Лекция 10. AI в сельском хозяйстве¶
Лекция 10 · ~75 мин · 43 слайдов
Plenty Compton, кадры «до и посл延
[На экране — два кадра: слева делегация мэра Лос-Анджелеса, лента, репортёры, май 2023; справа — пустой склад с заколоченными окнами, декабрь 2024.]
«Здравствуйте. Прежде чем мы скажем первое слово про сельское хозяйство — посмотрите сюда.
[пауза 3 секунды]
Май две тысячи двадцать третьего. Комптон, Калифорния. Открытие флагмана американского вертикального земледелия — теплицы Plenty Unlimited. Делегация мэра. Репортёры. Обещание: четыре с половиной миллиона фунтов листовой зелени в год — на AI-управляемой ферме, оптимизирующей свет, питание, климат на уровне отдельного растения.
[указываю на правый кадр]
Декабрь две тысячи двадцать четвёртого. Девятнадцать месяцев спустя — объект закрыт. Март две тысячи двадцать пятого — Chapter 11. Потери привлечённого капитала — около девятисот сорока миллионов долларов. Оценка: с миллиарда девятисот миллионов до менее пятнадцати миллионов. Минус девяносто девять процентов.
[пауза]
Задержимся на вопросе, к которому вернёмся в конце лекции: что именно сделал AI в этом провале — и в каком смысле не смог сделать?
Это не «AI плохой». Контроллер микроклимата работал. Компьютерное зрение распознавало стадии роста. Модели урожайности были обучены. Что не сработало — разберём в финале.»
[Переход на s02.]
Cover¶
«Лекция десятая. AI в сельском хозяйстве.»
[Переход на s03.]
Карта лекции¶
[На слайде — семь горизонтальных карточек.]
«Эта лекция устроена как лестница. Из пяти уровней — от поля к полке. Снизу — открытое поле с пылью, дождём, патогенами. Сверху — полка магазина с цифровым следом на каждый артикул.
И на каждой ступени AI работает по-разному. Где-то отлично, где-то катастрофически плохо. Главный навык, который мы с вами тренируем сегодня — для конкретной задачи назвать ступень и применить правильный инструмент. Или сказать «AI здесь не нужен» и назвать альтернативу. Давайте я сразу обозначу: это и есть инженерное суждение, которому мы учимся.
Сегодня будет одиннадцать разобранных провалов. Plenty Compton — потери девятьсот сорок миллионов. Monarch Tractor — иски и поглощение Caterpillar. ChatGPT как агроном — confident-wrong по пестицидам. Plantix — десять-пятнадцать процентов misdiagnosis. USDA Climate-Smart — отменена за день. Verra phantom credits — девяносто четыре процента подделок. Ещё пять кейсов по дороге.
Тон — «доверяй, но проверяй». Разбираем, что работает, где ломается, где проходит граница, которую инженер не пересекает по решению вендора.»
[Переход на s04.]
Глоссарий¶
[На слайде — две колонки: closed-loop vs open-environment + 5 терминов L4.]
«Две формулировки и пять терминов.
Open-environment AI — в реальном поле: пыль, погода, патогены. Closed-loop AI — внутри замкнутого контура в контролируемой среде: теплица, фабрика, операционная. Эта рабочая формулировка встречалась в Лекции седьмой про медицину.
Пять терминов цепочки поставок. Агентный AI — с инференс-циклом и инструментами. Базисные пункты — сто равны одному проценту. Расхождение хеджа — разница ожидаемой и фактической цены. Выбросы третьего уровня — по всей цепочке. AI-MRV — системы измерения, отчётности, верификации углеродных кредитов.»
[Переход на s05.]
Keystone: лестница пяти уровней¶
[На слайде — вертикальная лестница из пяти ступеней снизу вверх + стрелка справа.]
«Вот лестница. Пять уровней.
Первый — поле. Открытая биологическая среда. AI работает в узких задачах — See & Spray от John Deere. Ломается в попытках построить «AI-агронома» и closed-loop через вертикальное земледелие.
Второй — робот. Полу-контролируемая среда. AI работает в узких специализациях — лазерный сорнякобой Carbon Robotics. Ломается в универсальных «автономных тракторах» вроде Monarch.
Третий — животное. Полу-закрытая среда. AI работает стабильнее — Allflex SenseHub мониторит два миллиона коров.
Четвёртый — цепочка поставок. Контролируемые потоки плюс быстрая обратная связь в базисных пунктах. Агентный AI лидирует. Cargill CMAX получил премию BIG AI Excellence Award.
Пятый — потребитель. Полностью оцифрованная среда. AI надёжно работает у Walmart, Tesco, X5.
[медленно]
Главное. Чем выше ступень — тем выше контролируемость, тем ниже биологическая непредсказуемость, тем выше измеримый возврат. Это объясняет парадокс. Венчурные инвестиции в indoor farming и novel farming systems обвалились — минус пятьдесят три процента год к году по данным AgFunder Global AgriFoodTech Investment Report две тысячи двадцать пятого: за первые три квартала двадцать пятого один и пять десятых миллиарда долларов против трёх и двух десятых миллиарда за двадцать четвёртый. А инвестиции в агентный AI для торговли сырьём растут двузначно. Причина — скорость обратной связи. Трейдер — базисные пункты за минуты. Фермер — результат удобрения за пять-шесть месяцев.»
[Переход на s06.]
Раздел 1 divider¶
«Раздел первый из пяти. Поле — открытая биологическая среда.»
[Переход на s07.]
See & Spray Ultimate¶
[На слайде — фото опрыскивателя в поле + карточка цифр.]
«Каноничный рабочий кейс первой ступени — See & Spray Ultimate от John Deere.
Стандартный опрыскиватель. На штанге — тридцать шесть камер. Каждая через свёрточную нейросеть распознаёт сорняки и культурные растения в реальном времени. Решение — точечное опрыскивание только сорняков.
Давайте посмотрим на цифры сезона две тысячи двадцать пятого. Пять миллионов акров — примерно полпроцента от девятисот миллионов акров пашни США. Минус пятьдесят процентов гербицидов. Плюс два бушеля сои с акра. Edge ML на NVIDIA Jetson — задержка меньше пятидесяти миллисекунд. Это критично: трактор едет шестнадцать километров в час, распознавание должно быть мгновенным.
