Hive Mind pomaga zwiększyć efektywność przede wszystkim przez lepszy dobór lokalizacji pasiek - pszczelarz stawia ule tam, gdzie realnie ma szansę na najwięcej najstabilniejszych pożytków, a nie „na wyczucie". Dzięki temu rodziny pszczele pracują w intensywniej nektarujących krajobrazach, co zgodnie z wynikami badań nad zapylaniem, przekłada się na kilkunasto‑, a nawet kilkudziesięcioprocentowy wzrost plonów roślin i potencjalnie 20–30% więcej miodu w skali sezonu.
Dane o pożytkach przekładają się wprost na decyzje biznesowe. Pokazują, gdzie praca pszczół będzie najkorzystniejsza ekonomicznie. Pszczelarz może:
Różnica jest diametralna. Mapy Google to często zdjęcia sprzed kilku lat, które służą do orientacji w terenie. Hive Mind dostarcza dane dynamiczne (aktualizowane co tydzień). My nie tylko pokazujemy obraz, ale go analizujemy - nasze algorytmy widzą, w jakiej fazie kwitnienia jest dana roślina i czy jej potencjał nektarowy rośnie, czy spada.
Nie. Naszym celem było stworzenie narzędzia, które "tłumaczy" skomplikowane dane satelitarne na prosty język korzyści. Pszczelarz nie widzi surowych odczytów radarowych lecz intuicyjną mapę z kolorowymi strefami potencjału. Obsługa aplikacji jest tak prosta, jak korzystanie z popularnych map w telefonie.
Nie jest to wymagane. Hive Mind działa w oparciu o teledetekcję (dane zdalne), więc możesz korzystać z analiz, nie mając w ulu ani jednego czujnika. Jeśli jednak posiadasz wagi pasieczne, dane z Hive Mind są dla nich idealnym uzupełnieniem - waga powie Ci, że przybywa miodu, a nasza aplikacja wyjaśni skąd pszczoły go noszą i gdzie warto postawić kolejne rodziny.
Aplikacja została zaprojektowana z myślą o pracy w terenie. Kluczowe mapy i dane o pożytkach można pobrać do pamięci urządzenia (tryb offline), co pozwala na sprawne planowanie działań nawet w głębi lasu czy na odległych nieużytkach, gdzie zasięg sieci komórkowej jest ograniczony.
Tak, pracujemy nad tym jako nad kluczową funkcjonalnością. Nasze modele AI uczą się rozpoznawać sygnatury spektralne konkretnych pożytków. Dzięki temu użytkownik może nie tylko sprawdzić, „czy jest zielono", ale otrzymać informację o prawdopodobieństwie wystąpienia konkretnych upraw lub skupisk drzew miododajnych w danym regionie.
Tak, w aplikacji przewidziany jest moduł rekomendacji wędrówek. Algorytm ocenia potencjał pożytkowy w czasie i w przestrzeni, a następnie może wysłać pszczelarzowi powiadomienie, że przeniesienie uli do innej strefy w konkretnym oknie czasowym ma sens biznesowy (np. ze względu na zbliżający się szczyt określonego pożytku).
Obecnie system działa na poziomie ogólnych stref pożytków, a nie pojedynczych działek. Cała przestrzeń jest podzielona na heksagonalną siatkę, a dla każdego heksu wyliczane jest prawdopodobieństwo występowania wartościowego pożytku - dziś stosujemy heksy o boku ok. 50 m, a w warstwie pożytkowej analizowane są strefy o promieniu ok. 2 km. Docelowo chcemy przejść do wskazywania konkretnych areałów (wydzielonych płatów roślinności) wraz z ich szacowanym wolumenem pożytku i wyraźnymi granicami w terenie.
Cały rdzeń analizy opiera się na metodach uczenia maszynowego, a nie na klasycznych, ręcznie ustawianych wskaźnikach teledetekcyjnych. Budujemy sieci neuronowe, które uczą się rozpoznawać charakterystyczne wzorce roślinności i zmian w czasie widoczne w obrazach satelitarnych, a tradycyjne metody teledetekcji służą głównie do wstępnego przygotowania danych, kontroli jakości i walidacji wyników.
Erend Space łączy dane satelitarne radarowe (SAR) i optyczne. Oba typy danych mają rozdzielczość przestrzenną rzędu 10 metrów, co pozwala analizować strukturę krajobrazu na poziomie użytecznym dla planowania pożytków.
Korzystamy z danych o rozdzielczości około 10 metrów i odświeżaniu co 7 dni. Dla pszczelarza oznacza to, że widzi struktury krajobrazu na poziomie większych pól, łąk i kompleksów roślinności, a nie pojedynczych drzew czy krzaków - wystarczająco dokładnie, by ocenić potencjał pożytków w promieniu kilku kilometrów od pasieki.
Dane satelitarne są aktualizowane w cyklu tygodniowym - co około 7 dni pojawia się nowe zobrazowanie. Modele uczą się na oknie trzymiesięcznym: z każdego miesiąca wybieramy kilka najlepszych zdjęć (łącznie około 9 scen dla jednej próbki), aby uchwycić dynamikę wegetacji i zminimalizować wpływ przypadkowych zakłóceń.
Aby ograniczyć wpływ chmur i zastoju wegetacji, pracujemy na szerokim oknie czasowym obejmującym co najmniej trzy miesiące sezonu wegetacyjnego. Z każdego miesiąca wybieramy tylko te zobrazowania, na których zachmurzenie jest poniżej progu (20%), a same zdjęcia pochodzą z okresu wiosenno‑letniego, gdy roślinność dostarcza najwięcej sygnału użytecznego dla modeli.
Infrastrukturę backendową opieramy na rozwiązaniach chmurowych o standardzie produkcyjnym, w szczególności na platformie Firebase. Dane użytkowników - lokalizacja pasiek, informacje o produkcji, dane działek - są obsługiwane zgodnie z wymogami RODO, a bezpieczeństwo wspierają mechanizmy uwierzytelniania, autoryzacji i zabezpieczenia transmisji oferowane przez dostawcę chmury oraz nasze wewnętrzne procedury.
Aby rozwijać podobne rozwiązania w innych branżach, najpierw potrzebny jest stabilny prototyp, który realnie działa w pszczelarstwie i potwierdza skuteczność podejścia. Wśród naturalnych kierunków rozwoju jest:
