.
Cel ustala hodowca.
11. Pareto frontier – nie istnieje jedna idealna roślina
W optymalizacji wielokryterialnej często nie istnieje jedno rozwiązanie najlepsze pod każdym względem.
Możemy otrzymać zestaw rozwiązań typu Pareto.
Jedna linia może mieć:
większy plon, ale późniejsze dojrzewanie.
Inna:
niższy plon, ale większą odporność.
Jeszcze inna:
lepszą jakość, ale mniejszą stabilność w różnych środowiskach.
AI może pokazać breederowi takie kompromisy.
Nie może jednak powiedzieć obiektywnie, który kompromis jest „najlepszy”.
To zależy od celu programu hodowlanego.
12. G×E: wielki problem AI breeding
Jedną z największych trudności jest genotype-by-environment interaction.
Ten sam genotyp może zachowywać się odmiennie zależnie od:
- temperatury,
- światła,
- fotoperiodu,
- wilgotności,
- gleby,
- żywienia,
- stresu wodnego,
- presji patogenów.
Model wytrenowany w jednym środowisku może tracić dokładność w innym.
Dlatego coraz większe znaczenie mają modele:
G + E + G×E
oraz systemy integrujące genomikę z danymi środowiskowymi.
W idealnym świecie AI breeding nie przewidywałby już:
„Genotyp A jest dobry”.
Tylko:
„Genotyp A ma wysoką przewidywaną wartość w środowisku X, ale niekoniecznie w środowisku Y”.
To znacznie bardziej realistyczne.
13. Phenotyping 2.0 – bez niego AI jest ślepe
Genomika przyciąga uwagę, ale ogromna część przyszłości AI breeding znajduje się w high-throughput phenotyping.
Kamery i sensory mogą mierzyć:
- tempo wzrostu,
- geometrię liści,
- wysokość,
- powierzchnię aparatu asymilacyjnego,
- kolor,
- objawy stresu,
- temperaturę korony,
- fluorescencję,
- dynamikę rozwoju.
Obraz można analizować automatycznie.
Zamiast jednego pomiaru na końcu cyklu otrzymujemy tysiące obserwacji czasowych.
To tworzy zupełnie nowy typ fenotypu:
dynamiczny fenotyp.
A ten może być znacznie bardziej informacyjny dla modeli predykcyjnych.
14. Computer vision może zastąpić część ludzkich ocen
Ocena wizualna jest podatna na subiektywność.
Dwóch breederów może ocenić ten sam fenotyp inaczej.
System computer vision może analizować wszystkie rośliny według identycznego protokołu.
Potencjalnie umożliwia to:
- większą powtarzalność,
- wyższą przepustowość,
- wykrywanie subtelnych zmian,
- analizę cech niewygodnych do pomiaru ręcznego.
Nie oznacza to, że kamera „rozumie roślinę”.
Oznacza tylko, że potrafi bardzo konsekwentnie kwantyfikować określony wzorzec.
15. Omics: gdy sam genom to za mało
Genotyp mówi, jakie warianty DNA posiada roślina.
Ale nie mówi bezpośrednio, które geny są aktywne.
Dlatego zaawansowane systemy mogą integrować:
- genomikę,
- transkryptomikę,
- epigenomikę,
- proteomikę,
- metabolomikę.
To tworzy tzw. multi-omics prediction.
Teoretycznie model otrzymuje dzięki temu znacznie pełniejszy obraz biologiczny.
Praktycznie pojawia się jednak kolejny problem:
jeszcze więcej zmiennych i jeszcze większe ryzyko overfittingu.
Więcej danych nie zawsze oznacza więcej informacji.
16. Czy deep learning jest przyszłością breedingu?
Może być częścią przyszłości.
Nie należy jednak zakładać, że neural network zawsze wygra z klasyczną statystyką.
W biologii populacje treningowe są często znacznie mniejsze niż w typowych zastosowaniach deep learning.