[медленно]
Что работает. Узкая задача — опрыскивать или нет. Измеримый возврат. Edge-вычисления без cloud-зависимости. И никаких маркетинговых обещаний «полной автономии». Опрыскиватель остаётся опрыскивателем; AI оптимизирует один шаг. Этот паттерн мы с вами увидим много раз: AI работает в узких задачах с быстрой обратной связью.»
[Переход на s08.]
Vendor matrix L1¶
[На слайде — таблица 5 на 5.]
«Помимо Deere — пять платформ первой ступени, и давайте мы с вами на них посмотрим. xarvio от BASF: с октября две тысячи двадцать пятого предлагает в Японии контракт по урожайности риса. Climate FieldView от Bayer — двести пятьдесят миллионов акров подписок, цена пять долларов за акр. Cropwise от Syngenta — открытая платформа для разработчиков. Granular от Corteva. Taranis — спутниковая аналитика.
Главный навык на этом слайде — маппить режим работы, а не бренд. Двести пятьдесят миллионов акров FieldView — это число подписок, не «AI оптимизирует каждый акр». Сам AI внутри — в основном rule-based рекомендации плюс спутниковая аналитика.
И важный факт. Climate FieldView в две тысячи двадцать втором вышел из России вместе с Bayer Crop Science. Российские агрохолдинги одномоментно потеряли доступ к платформе. Это первая иллюстрация того, что мы разберём в Разделе среды как привязку к поставщику. Cloud-зависимый AI-сервис из иностранной юрисдикции уже отключался в АПК после две тысячи двадцать второго. Запомним.»
[Переход на s09.]
Foundation models 2026¶
[На слайде — спутниковый снимок Sentinel-2 + схема foundation model.]
«Что нового в две тысячи двадцать пятом-двадцать шестом. Foundation models для Earth observation. TerraMind от IBM и ESA. Prithvi-EO 2.0 от NASA и IBM. AgriFM от Университета Гонконга и Уханьского. Crop Wizard от Университета Иллинойса — это RAG-приложение поверх foundation model.
Что меняет. Раньше команда из двух-трёх инженеров не могла обучить CV-модель — нужны были миллионы размеченных изображений и большая GPU-инфраструктура. Теперь та же команда дообучает TerraMind на тысячах изображений. Порог входа упал на два порядка.
Но есть риск. Концентрация на двух-трёх foundation models — IBM, NASA, ESA. Вся отрасль L1 строится поверх нескольких базовых. Это та же привязка к поставщику, только на уровне модели.»
[Переход на s10.]
Vertical farming — провал не из-за плохого AI¶
[На слайде — мини-таблица три на три + внутреннее фото вертикальной фермы.]
«Первый из одиннадцати провалов. Вертикальное земледелие как класс.
AppHarvest — четыреста семьдесят пять миллионов через SPAC плюс триста сорок один миллион долга, всего около восьмисот шестнадцати миллионов раскрытого финансирования. Банкротство две тысячи двадцать третьего, ToBRFV — вирус мозаики томатов — заразил все шестьдесят акров теплицы за дни. Plenty — девятьсот сорок миллионов потерь, как мы видели в начале. Bowery — более семисот миллионов привлечённого капитала, банкротство ноябрь две тысячи двадцать четвёртого, ликвидация Locust Grove с тридцати двумя миллионами оборудования, которое так и не было использовано. В две тысячи двадцать пятом обанкротилось около четырнадцати вертикальных ферм глобально. Совокупные потери категории — более одного и трёх десятых миллиарда долларов.
[пауза]
И вот тут самое важное. AI-системы внутри этих ферм работали. Контроллер микроклимата управлял светом, температурой, влажностью. Компьютерное зрение классифицировало стадии роста. Модели предсказывали урожайность.
Что не сработало — структурная экономика. К этому переходим.»
[Переход на s11.]
5-Why анализ vertical farming¶
[На слайде — цепочка из пяти шагов.]
«Метод пяти «почему».
Шаг первый. Plenty не выжила, потому что структурная экономика отрицательная — себестоимость зелени выше рыночной цены.
Шаг второй. Высокая себестоимость, потому что электричество на LED — около сорока процентов операционных затрат.
Шаг третий. LED — главная статья, потому что освещение в Калифорнии при двадцати пяти центах за киловатт-час потребляет в сто раз больше энергии на единицу площади, чем растение получает от бесплатного солнца на открытом поле. Анализ Ханны Ритчи на основе MDPI Sustainability.
Шаг четвёртый. AI не закрыл разрыв, потому что оптимизирует на знаменателе — пять-пятнадцать процентов efficiency. Разрыв в числителе — два порядка. Никакая модель не закрывает разрыв в сто раз через оптимизацию на пять процентов.
Шаг пятый. Это и есть наш первый анти-AI критерий. Закон термодинамики важнее ML.
[медленно]
Это первый из пяти критериев, к которым мы вернёмся в финале. Альтернатива — открытый грунт или обычная теплица при энергии меньше десяти центов за киловатт-час. Vertical farming работает только для премиум-клубники Oishii по десять долларов за упаковку — там премия покрывает энергетику. Для биржевой листовой зелени — не работает.»
[Переход на s12.]
ChatGPT/Bard как агроном¶
[На слайде — скриншот ответа модели + цитата из статьи Nature Food.]
«Второй провал. Обобщённые большие языковые модели как советник-агроном.
Ноябрь две тысячи двадцать третьего, публикация в Nature Food. Широкий медийный резонанс — май двадцать четвёртого через обзор Phys.org. Главный автор — доктор Асаф Цахор из Reichman University. Объект — сценарии использования ChatGPT-моделей африканскими фермерами для культуры кассавы.
Что нашли. Сто восемьдесят четыре вопроса. GPT-3.5, GPT-4, Bard. В десятках процентов случаев — уверенный ответ с фактической ошибкой.
[медленно]
И вот самое опасное. Если модель отвечает «не знаю» — фермер обратится к агроному. Если модель отвечает уверенно и неправильно — фермер опрыскает поле не тем препаратом. Уверенная ошибка опаснее, чем честное «не знаю».
И есть структурная причина, почему обобщённый LLM здесь не работает. Неявные знания фермера о своём конкретном поле — то, что он знает годами наблюдения, чего нет ни в спутниковых снимках, ни в IoT-данных. Это и есть tacit knowledge, неявные знания. Generic LLM не построит эту модель из спутника и сенсоров за один сезон. RAG-привязка к локальному регулятору — необходимый, но не достаточный шаг. Человек-эксперт как обязательное звено в цикле — необходим.
Критерий: обобщённый LLM как советник для решений с высокой ценой ошибки — категорический антипаттерн. Альтернатива — RAG-приложение, привязанное к локальному регулятору. Плюс отказ при низкой уверенности. Плюс человек в цикле.»
[Переход на s13.]
Plantix¶
[На слайде — скриншот мобильного интерфейса Plantix + разбивка ошибок.]
«Третий провал. Plantix — мобильное приложение для диагностики болезней растений по фото листа.
Десять миллионов загрузок, около семи миллионов активных в Индии. В Индии — сто двадцать миллионов мелких фермерских хозяйств. Десять миллионов загрузок Plantix — около восьми процентов охвата.
Заявленная точность — восемьдесят пять-девяносто процентов, независимых производственных метрик нет. Десять-пятнадцать процентов misdiagnosis на десяти миллионах загрузок — это примерно сто тысяч неправильных рекомендаций по пестицидам в год.
[медленно]
И тут критический разбор. Девяносто процентов точности звучит как «хорошая модель». При таком масштабе в промышленной эксплуатации — сотни тысяч ошибочно опрыскиваемых полей.
Критерий: пороговая точность не равна готовности к промышленному внедрению. Альтернатива — модель с явной мерой неопределённости. Если уверенность ниже порога — приложение отказывается от рекомендации.»
[Переход на s14.]
Российская параллель L1¶
[На слайде — карта России + цифры ExactFarming.]
«Российская параллель первой ступени.
ExactFarming — двенадцать тысяч семьсот хозяйств, девять и восемь десятых миллиона гектаров. SaaS-платформа прецизионного земледелия. ГК «Прогресс Агро» — плюс пять процентов рентабельности на дифференцированном внесении азота, внутренний замер. АгроСигнал — мониторинг ГСМ без ML.
Главная цифра. Индекс цифровизации сельского хозяйства России — двадцать семь и две десятых из ста по данным Якова и Партнёров. США — семьдесят пять и пять десятых. Структурный разрыв.
Урок — Climate FieldView вышел из России в две тысячи двадцать втором. Политический риск первой ступени.»
[Переход на s15.]
Раздел 2 divider¶
«Раздел второй из пяти. Робот — где специализация побеждает универсальность.»
[Переход на s16.]
Carbon Robotics LaserWeeder G2¶
[На слайде — фото LaserWeeder в поле + три карточки спецификаций.]
«Каноничный рабочий кейс второй ступени — Carbon Robotics LaserWeeder G2.
Прицепной агрегат, буксируется обычным трактором. Двести сорок ватт лазера с водяным охлаждением. Один-два джоуля на выстрел. Двадцать пять тысяч сорняков в час. Свёрточная нейросеть на сорока миллионах размеченных изображений распознаёт сорняки и культурные растения. Лазер прицельно выжигает корневую систему сорняка. Никакой химии.
Двести пятьдесят тысяч акров обработано к концу две тысячи двадцать пятого. Четырнадцать стран. Цена — около миллиона четырёхсот тысяч долларов за машину. Окупаемость три-четыре года.
[медленно]
Что работает. Замена химии физикой — это не оптимизация существующей операции. Это новая операция, физически невозможная без AI: человек не может прицельно жечь лазером каждый сорняк со скоростью двадцать пять тысяч в час. Узкая ниша. Никаких claims по autonomous tractor. Трактор остаётся под управлением оператора.
Паттерн второй ступени: узкая специализация плюс замена физики физикой плюс измеримый возврат. Специализация побеждает.»
[Переход на s18.]
Узкие победы L2¶
[На слайде — четыре фотографии.]
«Четыре успешных кейса второй ступени.
Solinftec Solix — солнечная самозаправляющаяся платформа, опрыскивает двадцать четыре на семь. Рост установок в США — двести сорок три процента за две тысячи двадцать пятый. По само-отчёту вендора — сокращение гербицида до девяноста восьми процентов.
Saga Robotics из Норвегии — Thorvald-платформа. Важное предупреждение: Saga делает ультрафиолетовую обработку клубники ночью против мучнистой росы. Не сбор клубники. В обзорах часто путают. UV-C — это ночной обход полей с ультрафиолетовой лампой, заменяющей фунгициды.
Tevel из Израиля — flying apple pickers. Беспилотники с захватами подлетают к яблоку, оценивают спелость, аккуратно отрывают. Узкая ниша: фрукт на дереве легче захватить, чем низкорастущую клубнику.
AGCO PTx Outrun от Trimble — retrofit-комплект автономии для существующих тракторов John Deere, Case IH, New Holland. Надстройка автономии на то, что у фермера уже есть.
Все четыре — узкие специализации. Никто не обещает «универсальный AI для всего поля». Запомним эту закономерность.»
[Переход на s19.]
Monarch Tractor: timeline¶
[На слайде — фото MK-V + скриншот заголовка TechCrunch.]
«А теперь, давайте мы с вами посмотрим на каноничный провал второй ступени. Monarch Tractor.
Калифорнийская компания две тысячи восемнадцатого года. Электрический трактор с автономным режимом для виноградников. Привлечённый капитал — более двухсот двадцати миллионов. Контрактный производитель с две тысячи двадцать второго — Foxconn. Демо-видео автономной работы.
[пауза]
Timeline две тысячи двадцать пятого. В августе Foxconn продаёт завод Lordstown за триста семьдесят пять миллионов. Первый ясный сигнал ухудшения.
В сентябре айдахский дилер Burks Tractor подаёт иск. Десять тракторов две тысячи двадцать четвёртого года выпуска за семьсот семьдесят три тысячи восемьдесят восемь долларов — unable to operate autonomously. Машины, проданные как автономные, не способны работать автономно.
Восемнадцатого ноября — TechCrunch публикует расследование. Девятнадцатого ноября — сокращение до ста двух человек, тридцать восемь процентов штата.
Пятнадцатого апреля две тысячи двадцать шестого — Caterpillar поглощает Monarch. Acqui-hire post-failure. Поглощение для команды и IP. Monarch как бренд исчезает.
[медленно]
Структурный урок. Маркетинг продавал «autonomous», машины требовали супервизии. Демонстрация не равна промышленному внедрению. Когда фермер покупает за восемьдесят-сто тысяч долларов машину под обещание автономии, а она не работает — он подаёт иск.
