به عنوان مثال، در بخش دولتی، فقط برای فراخوانی یک زوج شاید. ما با مؤسسه داده‌های باز کار می‌کنیم تا برخی از داده‌های خود را در قالبی قابل استفاده مجدد منتشر کنیم، داده‌های خام اساساً که دانشمندان در سراسر جهان بتوانند از آن استفاده کنند، زیرا می‌خواهیم در آن رویه مشترک تحقیق و توسعه شرکت کنیم. بنابراین داده هایی وجود دارد که ما فقط با جامعه به اشتراک می گذاریم، اما به استانداردهای داده نیز اهمیت می دهیم. بنابراین، ما یکی از اعضای هیئت مدیره AgGateway هستیم، این کنسرسیومی است متشکل از 200 یا بیشتر شرکت‌های بخش مواد غذایی که روی این موضوع کار می‌کنند که چگونه ما واقعاً کشاورزی دیجیتال را پیش می‌بریم؟ بنابراین ما مطمئن می شویم که استانداردها برای همه کار می کنند و در نهایت به ایده های اختصاصی هر یک از اعضای زنجیره غذایی نخواهیم رسید، اما می توانیم داده های خود را به یکدیگر متصل کنیم.
باز هم بخش خصوصی به همان اندازه مهم است. ما به اندازه کافی خوش شانس هستیم که مقر آن در بازل است، که در واقع مجموعه ای از علم، و به ویژه علوم شیمیایی است. بسیاری از شرکت های داروسازی در اینجا هستند. بنابراین، ما همچنین می‌توانیم بسیاری از چیزهایی را که یاد می‌گیریم بین داروسازی و کشاورزی مبادله کنیم، می‌توانیم در مورد شیمی بیاموزیم، می‌توانیم در مورد شیوه‌ها، نحوه کار و نحوه کار از طریق آزمایشگاه‌هایمان بیاموزیم. ما به شدت با همکاران خود در سراسر منطقه در تماس هستیم، البته در جاهای دیگر، و این یک خوشه کاملا طبیعی است.
شاید آخرین، نه کم‌اهمیت، یکی از دیدگاه‌های هیجان‌انگیز واقعی برای من که متوجه شدم، نمی‌دانم، همین چند سال پیش، واقعاً خیلی زیاد نبود، این است که اگر به صنایع مختلف نگاه کنید چقدر وجود دارد. بنابراین، اخیراً فردی را استخدام کردم، متخصص دیجیتال از فرمول 1، و چرا؟ منظورم این است که اگر از نظر فنی، فرمان یا کنترل به این موضوع نگاه کنید، درک یک ماشین مسابقه فرمول 1 از راه دور تفاوت زیادی با هدایت یک تراکتور ندارد. منظورم این است که وسایل نقلیه فوق العاده متفاوت خواهند بود، اما فناوری به نوعی شباهت های زیادی دارد. بنابراین، درک اینترنت اشیا در آن مورد و درک انتقال داده ها از میدان به مراکز کنترل، مهم نیست که روی چه صنعتی کار می کنیم، می توانیم همه چیز را یاد بگیریم.
ما همچنین با یک شریک فوق‌العاده با تجربه در فضای تشخیص تصویر کار می‌کنیم تا بهتر بفهمیم چه اتفاقی در زمین می‌افتد، جایی که به‌عنوان Syngenta، می‌توانیم دانش زراعی را به ارمغان بیاوریم و آن شریک می‌تواند دانش فنی در مورد نحوه ساخت بیشتر تصاویر به ارمغان بیاورد. از یک رشته بسیار متفاوت، هیچ ربطی به کشاورزی ندارد، اما همچنان مهارت ها فوق العاده قابل انتقال هستند. بنابراین، من واقعاً به دنبال استعداد در سراسر صنایع هستم، و به معنای واقعی کلمه به دنبال هر کسی هستم که از هدف ما حمایت می کند، و محدود به افرادی با تجربه علم زندگی نیست.
