數十年來，Makoto Koike的母親一直都使用手工方式分揀黃瓜。如今，Makoto Koike正試圖“訓練”出一臺機器來替代。
Makoto Koike是一名工程師，長期以來，他一直愛好修補電子配件和機器;可以說，他不是天生就喜歡自然戶外生活的人。2014年，在Makoto Koike 33歲的時候，他離開了他長期工作和生活的城市，搬到了環境優美的靜岡縣，幫助其父母經營黃瓜農場。“我認為我已經到了一定的年紀了，” Makoto Koike說道。“我想要離我的家和家人更近一些。”
Makoto Koike一家在湖西市種植黃瓜已將近五十年，他們種植了三個小型溫室的黃瓜。Makoto Koike的父親負責播種種子;Makoto Koike負責指導監督他們的種植;Makoto Koike的母親則是負責對收成的果實進行分類。在日本，最後一項工作尤其重要，因為農作物有不同的分類標準，同一個品種的黃瓜的分類就達了9種之多，這需要收割者對其農產品有著非常好的識別能力，手裡剛摘了一根黃瓜，你得仔細觀察它的長短、粗細、顏色、紋理、是否有小刮痕、彎的還是直的、刺多不多......要跟9類標準對應，看它屬於哪一等級，這並不是一個容易學的工作。Makoto Koike一家往往會把那些比較好的、筆直且厚度均勻的黃瓜給批發商，而剩餘那些不太完美的黃瓜則以半價出售。一直以來，Makoto Koike的母親都是一個接一個地分揀這些蔬菜，分門別類地將它們放進不同的箱子裡。雖然她每個黃瓜只花了她半秒鐘，但這項工作佔據了她大部分的工作時間;某些時候，她甚至在某幾天內一天就處理了四千多根黃瓜。
Makoto Koike認為，給黃瓜分類不應該是瓜農的主要的工作，瓜農最重要的任務應該是專注於種植出美味的黃瓜。所以他決定，要把分類的工作交給機器，但是市面上的黃瓜分類器要麼效能差、要麼太貴，不適合小農場。在去年春天，Makoto Koike開始開發一種新的分撿黃瓜的方法，他建了一個黃瓜分揀機，使用了谷歌在2015年向公眾釋出的TensorFlow深度學習軟體框架。而Makoto Koike的靈感來源，部分是由他閱讀的一篇關於AlphaGo的文章，AlphaGo是有史以來第一個擊敗人類圍棋大師的計算機程式。在AlphaGo案例中，其從現實圍棋比賽中提取了三千萬張圖片，用於幫助確定哪種行動步驟最有效。Makoto Koike也希望能創造一個類似的策略，幫助其對黃瓜進行整理分類。
而包括深入學習的高階人工智慧技術是屬於專業研究人員和軟體公司的領域。儘管如此，最近也有一些科技界巨頭，包括谷歌、Facebook、微軟、亞馬遜、百度以及各大學都已經發布了免費的開源版本的工具，使像得Makoto Koike這樣的非專業程式設計人員也可以對其進行訪問。
在他的專案中使用了樹莓派3作為主控制器，又建立了一個自定義的照片拍攝站，這使得他能夠從三個不同角度拍攝每一根黃瓜。接著，為了分析這些影像，把它們都傳到了TensorFlow平臺上，起初在一個小型的神經網路上執行，以判斷是否是黃瓜，之後，已經被判定為黃瓜的照片接著傳輸到一個更大的基於Linux伺服器的神經網路，來對黃瓜按照不同的特質進行分類。不過，在他能夠真正使用人工智慧技術分撿黃瓜之前，Makoto Koike必須先對這套系統進行“訓練”，為了訓練這個模型，Makoto Koike花了3個月的時間給它“喂”了7000張黃瓜照片，這些照片都是由Makoto Koike的媽媽分類貼上的標籤。最後，他還建立了一個自動傳送帶系統，將每根黃瓜從照片拍攝站傳送至程式指定的箱子。
Makoto Koike在去年完成了對這套人工智慧系統的開發，而且從某種程度上來說，它確實奏效了。不過，它對黃瓜的分類準確率還只能達到百分之七十，這樣的準確率太低，他們還必須進行人工檢查。而且，目前這些蔬菜還需要一個接一個的放在照片拍攝站上，也就是說，Makoto Koike的母親還沒有被“完全替代”。
Makoto Koike認為，他所創造的系統就正是一個令人鼓舞的證明，而他目前正在研究新版本的機器，他希望新機器能夠一次分析多個黃瓜。他還計劃建立一個溫和的輸送系統，以保護蔬菜皮膚上脆弱的皮刺，因為黃瓜的皮刺往往被認為是新鮮的跡象。他期望在幾年內使其人工智慧分揀機的工作效率能達到與母親一樣準確，讓她能有時間做別的事情。不管怎樣，Makoto Koike說他已經回到了湖西市。他說，“我的計劃是，今生就做個農民。”到那個時候，農民這份工作可能就看起來很不一樣了。
人工智慧在農業領域的研發及應用早在本世紀出就已經開始，這其中既有耕作、播種和採摘等智慧機器人，也有智慧探測土壤、探測病蟲害、氣候災難預警等智慧識別系統，還有在家畜養殖業中使用的禽畜智慧穿戴產品。
不過，人工智慧在農業領域的應用才剛剛開始，面臨的挑戰比其他任何行業都要大，因為農業涉及的不可知因素太多了。地理位置、周圍環境、氣候水土、病蟲害、生物多樣性、複雜的微生物環境等等，這些因素都在影響著農作生產。你在一個特定環境中測試成功的演算法，換一個環境未必就有用了。
我們現階段看到的一些人工智慧成功應用的例子大都是在特定的地理環境或者特定的種植養殖模式。當外界環境變換後，如何挑戰演算法和模型是這些人工智慧公司面臨的挑戰，這需要來自行業間以及農學家之間更多的協作。