Альтернатива — supervised autonomy с явным раскрытием того, что машина может, а чего нет. Оператор остаётся в кабине, машина выполняет рутинные операции автономно.»
[Переход на s20.]
FarmWise + Naïo¶
[На слайде — фото FarmWise + Lemken механический weeder.]
«Ещё два провала, структурно близкие.
FarmWise — основан в две тысячи шестнадцатом, привлёк более тридцати миллионов. Wind-down в две тысячи двадцать пятом.
Naïo из Тулузы — выручка четыре миллиона евро в две тысячи двадцать первом, упала до двух с половиной миллионов. Минус сорок процентов. Судебное оздоровление в июне две тысячи двадцать пятого.
Причина одна. Задокументирована на arXiv в августе две тысячи двадцать пятого. CV-модели, обученные в тепличных условиях, ломаются в реальном поле. Пыль закрывает камеры. Тени от облаков меняют контраст за минуты. Shadow bias — модель классифицирует тени как растительность. Точность падает с девяноста процентов до пятидесяти-шестидесяти.
[медленно]
И важная альтернатива. Когда CV-стек не выдерживает — есть механические weeders. Lemken Steketee. Kverneland Onyx. Deterministic решение без AI. Не «smart», не требует firmware updates. Менее эффективно — но устойчиво.
Это категория альтернативы — genuine не-AI. Когда AI не работает по структурной причине — иногда правильное решение это вообще не AI.»
[Переход на s21.]
Робот-сборщик клубники¶
[На слайде — фото ручного сборщика + прототип роботизированной руки.]
«Затянувшийся pilot phase. Робот-сборщик клубники.
Десятки стартапов уже десять-пятнадцать лет. Один робот — двести-триста пятьдесят тысяч долларов капитальных затрат. Адресуемый рынок ручного труда в США — пятьдесят миллиардов. Роботы занимают меньше пяти процентов.
[медленно]
Почему застряло. Опытный сборщик различает спелую и неспелую ягоду, не ломает плоды, обходит поломанные побеги. Robotics плюс ML не догоняет этот опорный уровень за годы и десятки миллионов R&D.
Канонично: harvesting is the last great unsolved problem in agricultural robotics. Альтернатива — программы для guest workers плюс эргономические улучшения.»
[Переход на s17.]
Cognitive Pilot vs ИТЭЛМА¶
[На слайде — две колонки: CV-стек слева, GNSS-стек справа.]
«Самый методически важный кейс. Место, где упрощённое мышление «AI хороший или плохой» приводит к неправильному выводу.
Cognitive Agro Pilot — дочка Сбербанка. Автопилот для комбайнов на компьютерном зрении. Камера на кабине распознаёт кромку нескошенного поля. Более тысячи семисот установок по само-отчёту вендора от мая две тысячи двадцать четвёртого — около одного и трёх десятых процента от ста тридцати тысяч комбайнов России.
Что всплыло. Четыре иска от фермеров на двенадцать миллионов семьсот тысяч рублей. CV не справлялась в пыль, при низком солнце, при дожде. Та же CV-failure, что в FarmWise.
[пауза]
ИТЭЛМА — часть «Тракторных заводов». В конце две тысячи двадцать пятого вывела на «Кировцах» автопилот «Итэлма Квадро». Другая архитектура. Не CV. Машина определяет положение через обработку сигналов нескольких спутниковых созвездий — ГЛОНАСС, GPS, Galileo, BeiDou — плюс RTK-коррекции с точностью два-пять сантиметров. Это sensor-fusion-AI.
[медленно, центральная мысль]
Главный методический пункт. Эти два решения — не конкуренты. Покрывают разные функции.
ИТЭЛМА — «где я нахожусь». Точная навигация.
Cognitive Pilot — «что я вижу». CV-распознавание кромки и препятствий.
Разные классы задач. Инженерно правильное решение современного комбайна — комбинация обоих. GNSS-навигация primary, CV secondary для нестандартных ситуаций. Сравнение «один лучше другого» методически неверное.
Это второй важный анти-AI критерий. Иногда правильный выбор — другой класс AI. Иногда — не AI вообще. Cognitive Pilot CV ломается в пыли — ИТЭЛМА sensor-fusion устойчив. Это архитектурный выбор внутри AI-домена. Отличается от FarmWise, где альтернатива — вообще не AI.»
[Переход на s22.]
Раздел 3 divider¶
«Раздел третий из пяти. Животное — компьютерное зрение в животноводстве.»
[Переход на s23.]
Allflex SenseHub¶
[На слайде — фото ошейника + дашборд интерфейса.]
«Третья ступень. И обратите внимание: здесь AI работает стабильнее, чем на первых двух.
По двум структурным причинам. Первая — экономика концентрирована. Одна корова — три-пять тысяч долларов молока в год. Потеря коровы из-за невыявленного мастита — измеримая потеря. Вторая — измерения возможны на уровне индивидуального животного. Биркой, ошейником, камерой. Open-environment ферма превращается в массив микро-сред: один закрытый контур на животное.
Allflex SenseHub от Merck Animal Health. Ошейник с акселерометром и термометром. Батарея пять-семь лет. Облачная аналитика сравнивает паттерны активности с опорным уровнем стада и истории коровы. Алерты: эструс, отёл, хромота, мастит, респираторная болезнь.
В две тысячи двадцать пятом — два миллиона коров под мониторингом. В мире — около двухсот шестидесяти пяти миллионов молочных коров. Два миллиона — три четверти процента. Окупаемость для хозяйств от ста коров.
[медленно]
Паттерн. AI как дополнение, не замена. Ошейник измеряет, алгоритм поднимает алерт, фермер или ветеринар принимает решение. AI не назначает антибиотик и не заменяет ветеринара. AI выполняет функцию раннего сигнала на масштабе, который без датчиков невозможен.»
[Переход на s24.]
CattleEye + DeLaval VMS + Cargill Birdoo¶
[На слайде — три карточки.]
«Три ещё работающих кейса третьей ступени.
CattleEye — приобретена GEA в две тысячи двадцать четвёртом. Дешёвая CCTV-камера снимает корову на выходе из milking parlour. Модель оценивает балл хромоты по биомеханике. Шестьдесят ферм, одиннадцать тысяч коров напрямую; через GEA канал — доступ к фермам с более чем двумястами пятидесятью тысячами коров. Хромота — одна из ведущих причин снижения молокоотдачи и преждевременной выбраковки.
