zisky:
- Schopnost rozpoznat a řídit etická rizika, jako je vlastnictví dat farmářů, soukromí a algoritmické zkreslení
- Schopnost kombinovat všechny odkazy modulu do jediného sezónního end-to-end workflow
- Zavedení v systému jakosti, že výstup umělé inteligence nenahrazuje schválení kompetentního agronoma v zemědělských rozhodnutích kritických z hlediska bezpečnosti
Modulová zkouška
1. Jaké jsou kotvy validace „tří kotev“ aplikované před začleněním výstupu umělé inteligence do rozhodnutí v zemědělském inženýrství?
- A) Rozsah velikostí, agronomická věrohodnost a terénní důkazy ✔
- B) Oblíbenost modelu, délka odpovědi a jazyková plynulost
- C) Cena, rychlost a uživatelské rozhraní
- D) Důvěryhodnost značky, připojení k internetu a formát souboru
Popis: Tři kotvy; řádu, který kontroluje, zda je výsledek v rámci očekávané síly 10, agronomická přiměřenost, která sleduje soulad výstupu s plodinou a klimatem, a polní důkaz, který poskytuje potvrzení na poli spíše než jádro/vzorek. Značka zdroje, oblíbenost modelu nebo plynulost textu nejsou ověřovacími kritérii.
2. Co v zásadě měří NDVI (Normalized Difference Vegetation Index)?
- A) Určete přesné procento vlhkosti půdy v centimetrech
- B) Hustota a síla zelené, živé vegetace ✔
- C) Který původce onemocnění je přítomen na úrovni druhu?
- D) Konečná cena produktu po sklizni
Popis: NDVI měří hustotu a sílu zelené, fotosyntetické živé vegetace normalizací rozdílu mezi odrazivostí v blízkém infračerveném (NIR) a červeném pásmu. Protože zdravé rostliny silně odrážejí NIR a intenzivně absorbují červenou, NDVI se zvyšuje; Hodnota se snižuje v namáhaném nebo řídkém krytí. Neměří přímo výnos, vlhkost půdy nebo typ choroby; tyto vyžadují další údaje.
3. Satelitní snímek ukazuje oblast s nízkou hodnotou NDVI. Který z následujících kroků je nejlepší udělat, než z této anomálie uděláte technické rozhodnutí?
- A) Okamžitě na toto místo aplikujte fungicid
- B) Zdvojnásobení dávky hnojiva na plochu
- C) Potvrďte příčinu polní kontrolou, meteorologií a fenologií ✔
- D) Ignorujte anomálii a použijte průměr na celé pole
Vysvětlení: Nízká NDVI může být způsobena vodním stresem, nemocí, nedostatkem živin, občasným vzcházením, stínem oblačnosti nebo čerstvě zoranou půdou. Tuto nejistotu můžeme rozlišit pouze prostřednictvím polního řízení, meteorologie a fenologie; Samotná mapa neříká proč. Přímá aplikace pesticidů nebo hnojiv s sebou nese riziko zásahu do nesprávné příčiny.
4. Jaký je nejpřesnější přístup při zadávání souřadnic polí zemědělců, výnosů a nákladů do veřejně dostupného nástroje umělé inteligence?
- A) Vložení všech dat tak, jak jsou, s jejich ID a souřadnicemi
- B) Anonymizovat identifikační údaje a sdílet pouze nezbytná technická data ✔
- C) Načtení dat do veřejné tabulky bez jejich kontroly
- D) Darování dat pro modelový trénink bez povolení farmáře
Zveřejnění: Údaje farmářů jsou obchodně a osobně citlivé; Informace o souřadnicích, identitě a nákladech jsou věcí vlastnictví a důvěrnosti. Správným přístupem je anonymizovat identifikační informace s reprezentativními štítky (Plot-A, X coordinate) a sdílet pouze technická data potřebná pro analýzu. Sdílení dat tak, jak jsou, nebo jejich zpřístupnění vzdělávání bez povolení představuje etické a právní riziko.
5. Zpráva o analýze půdy uvádí pH jako 4,8. Co tato hodnota znamená agronomicky?
- A) Neutrální a ideální půda pro většinu plodin
- B) Silně kyselé; Stav, který může omezovat příjem potravy a vyžadovat nápravu ✔
- C) Silná zásada; stav vyžadující vápnění
- D) Znamená to, že salinita v půdě je extrémně vysoká.
Popis: pH 4,8 ukazuje na silně kyselou půdu; Za těchto podmínek se snižuje příjem fosforu a molybdenu, zvyšuje se riziko toxicity hliníku/manganu a u mnoha plodin je potlačený vývoj kořenů. Pro většinu polních plodin je vhodný rozsah 6,0-7,0. Proto se zvažuje korekce, jako je vápnění; Kyselá půda není „ideální“ a sama o sobě nezaručuje vysoké výnosy.
6. AI doporučuje 60 kg čistého dusíku na dekár pro pšeničné pole; Regionální praktický a cílový výnos udává přibližně 12-16 kg čistého dusíku na dekáru. Jaké je nejlepší chování?
- A) Implementace doporučení tak, jak je, protože AI vypočítala
- B) Pro jistotu ještě zvyšte dávku
- C) Považujte to za řádové varování a zkontrolujte vstupy a místní kalibraci ✔
- D) Rozdělení návrhu na polovinu bez zohlednění půdního rozboru
Popis: Doporučení je přibližně čtyřnásobek očekávaného rozsahu; Toto je řádové varování. Nadměrný dusík znamená jak ekonomické škody, tak riziko deprese, nemocí a znečištění dusičnany. Správné chování je odmítnout doporučení a zkontrolovat vstupy (jednotka, výnos, cílový výnos, půdní N) a místní kalibraci. Slepá aplikace způsobuje škody na životním prostředí a zemědělství.
7. Co znamená „spotřeba vody rostlinami“ (evapotranspirace, ET) používaná při rozhodování o zavlažování?
- A) Množství vody vstupující do půdy pouze prostřednictvím srážek
- B) Celková ztráta vody vypařováním z půdy a transpirací z rostliny ✔
- C) Elektrická vodivost půdy
- D) Hodnota tlaku v zavlažovacím potrubí
Vysvětlení: Evapotranspirace je celková ztráta vody z půdy do atmosféry vypařováním a transpirací z rostliny. Vynásobením referenčního ET koeficientem plodiny (Kc) se odhadne skutečná potřeba vody produktu (ETc) a podle této vodní bilance se naplánuje zavlažování. ET nejsou srážky nebo slanost půdy; Představuje odtokovou stranu vodního rozpočtu.
8. Inženýr, který viděl příznaky na listu, poskytl AI popis fotografie a obdržel předběžnou diagnózu. Co je povinné před převedením této diagnózy na rozhodnutí o hubení škůdců?
- A) Potvrzení agenta v terénu/laboratoři a výběr licencovaného a označeného léku ✔
- B) Užívání několika různých léků společně, jen pro jistotu
- C) Aplikujte účinnou látku okamžitě, cokoli řekne AI.
- D) Vyberte nejlevnější pesticid a aplikujte jej na celé pole
Vysvětlení: Předběžná diagnóza ze samotného snímku není dostatečná kvůli různým faktorům (plísňové, bakteriální, virové, nedostatek živin, abiotický stres), které způsobují podobné příznaky. Agent by měl být potvrzen terénním vzorkem a v případě potřeby laboratorní diagnostikou a poté by měl být vybrán pouze lék schválený pro tohoto agenta a tento produkt a vhodný pro jeho označení. Širokospektrální aplikace pesticidů bez ověření vytváří riziko rezistence a reziduí.
9. Jaký je účel konceptu GDD (Growth Degree Day), který se často používá při podpoře rozhodování v zemědělství?
- A) Podle hodnoty pH půdy
- B) Předvídání vývojových fází rostlin a vzcházení škůdců na základě akumulace tepla ✔
- C) Měření průtoku zavlažovacího potrubí
- D) Výpočet tržní ceny produktu
Popis: GDD je celkové teplo akumulované odečtením základní teploty od denní průměrné teploty a používá se k odhadu vývojových (fenologických) fází rostliny a doby vzcházení některých škůdců. Okna postřiků, hnojení a sklizně lze tedy plánovat spíše podle akumulace tepla než podle kalendáře. GDD není pH půdy nebo přímé množství srážek.