لورل رام: این واقعاً جالب است که در مورد میزان داده‌های F1 در یک روز مسابقه یا به طور کلی، میزان ورودی از مکان‌های مختلف پردازش شود. من می توانم ببینم که چگونه بسیار شبیه است. شما با پایگاه داده های داده ها سر و کار دارید و فقط سعی می کنید الگوریتم های بهتری بسازید تا به نتایج بهتری برسید. همانطور که به اطراف جامعه بزرگتر نگاه می کنید، مطمئناً می بینید که Syngenta قطعاً بخشی از یک اکوسیستم است، بنابراین چگونه عوامل بیرونی مانند مقررات و فشارهای اجتماعی به Syngenta کمک می کنند تا آن محصولات بهتر را بسازد تا بخشی از آن انقلاب کشاورزی اجتناب ناپذیر باشد و نه خارج از آن؟
توماس یونگ: نکته بسیار خوبی است، زیرا مقررات به طور کلی، البته، برای برخی یک بار عملی است، یا ممکن است در واقع به عنوان یک بار تلقی شود. اما برای ما در علم دیجیتال، این یک محرک بسیار خوشایند برای نوآوری است. یکی از نمونه‌های کلیدی که در حال حاضر داریم، کار ما با آژانس حفاظت از محیط‌زیست در ایالات متحده، EPA است، که عملاً تا سال 2035 حمایت از مطالعات شیمیایی روی پستانداران را متوقف کرده است. بنابراین، این به چه معناست؟ این یک تهدید بزرگ به نظر می رسد، اما در واقع چیزی که هست، یک کاتالیزور برای علم دیجیتال است. بنابراین ما از این درخواست بسیار استقبال می کنیم. ما اکنون در حال کار بر روی روش هایی برای استفاده از علم مبتنی بر داده برای اثبات ایمنی محصولاتی هستیم که اختراع می کنیم. چند دانشگاه بزرگ در سراسر ایالات متحده وجود دارند که از EPA کمک مالی دریافت کرده اند تا به یافتن این راه ها برای انجام علم خود کمک کنند، بنابراین ما نیز درگیر هستیم تا مطمئن شویم که این کار را به بهترین شکل ممکن با هم انجام می دهیم و واقعاً می توانیم به زمین بنشینیم. در یک علم مبتنی بر داده در اینجا و ما می توانیم انجام تمام این آزمایشات واقعی را متوقف کنیم.
بنابراین، این یک فرصت فوق العاده است، اما البته، راه طولانی در پیش است. من فکر می کنم سال 2035 تا حدودی واقع بینانه است. ما هنوز نزدیک نیستیم کاری که امروز می توانیم انجام دهیم این است که مثلاً می توانیم یک سلول را مدل سازی کنیم. ارگان روی یک تراشه به عنوان یک روند بزرگ وجود دارد، بنابراین ما می‌توانیم یک اندام کامل را مدل‌سازی کنیم، اما هیچ راهی وجود ندارد که بتوانیم یک سیستم یا حتی یک اکوسیستم را در این مرحله مدل‌سازی کنیم. بنابراین، فضای زیادی برای کاوش برای ما وجود دارد، و من واقعا خوشحالم که رگولاتورها در این امر شریک هستند و در واقع حتی یک راننده هستند. این فوق العاده مفید است. بعد دیگری که به آن اشاره کردید، فشار جامعه نیز وجود دارد. من فکر می کنم مهم است که جامعه به دنبال اهدافی مانند کشاورزی احیا کننده ادامه دهد، زیرا این همان چیزی است که اول از همه زمینه را برای کمک به ما ایجاد می کند. اگر تقاضا وجود نداشته باشد، برای Syngenta سخت است که آن را به تنهایی جلو ببرد.
بنابراین، من فکر می کنم تقاضا مهم است، و آگاهی از این که ما باید با سیاره خود به بهترین شکل ممکن رفتار کنیم، و همچنین در حال کار با سازمان حفاظت از طبیعت هستیم، جایی که از تخصص علمی و حفاظتی آنها استفاده می کنیم. به عنوان مثال، برای معرفی شیوه های کشاورزی پایدار در آمریکای جنوبی، جایی که ما در حال انجام برخی پروژه ها برای احیای جنگل های بارانی، احیای تنوع زیستی، و دیدن آنچه می توانیم با هم در آنجا انجام دهیم. بنابراین باز هم، کمی شبیه آنچه قبلا بحث کردیم، تنها با همکاری در بین صنایع می‌توانیم بهتر باشیم، و این شامل سازمان‌های غیردولتی و تنظیم‌کننده‌ها و کل جامعه می‌شود.