DeLaval VMS V310 — роботизированный доильный аппарат. Корова сама заходит в станцию. Девяносто девять и восемь десятых процента attachment rate — девятьсот девяносто восемь из тысячи попыток успешны. Прирост северо-американских установок на пятнадцать процентов за две тысячи двадцать пятый.
Cargill Birdoo — компьютерное зрение для оценки веса бройлера. Камера сверху, модель оценивает массу по силуэту. Заявленная точность более девяноста пяти процентов. Экономия десять-тридцать граммов корма на бройлера. Только Северная и Южная Америка.
[медленно]
Все три — узкие задачи с измеримым возвратом. И консолидация рынка. MSD приобрела Antelliq за три миллиарда восемьсот пятьдесят миллионов. GEA — CattleEye. Cargill — Cainthus ещё в две тысячи восемнадцатом. Сигнал зрелости рынка: стартапы L3 становятся подразделениями крупных корпораций.»
[Переход на s25.]
Cainthus, tie-stall, Holstein-bias¶
[На слайде — три блока.]
«Три anti-hype урока третьей ступени, которые мы с вами должны явно проговорить.
Первый. Cainthus — Дублин, приобретена Cargill в две тысячи восемнадцатом. CV-система мониторинга поведения коров на камерах. Партнёрство объявлено в две тысячи восемнадцатом. Публично опубликованных производственных метрик на две тысячи двадцать шестой — нет.
[пауза]
Паттерн: партнёрство объявлено, внедрение не верифицировано. Важное предупреждение. Cainthus и Connecterra — разные компании. Cainthus — Дублин, часть Cargill. Connecterra — Амстердам, продукт IDA с ошейником-сенсором, клиенты Danone, Bayer, Kersia. Часто путают.
Второй. Tie-stall barns. Корова привязана к стойлу, доится на месте. Распространён в Восточной Европе, в России, в части Канады. CV-решения вроде CattleEye не работают: слабое освещение, силуэты перекрыты конструкциями, нет момента «корова идёт по коридору».
[пауза]
Та же модель CattleEye, работающая на free-stall ферме в Висконсине, не работает на tie-stall ферме в Калужской области. Это не «российский контекст» — это физическая конфигурация коровника.
Третий. Holstein-bias. Большая часть CV-моделей обучена на голштинской чёрно-белой породе.
[пауза]
Для местных пород России — Холмогорская, Ярославская, Якутская, Бестужевская — калибровка слабая. Решение — transfer learning с локально размеченными данными. Собрать пять-десять тысяч изображений. Дообучить модель. Инженерный рабочий процесс, его делают до внедрения, а не после.
[медленно]
Урок третьей ступени — тот же, что и Plantix. Девяносто процентов на бенчмарке не говорит ничего о работе на краевых случаях вашей географии, конфигурации, породы.»
[Переход на s26.]
РФ L3¶
[На слайде — слева Connectome.ai интерфейс, справа — санкционное влияние.]
«Российская параллель третьей ступени.
Рабочий кейс — Connectome.ai, резидент Сколково. CV-система контроля рождения телят. Камера в родильном отделении распознаёт начало родовой деятельности и передаёт алерт ветеринару. Узкое работающее решение — параллель Cargill Birdoo.
Сложнее с импортным оборудованием. AI-функциональность DeLaval VMS, GEA, Lely после две тысячи двадцать второго в России в сером статусе. Оборудование у фермеров. Облачные сервисы из Европы доступны нестабильно.
Кейсов «AI-сервис отключился в дату X» с явной атрибуцией не зафиксировано. Но vendor-departure из смежного класса уже произошёл — Climate FieldView вышел в две тысячи двадцать втором, Microsoft Azure и AWS тогда же. Архитектурный риск задокументирован.
[медленно]
Урок универсальный. Применим к любой ферме в любой стране периферии, зависящей от cloud-AI поставщика из другой юрисдикции.
Лобня, март две тысячи двадцать шестого — производство молочного оборудования, четыре миллиарда рублей. Это hardware-замещение. AI-стек требует отдельной траектории.»
[Переход на s27.]
Раздел 4 divider¶
«Раздел четвёртый из пяти. Цепочка поставок — место, где агентный AI лидирует.»
[Переход на s28.]
Cargill CMAX¶
[На слайде — скриншот пресс-релиза + фото портового терминала.]
«Четвёртая ступень. Агентный AI лидирует в промышленном внедрении две тысячи двадцать шестого.
Cargill CMAX. Commercial intelligence platform. В апреле две тысячи двадцать шестого Cargill получил премию BIG AI Excellence Award за CMAX — predictive port and shipping logistics для зерновых потоков, плюс CarVe — компьютерное зрение для белковой цепочки. Cargill оперирует в более чем семидесяти странах.
[медленно]
Почему именно цепочка поставок. Скорость обратной связи. Трейдер получает результат хеджа в базисных пунктах за минуты-часы. Фермер первой ступени — за сезон. Цены на CBOT меняются ежедневно. Но природа задачи — хедж, закупка, логистика — стабильна десятилетиями. Это идеальное сочетание: быстрая обратная связь плюс стабильная структура.
McKinsey формулирует так: ведущие игроки перепроектируют свои хеджевые и логистические процессы под агентный AI. У ранних adopters — снижение расхождения хеджа на двадцать пять-тридцать пять процентов.»
[Переход на s29.]
Псевдо-flow «как агент делает hedge»¶
[На слайде — четыре шага горизонтально.]
«Чтобы абстракция «агентный AI для хеджа» не осталась маркетинговой — давайте мы с вами разберём конкретный поток в четыре шага.
Шаг первый — сенсор. Агент читает потоки. Цены фьючерсов на CBOT. Погода в Midwest, Бразилии, Краснодарском крае. Валютные курсы. Всё агрегируется в единый вектор состояния (state vector).
Шаг второй — инференс. Модель оценивает направление цены через пять, тридцать, девяносто дней плюс диапазоны неопределённости. Распределение вероятных цен.
Шаг третий — решение. Агент инициирует одно из четырёх действий: открыть позицию, закрыть, перебалансировать, ничего не делать. Критическая инженерная деталь. Для сделок больше десяти миллионов долларов номинала — обязательное человеко-в-цикле утверждение. Для малых — автономно. Граница — инженерный выбор.
Шаг четвёртый — обратная связь. Через минуты-часы агент получает результат сделки в базисных пунктах. Модель обновляется в потоке — обучение в потоке (online learning).