Model posiadający miliony parametrów może wymagać znacznie większej liczby obserwacji niż program hodowlany jest w stanie dostarczyć.
Dlatego w praktyce często okazuje się, że proste i dobrze regularizowane modele genomic prediction pozostają niezwykle konkurencyjne.
Najlepszy algorytm to nie ten, który jest najmodniejszy.
To ten, który najlepiej przewiduje nowe dane.
17. Generative AI a generative breeding – to nie to samo
Współczesny boom na generative AI powoduje dodatkowe zamieszanie.
Model językowy może wygenerować tekst.
Model obrazowy może wygenerować obraz.
Czy analogicznie można wygenerować genom?
Komputer może oczywiście zaproponować hipotetyczną sekwencję DNA.
Ale pomiędzy:
„wygenerować sekwencję”
a
„stworzyć stabilną, żywą i wartościową odmianę”
znajduje się ogromna przepaść biologiczna.
Trzeba uwzględnić:
- regulację ekspresji,
- pleiotropię,
- epistazę,
- rozwój,
- metabolizm,
- płodność,
- interakcje środowiskowe,
- nieprzewidziane efekty uboczne.
Biologia nie posiada prostego „render engine”, który pozwala natychmiast zobaczyć konsekwencję każdej zmiany DNA.
18. Digital twin rośliny – najbardziej ambitna wizja
Najbardziej zaawansowaną wizją jest stworzenie cyfrowego bliźniaka genotypu.
Model taki integrowałby:
- genom,
- fizjologię,
- środowisko,
- rozwój,
- metabolizm,
- reakcję na stres.
Można byłoby symulować:
jak dany genotyp zachowa się w konkretnym środowisku.
To byłoby prawdziwe „projektowanie” na poziomie znacznie bliższym inżynierii.
Ale dzisiejsza nauka nie posiada jeszcze kompletnego cyfrowego modelu rośliny pozwalającego niezawodnie przewidzieć cały fenotyp z sekwencji DNA.
Jesteśmy znacznie bliżej:
statystycznego przewidywania części cech
niż
pełnej symulacji organizmu.
19. AI może również popełniać biologicznie głupie błędy
Model optymalizuje funkcję celu.
Jeżeli źle zdefiniujemy cel, możemy uzyskać rezultat statystycznie świetny, ale hodowlano bezwartościowy.
Klasyczny przykład z machine learning:
model robi dokładnie to, o co go poprosiliśmy, a nie to, czego naprawdę chcieliśmy.
Jeżeli breeder maksymalizuje tylko jedną cechę, może przypadkowo doprowadzić do:
- spadku zmienności genetycznej,
- wzrostu inbredu,
- utraty innych wartościowych alleli,
- pogorszenia adaptacji,
- zwiększenia podatności na nowe stresy.
Dlatego AI breeding musi uwzględniać również zarządzanie różnorodnością populacji.
20. Genetic gain kontra genetic diversity
Najlepsze osobniki są często blisko spokrewnione.
Jeżeli breeder przez wiele generacji wybiera wyłącznie najwyżej oceniane genotypy, może szybko zwiększyć średnią wartość populacji, ale jednocześnie zmniejszać jej różnorodność.
Powstaje konflikt:
krótkoterminowy genetic gain
kontra
długoterminowy potencjał hodowlany.
Nowoczesne algorytmy mogą próbować optymalizować oba cele równocześnie.
Przykładem jest optimal contribution selection, gdzie wybór rodziców uwzględnia zarówno ich wartość hodowlaną, jak i pokrewieństwo.
To jedno z miejsc, gdzie algorytm może rzeczywiście podejmować decyzje trudniejsze do wykonania intuicyjnie.
21. Najważniejsza metryka: postęp genetyczny na jednostkę czasu
AI breeding ma sens tylko wtedy, kiedy zwiększa efektywność programu.
Nie liczy się liczba markerów.
Nie liczba GPU.
Nie liczba modeli.
Liczy się genetic gain.