10. Které z následujících tvrzení je nejpřesnější pro model predikce výnosů vytvořený pomocí strojového učení?
- A) Předpovídá budoucnost přesně a bez chyb
- B) Vychází z minulých vzorců; Musí být uveden s rozsahem nejistoty a ověřen ✔
- C) Vždy pracuje se stejnou přesností v jiných podmínkách, než jsou tréninková data.
- D) Je jediným, kdo s konečnou platností rozhoduje bez agronomických informací
Popis: Model strojového učení je založen na vzorcích, které vidí v historických datech; Důvěra klesá, když vstupní podmínky spadají mimo tréninková data (nová odrůda, neobvyklé klima). Výstup by proto měl být uveden s rozsahem nejistoty, nikoli s bodem, a měl by být ověřen s historickým výnosem a referenčními hodnotami. Model nezná s jistotou budoucnost a nepracuje se stejnou přesností za všech podmínek.
11. Jaký je nejlepší postup před spuštěním kódu analýzy Python/pandy generovaného AI?
- A) Použití kódu přímo na celý soubor dat bez jeho čtení
- B) Testování s malým vzorkem dat se známými výsledky a kontrola vzorců a jednotek ✔
- C) Vzhledem k tomu, že stačí pracovat bez chyb.
- D) Vložení výstupu do reportu bez jeho kontroly
Popis: I když se kód vygenerovaný AI může jevit jako správný, může obsahovat chyby jednotky, názvu sloupce, vzorce indexu nebo logiky filtru. Osvědčeným postupem je ručně spustit výsledek na malém vzorku dat, která znáte, porovnat je s očekávaným výstupem a porovnat vzorce jako NDVI se zdrojem. Aplikování kódu na velká data, aniž byste to viděli, přesouvá tiché chyby do produkce.
12. Proč je zápisník pro podávání léků kritický v záznamech sledovatelnosti?
- A) Jen pro získání daňového odpočtu
- B) Poskytuje ověřitelný záznam pro shodu s MRL, certifikaci a zpětné sledování šarže ✔
- C) Pouze pro srovnání se sousedními poli
- D) Připravit reklamní brožury
Popis: Kniha podávání léků; Dokumentuje, který přípravek, jakou účinnou látku, v jaké dávce a datum použití a čekací dobu mezi poslední aplikací a sklizní. Tento záznam je povinný pro dodržení maximálního limitu reziduí (MRL), dobrou agronomickou/organickou certifikaci a zpětné sledování šarže, pokud se vyskytne problém. Neuchovává se pouze pro sledování nákladů nebo reklamu.
13. Nástroj umělé inteligence s jistotou hlásil škůdce, který se v dané oblasti nenašel, jako „běžnou hrozbu“. Který koncept může nejlépe vysvětlit tuto situaci?
- A) Chyba kalibrace snímače
- B) Halucinace: produkce informací, které neexistují v bezpečném jazyce ✔
- C) Přerušení síťového připojení
- D) Nedostatek údajů o srážkách
Vysvětlení: Halucinace se nazývá, když model produkuje informace, které ve skutečnosti neexistují nebo neodpovídají kontextu, jako by byly skutečné, plynulé a sebevědomé. Filtr agronomické věrohodnosti (je podnebí a plodina v regionu vhodné pro tohoto škůdce?) a terénní důkazy zachycují takové chyby před podpisem. Nejedná se o závadu snímače nebo chybu jednotky.
14. Jak by měla být definována role umělé inteligence v zemědělských rozhodnutích kritických pro bezpečnost a kvalitu (např. dávkování pesticidů, předepisování hnojiv, plán zavlažování)?
- A) Příslušný orgán, který jediný činí konečné rozhodnutí
- B) Automatizovaný systém, který nahrazuje schválení kompetentním agronomem
- C) Asistent, který vytváří návrhy a návrhy a nechává rozhodnutí na odborníkovi ✔
- D) Přesný zdroj informací, který nevyžaduje ověření
Popis: Umělá inteligence; Je to asistent, který vytváří obrysy, shrnuje data a navrhuje hypotézy. Konečné slovo v kritických rozhodnutích má kompetentní zemědělský inženýr, který je obeznámen s pozorováním v terénu, místní kalibrací a legislativou; Výstup AI toto schválení nenahrazuje. Pokud jde o bezpečnost produktů, životního prostředí a potravin, odpovědnost nese odborník na podepisování.