[пауза, пример]
Пример. Август две тысячи двадцать пятого. Цены кукурузы на CBOT снизились на два процента. Модель прогнозировала рост волатильности. Агент сформировал длинную позицию на восемь миллионов долларов номинала. Восемь меньше десяти — исполнил автономно. Через три дня цена выросла на один и восемь десятых процента. Расхождение хеджа — восемь базисных пунктов против сорока пяти в типичном ручном. Дифференциал тридцать семь базисных пунктов умножить на восемь миллионов — около тридцати двух тысяч долларов экономии на одной сделке. На объёмах Cargill — миллионы в год.
[медленно]
Важно. Это узкий агент. Одно действие — хедж. Эта узость — причина успеха. Расширение на «управляй всей цепочкой от поля до полки» — пока не работает. Это амбиция две тысячи тридцатого, не промышленность две тысячи двадцать шестого.»
[Переход на s30.]
Tract, Olam, Walmart×Cropin, Tesco¶
[На слайде — четыре логотипа.]
«Помимо Cargill — несколько ключевых платформ.
Tract — основан в две тысячи двадцать третьем четырьмя якорными клиентами: ADM, Cargill, LDC, ofi. Восемнадцать целых шесть десятых миллиона евро в Series A под лидерством Icos Capital. Прямые конкуренты совместно инвестируют в общую инфраструктуру соответствия требованиям.
Уточнение. Tract — не агентный AI. Это data backbone, инфраструктура данных, над которой агенты работают у клиентов. Частая ошибка — называть Tract «агентной платформой».
Olam Mindsprint — отделился в две тысячи двадцать четвёртом. Procuresprint — пример агентной закупки: агент сравнивает поставщиков автоматически, поднимает на человека только нестандартные случаи.
Walmart с Cropin — индийская компания. Спутниковая аналитика по supplier farms в США и Южной Америке. Не в Индии — частая ошибка обзоров.
Tesco — британский ритейлер. AI для прогноза спроса с две тысячи семнадцатого. Минус тридцать процентов пищевых потерь.»
[Переход на s31.]
USDA Climate-Smart + Verra phantom¶
[На слайде — две колонки: USDA press release слева, Guardian про Verra справа.]
«Два провала четвёртой ступени.
Первый. USDA Climate-Smart Commodities. Программа Министерства сельского хозяйства США. Бюджет три миллиарда сто миллионов. Сто тридцать пять проектов, четырнадцать тысяч ферм, три и две десятых миллиона акров — около ноля и тридцати шести сотых процента пашни США. Программа поддерживала климатически-разумные практики с AI-MRV.
Четырнадцатого апреля две тысячи двадцать пятого администрация Трампа отменила программу. Замена — AMP, Advancing Markets for Producers — без требований по climate-outcomes.
Десятки стартапов в AI-MRV построили бизнес-модель на этом потоке. За день — неопределённость.
Урок: федеральная политика — хвостовой риск. Альтернатива — структурная экономика проекта, а не попутный ветер государственной политики.
[пауза]
Второй провал — Verra phantom credits. Verra — крупнейший верификатор voluntary carbon credits. В январе две тысячи двадцать третьего The Guardian, Die Zeit и SourceMaterial опубликовали девятимесячное расследование. Более девяноста четырёх процентов rainforest offset credits Verra — phantom. Pachama — overestimation в восемь раз.
Углеродные проекты опираются на AI-системы оценки запаса углерода. Инференс с большой неопределённостью маркетируется как «точное измерение». Масштабный greenwashing.
[медленно]
Важная оговорка. Verra phantom credits относятся к rainforest offset projects. Это не означает, что все AI-MRV — phantom. Agricultural soil-carbon — другая методология. Indigo Ag использует не Verra, а Climate Action Reserve. У Indigo — двенадцатилетнее соглашение с Microsoft на два миллиона восемьсот пятьдесят тысяч тонн. Indigo Ag не в Verra-скандале. Не делайте cascade misattribution.
Критерий. AI-MRV без direct measurement — масштабный greenwashing. Альтернатива — direct soil sampling плюс прозрачные uncertainty bands. AI как гипотеза, не как факт.»
[Переход на s32.]
РФ L4¶
[На слайде — четыре карточки статусов.]
«Российская параллель четвёртой ступени. Один из самых зрелых сегментов российского АПК-AI.
X5 «Перекрёсток» — ML-система прогноза спроса с две тысячи двадцатого. Более двухсот факторов. По данным X5 Tech — точность на мировом уровне, in-house ML-команда. Паритет с Tesco и Walmart.
Магнит F&R. Стек разнесён на два модуля. Forecasting — в промышленной эксплуатации на сорока шести распределительных центрах в январе две тысячи двадцать шестого. Сетевой уровень. Replenishment — пилот на трёх центрах, план до десяти-двадцати к началу двадцать седьмого.
[медленно]
Важно различать. «Сорок шесть РЦ» — over-claim для целого F&R. «Три пилотных РЦ» — under-statement для Forecasting. Корректно — модульное разделение.
РСХБ — Россельхозбанк. Платформа «Своё Фермерство», анонсирует AI-сервисы. Оговорка: эти сервисы заявлены, но независимая верификация метрик отсутствует. Формат: РСХБ AI — заявлено, метрик нет.
Sber GigaChat в одном эпизоде был представлен как «сдавший экзамен по агрономии». Демо, не промышленное внедрение.
Главный российский урок. Паритет с миром в L4-L5 у X5 и частично у Магнита. При значительном отставании на L1-L2.»
[Переход на s33.]
Раздел 4-bis divider¶
«Раздел четыре-бис из пяти. Среда — связь, привязка к поставщику, регуляторика. Без неё ни одна ступень не работает.»
[Переход на s34.]
Связь¶
[На слайде — три числа крупно + карта GNSS-jamming Финляндии.]
«Первое условие среды — связь. Большая часть AgTech-маркетинга опиралась на сценарий «cloud-AI оптимизирует ваш трактор в реальном времени». Обратите внимание: это фантазия для большинства ферм.
Три цифры.
Первая. Восемнадцать процентов американских ферм без интернет-доступа в принципе. Около трёхсот шестидесяти тысяч из двух миллионов. По данным BroadbandNow.