W uproszczeniu:
ΔG / rok
czyli ile wartości hodowlanej program zyskuje w jednostce czasu.
AI może zwiększać ten wynik przez:
- poprawę accuracy selekcji,
- zwiększenie selection intensity,
- skrócenie generation interval,
- lepszy dobór rodziców,
- ograniczenie kosztu fenotypowania,
- wcześniejsze odrzucanie słabych genotypów.
Jeżeli żadna z tych rzeczy się nie poprawia, „AI breeding” jest prawdopodobnie tylko warstwą marketingową.
22. Jak zweryfikować firmę, która mówi o AI breeding?
Zamiast pytać:
„Czy używacie sztucznej inteligencji?”
warto zapytać:
Co dokładnie model przewiduje?
Jaki jest rozmiar populacji treningowej?
Ile generacji obejmują dane?
Czy dane pochodzą z więcej niż jednego środowiska?
Jaka jest accuracy w niezależnej walidacji?
Czy testowano przewidywanie nowych rodzin?
Czy model poprawił genetic gain w porównaniu z klasyczną selekcją?
Jak kontrolowany jest inbreeding?
Jak często model jest aktualizowany?
Czy decyzje modelu są później sprawdzane fenotypowo?
Jeżeli odpowiedzi brzmią:
proprietary AI
deep learning genetics
next-generation algorithms
predictive genomics platform
ale brakuje:
training population, validation accuracy, phenotype protocol, cross-validation, genetic gain
to mamy prawdopodobnie do czynienia z marketingiem.
23. Największy mit: „AI znajdzie kombinację, której człowiek nie zauważy”
To może być prawdą.
Algorytmy potrafią analizować wielowymiarowe dane znacznie szybciej niż człowiek.
Mogą wykrywać wzorce obejmujące tysiące markerów.
Ale istnieje ważne zastrzeżenie.
Model może znaleźć tylko wzorce obecne w danych.
Jeżeli w populacji treningowej nie ma określonej zmienności genetycznej, algorytm jej nie wynajdzie.
AI nie stworzy brakującego allelu.
Nie przywróci utraconej zmienności.
Nie ominie biologicznego ograniczenia populacji.
Dlatego nadal obowiązuje zasada:
jakość materiału hodowlanego ogranicza jakość przewidywania.
24. Czy AI może zastąpić breedera?
Nie w przewidywalnej przyszłości.
Ale może zmienić charakter jego pracy.
Breeder przyszłości może mniej czasu poświęcać na ręczne przeglądanie ogromnej liczby przeciętnych osobników.
Więcej czasu może przeznaczać na:
- definiowanie celów,
- projektowanie populacji,
- wybór materiału rodzicielskiego,
- interpretację danych,
- ocenę nietypowych fenotypów,
- podejmowanie decyzji strategicznych.
Algorytm może stać się systemem wspomagania decyzji.
Nie autonomicznym hodowcą.
25. Człowiek ma jedną przewagę, której model nie posiada
Model optymalizuje to, co da się zmierzyć.
Breeder może zauważyć coś, czego wcześniej nikt nie mierzył.
To niezwykle ważne.
Wiele przełomowych fenotypów może pojawić się jako:
- nietypowa mutacja,
- transgresyjny rekombinant,
- nowy profil,
- nieoczekiwana kombinacja cech.
Jeżeli model został zaprojektowany wyłącznie do maksymalizacji istniejącego zestawu parametrów, może nawet odrzucić taki osobnik jako „nietypowy”.
Człowiek może powiedzieć:
„to jest dziwne — sprawdźmy to.”
W breeding’u ciekawość nadal ma wartość.
26. Najlepszy system to Human + AI
Najbardziej prawdopodobna przyszłość nie wygląda więc tak:
AI kontra breeder.
Wygląda tak:
AI + breeder.
Algorytm:
- analizuje miliony kombinacji,
- przewiduje breeding values,
- optymalizuje mating,
- wykrywa anomalie,
- modeluje G×E.