Вторая. Сто двадцать три тысячи авиа-рейсов с помехами GNSS только в первые четыре месяца две тысячи двадцать пятого. По данным ICAO. ICAO Assembly в октябре формально осудил Россию за нарушение GNSS гражданской авиации. Финские фермеры сообщают: areas of farms are reportedly unfarmable using GNSS-based tractors. Прецизионное земледелие — гражданская жертва военной радиоэлектронной борьбы.
Третья. Тридцатого апреля две тысячи двадцать шестого в России запрещён Starlink на шесть месяцев. Single-vendor connectivity = single point of failure. Илон Маск в одностороннем порядке прекращал Starlink для Украины в две тысячи двадцать втором. Та же логика применима к любой юрисдикции.
[медленно]
Что это значит. Edge ML и TinyML — единственная реалистичная архитектура для большинства ферм. Машинное обучение на устройстве — без cloud-uplink. Модели мегабайты, не гигабайты. Вычисления на микроконтроллере или edge-GPU. Hybrid-архитектура с redundancy для critical operations.
Критерий: cloud-first для off-grid фермы — архитектурная ошибка. Альтернатива — edge-AI и offline-first.»
[Переход на s30b.]
Слайд 30b — Привязка к поставщику: двойная оптика John Deere] 54:45–57:00¶
[На слайде — карта Мелитополь→Чечня + фото пресс-конференции FTC.]
«Самая методически важная этическая мысль лекции — мы с вами должны её проговорить. Двойная оптика.
Два события.
Май две тысячи двадцать второго. Российские военные изъяли двадцать семь единиц John Deere из Мелитополя в Чечню. На месте техника не запустилась. Deere дистанционно «забрикала» все двадцать семь через GPS и VIN-locking. Для воровавших — пять миллионов потерянной техники.
Январь две тысячи двадцать пятого. FTC США подаёт иск против Deere за десятилетние ограничения ремонта.
Декабрь две тысячи двадцать пятого — FCC запретила foreign-made дроны. DJI занимает восемьдесят процентов ag-spray drone flights в США.
[пауза, центральная мысль]
Двойная оптика. Один механизм — две противоположные интерпретации.
Сторона A. Anti-theft success. С украинской стороны — победа технологии. Украденная техника остановлена. AI-функция сработала по дизайну.
Сторона B. Vendor control surface. Тот же механизм: Deere может отключить оборудование любого фермера. Не оплатившего подписку. Под санкциями. Российские фермеры после двадцать второго получили этот сценарий. Climate FieldView вышел с Bayer.
[медленно]
Инженерный урок. AI security feature сегодня — AI control surface завтра. Тот же механизм, благодаря которому украденный комбайн не работает в Чечне, является основанием тревоги для каждого фермера в любой юрисдикции, попавшей в политический разрыв.
Ещё один анти-AI критерий — AI-driven equipment как ловушка привязки к поставщику. Альтернатива — open-source hardware, право на ремонт, multi-vendor стратегия, mechanical fallback.»
[Переход на s35.]
Регуляторика¶
[На слайде — три колонки: ЕС, США, Россия.]
«Третье условие среды, которое мы с вами проговорим, — регуляторика.
EU AI Act — Регламент две тысячи двадцать четыре дробь тысяча шестьсот восемьдесят девять. Сельскохозяйственная техника с компонентами AI-безопасности — высокорискованная категория. Производители нуждаются в командах по соответствию требованиям. Обязательный технический файл. Каскад ответственности. С февраля две тысячи двадцать пятого — требование AI-грамотности для операторов.
USDA AI Strategy формально опубликована, в большей степени декларативна. В США регулирование AgTech идёт через FCC по дронам, FTC по привязке к поставщику, USDA по программам — не через единый AI-регулятор.
Россия — программа «АПК будущего» две тысячи двадцать шесть — две тысячи тридцать. Распоряжение Правительства от тридцать первого декабря двадцать пятого. Декларативная программа. Предыдущая «Цифровое сельское хозяйство» цели удвоения производительности не достигла. АПК в двадцать четвёртом — минус три и две десятых процента.
[медленно]
Методический урок. Декларативный документ не равен реальному результату. Инженер, оценивающий российский АПК-AI по министерским пресс-релизам, систематически переоценивает зрелость отрасли. Реальные метрики — индекс цифровизации двадцать семь и два — структурный gap.»
[Переход на s36.]
Раздел 5 divider¶
«Раздел пятый из пяти. Потребитель — самая зрелая ступень плюс пять критериев плюс финальный callback.»
[Переход на s37s.]
Слайд 37s — L5: Walmart, Tesco, X5] 59:15–60:30¶
[На слайде — три логотипа + фото торгового зала.]
«Пятая ступень. Полностью оцифрованная среда. Каждый артикул имеет цифровой след.
Walmart Eden ML — оценка качества свежей продукции и предсказание срока годности. С две тысячи семнадцатого. Минус двадцать процентов пищевых потерь.
Tesco AI demand forecast — с две тысячи семнадцатого. Минус тридцать процентов потерь.
X5 — мировой уровень с двадцатого, как говорили в четвёртом разделе.
И Магнит F&R — гибридный статус, который мы обсуждали в Разделе 4. Forecasting-модуль в промышленной эксплуатации на сорока шести распределительных центрах с января двадцать шестого — сетевой уровень, паритет с мировыми лидерами в этой узкой задаче. Replenishment-модуль — пилот на трёх РЦ с планом масштабирования до десяти-двадцати к началу двадцать седьмого. Половина F&R-стека на мировом уровне, вторая половина — пилот-фаза. Корректная формулировка — модульное разделение.
[медленно]
Анти-hype оговорка. Уровень надёжно работает. Но большая часть пятой ступени не специфична для сельского хозяйства. Прогноз спроса методами машинного обучения в продуктовом ритейле — та же задача, что в торговле одеждой. Успехи пятой ступени не доказывают «AI-готовность всей АПК-цепочки».»
[Переход на s38s.]
Слайд 38s — Пять критериев «когда не AI»] 60:30–63:00¶
[На слайде — матрица пять строк × три колонки.]
«Давайте мы с вами соберём в одну матрицу. Пять критериев «когда не AI». Главный вывод.
Критерий первый. Закон термодинамики важнее ML. Когда экономика на порядок выше рыночной цены — ML не закрывает разрыв. Пример — vertical farming. Альтернатива — открытый грунт.
Критерий второй. Пороговая точность не равна готовности к внедрению. Девяносто процентов на бенчмарке при масштабе — сотни тысяч ошибочных решений. Пример — Plantix. Альтернатива — модель с явной мерой неопределённости и abstention.
Критерий третий. Обобщённый LLM как советник — категорический антипаттерн. Пример — Nature Food Tzachor, ChatGPT по пестицидам. Альтернатива — RAG, привязанное к локальному регулятору, плюс отказ при низкой уверенности, плюс человек в цикле.
Критерий четвёртый. AI-driven equipment — ловушка привязки к поставщику. Пример — FTC v. Deere, Мелитополь, выход Climate FieldView. Альтернатива — open-source hardware, право на ремонт, mechanical fallback.
Критерий пятый. AI-MRV для carbon claims без direct measurement — масштабный greenwashing. Пример — Verra девяносто четыре процента phantom credits. Альтернатива — direct soil sampling плюс прозрачные uncertainty bands.
[медленно]
И три критерия inline. Архитектурный выбор внутри AI-домена — Cognitive Pilot и ИТЭЛМА. Genuine не-AI альтернатива — FarmWise и Lemken Steketee. Cloud-first для off-grid — edge-AI и TinyML.
Это рабочий инструмент. Когда вам предлагают AI-решение — прогоняем его через критерии. Срабатывает хотя бы один — нужен пересмотр.»
[Переход на s35c.]
Слайд 35c — Pre-purchase verification checklist] 63:00–64:30¶
[На слайде — пять блоков по два пункта.]
«Конкретный операционный артефакт, который мы с вами уносим из лекции. Чеклист предварительной верификации. Десять вопросов в пяти блоках.
Блок первый — Классификация. Какая ступень? Какой режим работы AI?
Блок второй — Промышленное состояние. Сколько внедрений в промышленную эксплуатацию, не «продано», не «пилот»? Какая точность на краевых случаях?
Блок третий — Ответственность. Если «autonomous» — кто отвечает за collision? Регуляторный статус?
Блок четвёртый — Привязка к поставщику. Есть ли путь выхода? Совместимость с мульти-вендорной архитектурой?
Блок пятый — Подключение. Минимальная требуемая связь? Mechanical fallback при отключении AI?
[медленно]
Восемь-десять зелёных ответов — покупать. Пять-семь — условный пилот. Четыре и меньше — отказ. Каждый ответ проверяется не словами вендора, а внешними источниками: независимые отчёты, отзывы клиентов, отчёты регуляторам. Это и есть конкретный навык, который вы выносите из лекции.»
[Переход на s36c.]
Слайд 36c — Карьерный ландшафт] 64:30–65:30¶
[На слайде — пять сегментов.]
«Карьерный ландшафт. Не предписание — сегментация.
L1-L2 международно — John Deere, Bayer Digital, BASF, Carbon Robotics, Saga. Навыки — компьютерное зрение, edge ML, sensor fusion.
L3 — DeLaval, GEA, Lely, Cargill Birdoo.
L4-L5 — Cargill, ADM, Tract, Walmart, Cropin. Навыки — LLM и агентные системы, RAG, цепочка поставок.
Россия — Cognitive Pilot, ИТЭЛМА, Геоскан, ЭФКО Hi! (FoodTech-направление, растительное мясо с применением AI в R&D), Русагро Тех (digital agronomy и digital initiatives), X5 Tech, Магнит digital, РСХБ.цифра, ExactFarming, Connectome.ai.
Образовательные траектории — профильные технические и аграрные университеты с магистерскими программами по agro-IT и цифровому земледелию. Решения о карьере индивидуальны.»
[Переход на s37.]
Closing payback к Plenty Compton¶
[На слайде — фото LaserWeeder G2 + gold callout про термодинамику.]
«И мы с вами возвращаемся к началу.
Plenty Unlimited в Комптоне. Открытие в мае двадцать третьего. Закрытие в декабре двадцать четвёртого. Около девятисот сорока миллионов привлечённого капитала. Минус девяносто девять процентов оценки.
Мы спросили: что сделал AI в этом провале — и в каком смысле не смог?
[медленно, финал]
Ответ.
Plenty не закрылась из-за плохого AI. Закрылась из-за термодинамики LED. Контроллер микроклимата работал. CV распознавал стадии роста. Модели урожайности были обучены. Не сработала арифметика энергии. LED в Калифорнии потребляет в сто раз больше энергии, чем растение получает от бесплатного солнца. AI оптимизирует знаменатель — пять-пятнадцать процентов. Разрыв в числителе — два порядка. Закон термодинамики важнее ML.
Это работает не только для Plenty. На каждый уровень — та же логика.
Где AI работает — See & Spray, LaserWeeder, SenseHub, Cargill CMAX, Walmart Eden.
Где AI ломается — Plenty, Monarch, Cainthus tie-stall, USDA Climate-Smart, GNSS-jamming и Мелитополь.
Лестница — карта инженерных решений.
[пауза]
И ещё один критерий, который мы держим в финале как открытый вопрос. Парадокс устойчивости. AI-системы, которые мы строим для измерения углеродного следа в сельском хозяйстве, сами имеют значительный экологический след. Обучение GPT-3 потребовало около семисот тысяч литров воды на охлаждение. Дата-центры в Айове потребляют миллиарды галлонов воды в год — параллельно с тем, что соседние фермы экономят воду через прогностические системы орошения. AI-MRV без прямого измерения — это масштабируемый greenwashing, как мы видели у Verra. Net-positive — не автоматическое свойство устойчивого AI. Это свойство, которое нужно специально считать и доказывать в каждом конкретном случае.
[пауза]
Это не оптимизм и не скептицизм. Это аппарат принятия решений. Назвать уровень. Оценить среду. Применить критерий. Назвать альтернативу.
Инженер держит эту лестницу в голове целиком и знает, где AI не работает.
[медленно]
В следующей лекции — cyber-physical manufacturing. Производственная линия ближе к L4-L5 по контролю, но с физическим контактом AI с продуктом как в L2. Другой класс AI-применений: прогностическое обслуживание, robotic assembly, контроль качества. Та же методическая рамка.
Спасибо.»
[Переход на s38.]
Q&A¶
[На слайде — крупно «Q&A» + контакты + компактный reading list.]
«Дальше — ваши вопросы. У меня есть готовые ответы на типичные. Если хотите аргументировать против — это самые ценные вопросы.»
[Открытое Q&A. Ниже — тезисы для лектора на типовые вопросы.]