Człowiek:
- definiuje cele,
- ocenia ryzyko,
- interpretuje biologicznie,
- zauważa nowe cechy,
- kontroluje strategię populacji,
- podejmuje ostateczną decyzję.
To podobna relacja jak pomiędzy pilotem a autopilotem.
Automatyzacja może przejąć ogromną część obliczeń.
Ale ktoś nadal musi zdecydować, dokąd lecimy.
27. Więc czy algorytm naprawdę potrafi zaprojektować odmianę?
Jeżeli przez „zaprojektować” rozumiemy:
wpisać parametry i wygenerować gotową, stabilną genetykę spełniającą wszystkie wymagania
to odpowiedź brzmi:
nie.
Jeżeli natomiast przez „projektowanie” rozumiemy:
- przewidywanie wartości genotypów,
- ocenę potencjalnych krzyżowań,
- symulację segregacji,
- optymalizację doboru rodziców,
- analizę wielu cech równocześnie,
- przewidywanie odpowiedzi w różnych środowiskach,
- skracanie cyklu selekcyjnego,
to odpowiedź brzmi:
coraz bardziej tak.
I właśnie ta druga definicja jest naukowo interesująca.
AI Breeding nie polega na generowaniu odmian. Polega na redukowaniu przestrzeni poszukiwań
To być może najlepszy sposób zrozumienia całego zagadnienia.
Klasyczny program hodowlany może mieć miliony możliwych kombinacji.
Nie jesteśmy w stanie fizycznie przetestować każdej z nich.
AI może pomóc powiedzieć:
„Nie sprawdzaj miliona możliwości. Najpierw sprawdź te dziesięć tysięcy.”
Później:
„Z tych dziesięciu tysięcy największy potencjał ma tysiąc.”
Następnie:
„Spośród nich te sto warto poddać najbardziej kosztownym testom.”
AI nie zastępuje rzeczywistości.
Pomaga zdecydować, którą część rzeczywistości warto sprawdzić.
I to może wystarczyć, aby radykalnie zwiększyć efektywność breedingu.
Prawdziwa rewolucja AI w hodowli będzie bardzo mało widowiskowa
Prawdopodobnie nie zobaczymy momentu, w którym komputer „wynajdzie idealną odmianę”.
Zmiana będzie bardziej stopniowa.
Programy wykorzystujące dobre modele będą każdego roku:
- trochę trafniej wybierać rodziców,
- trochę wcześniej eliminować słabe genotypy,
- trochę lepiej przewidywać potomstwo,
- trochę skuteczniej zarządzać zmiennością,
- trochę szybciej osiągać cele hodowlane.
Po jednej generacji różnica może być niewielka.
Po dziesięciu cyklach selekcji może być ogromna.
I właśnie dlatego największa wartość AI nie musi znajdować się w jednym spektakularnym „odkryciu”.
Może znajdować się w systematycznym zwiększaniu jakości każdej kolejnej decyzji hodowlanej.
Wniosek
AI Breeding jest jednocześnie realną technologią i idealnym polem dla marketingowej przesady.
Machine learning, genomic prediction, computer vision, modele G×E i optymalizacja krzyżowań mogą naprawdę zwiększać efektywność hodowli.
Ale algorytm nie posiada magicznego dostępu do przyszłego fenotypu.
Jego przewidywania są ograniczone przez:
jakość danych, wielkość populacji, strukturę genetyczną, środowisko oraz biologię samej cechy.
Dlatego najważniejszym pytaniem nie jest:
„Czy firma używa AI?”
Lecz:
„Czy zastosowanie modelu pozwala jej osiągać większy i szybszy postęp genetyczny niż bez niego?”
Jeżeli odpowiedź można poprzeć wynikami, mamy do czynienia z prawdziwym predictive breeding.
Jeżeli jedynym dowodem jest napis AI-POWERED GENETICS, prawdopodobnie sztuczna inteligencja wykonała tam przede wszystkim jedno zadanie:
pomogła działowi marketingu.