Κέρδη:
- Δυνατότητα επεξήγησης των πηγών δεδομένων που χρησιμοποιούνται στην πρόβλεψη απόδοσης και της διαφοράς μεταξύ μηχανικής εκμάθησης και μηχανιστικών μοντέλων
- Δυνατότητα διαμόρφωσης της ρύθμισης πρόβλεψης απόδοσης, των χαρακτηριστικών και του εύρους αβεβαιότητας με AI
- Δυνατότητα επαλήθευσης της απόδοσης του μοντέλου με ιστορική απόδοση, σημείο αναφοράς και μέτρηση πεδίου και αποτροπή υπερβολικής εμπιστοσύνης
"Πόσο προϊόν θα πάρω από αυτόν τον τομέα;" Αυτή είναι η παλαιότερη και πιο πολύτιμη ερώτηση στη γεωργία. Γνωρίζοντας τη σωστή απάντηση. Σημαίνει σχεδιασμό του εργάτη της συγκομιδής, αποθήκη, μεταφορά, σύμβαση πώλησης και χρηματοδότηση. Το να το γνωρίζεις λανθασμένα σημαίνει ότι σπαταλάς πόρους ή δεν μπορείς να συμβαδίσεις. Η τεχνητή νοημοσύνη και η μηχανική μάθηση (ML, μια μέθοδος που μαθαίνει μοτίβα σε δεδομένα και προβλέπει νέες καταστάσεις) μπορούν να δώσουν ισχυρές αλλά επικίνδυνα πειστικές απαντήσεις σε αυτήν την ερώτηση. Αυτή η ενότητα σάς διδάσκει τις πηγές δεδομένων της πρόβλεψης απόδοσης, τη διαφορά μεταξύ των δύο βασικών προσεγγίσεων, τη μηχανική μάθηση και τα μηχανιστικά μοντέλα, το εύρος της αβεβαιότητας στην πρόβλεψη και - το πιο σημαντικό - πώς να αποφύγετε την υπερβολική εμπιστοσύνη.
Από τι εξαρτάται η αποτελεσματικότητα; εισροές
Η απόδοση δεν εξαρτάται μόνο από ένα πράγμα. είναι προϊόν πολλών παραγόντων. Κύριες πηγές εισόδου:
- Κατάσταση φυτών: χρονοσειρές NDVI/NDRE (ανάπτυξη βιομάζας) σε όλη την εποχή, πυκνότητα φυτών, υγεία.
- Έδαφος: pH, OM, KDK, κατακράτηση νερού, ζώνη διαχείρισης.
- Καιρός/κλίμα: συσσώρευση GDD, βροχόπτωση και θερμοκρασία κρίσιμης περιόδου, παγετός/χαλαζόπτωση.
- Διαχείριση: Ποικιλία, ημερομηνία φύτευσης, ποσότητα λιπάσματος και άρδευση, ψεκασμός.
- Ιστορικό: Οι αποδόσεις του προηγούμενου έτους του ίδιου τομέα (ένας από τους ισχυρότερους μεμονωμένους δείκτες).
Το AI συνδυάζει αυτές τις εισόδους (χαρακτηριστικά) και παράγει μια πρόβλεψη. Αλλά τι δεν πρέπει να ξεχνάμε: το μοντέλο γνωρίζει μόνο τα δεδομένα που τροφοδοτεί και τα μοτίβα που βλέπει σε αυτά τα δεδομένα. Εάν δεν παρέχετε την ημερομηνία Οκτωβρίου, θα αγνοήσει αυτόν τον παράγοντα.
Δύο προσεγγίσεις: Μηχανική Μάθηση vs Μηχανιστικό Μοντέλο
Το μοντέλο μηχανικής μάθησης μαθαίνει στατιστικά μοτίβα από παραδείγματα προηγούμενων ετών "αυτή είναι η απόδοση σε αυτές τις συνθήκες". Η δύναμή του: καταγράφει πολλές μεταβλητές και σύνθετες σχέσεις. Αδυναμία: η εμπιστοσύνη καταρρέει όταν υπερβαίνουν τα δεδομένα εκπαίδευσης (νέα ποικιλία, πρωτοφανής ξηρασία, διαφορετική περιοχή). αγωνίζεται να εξηγήσει γιατί («μαύρο κουτί»).
Το μηχανιστικό (βασισμένο σε διαδικασίες) μοντέλο μιμείται τη φυσιολογία της ανάπτυξης των φυτών με εξισώσεις (φωτοσύνθεση, ισορροπία νερού-θρεπτικών συστατικών). Πλεονεκτήματα: πιο αξιόπιστο, εξηγήσιμο σε νέες συνθήκες. Αδυναμία: απαιτεί πολλή εισαγωγή και βαθμονόμηση, δύσκολο να ρυθμιστεί.
Στην πράξη συνδυάζονται και τα δύο και επαληθεύονται με μέτρηση πεδίου. Η τεχνητή νοημοσύνη επιταχύνει τη ρύθμιση, τα χαρακτηριστικά και την αναφορά και των δύο προσεγγίσεων.
Μέγεθος
μηχανική μάθηση
Μηχανιστικό μοντέλο
Βασικό
Μοτίβο ιστορικών δεδομένων
Φυσιολογικές εξισώσεις
νέα κατάσταση
Αδύναμο (κίνδυνος παρέκτασης)
ισχυρότερος
Επεξηγησιμότητα
Χαμηλό (μαύρο κουτί)
ψηλά
Ανάγκη δεδομένων
παλιό παράδειγμα
Πολυπαράμετρος/βαθμονόμηση
Ο ρόλος του AI
Λογοτεχνία μεγάλου μήκους + μοντέλου
Προετοιμασία συμμετοχής, σχόλιο
Συμβουλή: Πριν εμπιστευτείτε μια πρόβλεψη απόδοσης, ρωτήστε: «Είναι οι συνθήκες του τρέχοντος έτους παρόμοιες με το παρελθόν από το οποίο έχει μάθει το μοντέλο;» Μια ασυνήθιστη ξηρασία, μια νέα ποικιλία ή μια διαφορετική περιοχή καθιστά την εκτίμηση ML αναξιόπιστη. Σε τέτοιες περιπτώσεις, επεκτείνετε το εύρος αβεβαιότητας.
Εύρος αβεβαιότητας: Γιατί διάστημα και όχι σημείο;
Μια καλή εκτίμηση απόδοσης δεν λέει "620 κιλά ανά δεκάριο". Λέει «560-680 κιλά ανά δεκάριο, το πιο πιθανό είναι 620, η εμπιστοσύνη είναι μέτρια». Γιατί το μέλλον είναι αβέβαιο και ένας περιττός αριθμός δημιουργεί μια ψευδή βεβαιότητα. Δεκέμβριος; Επιτρέπει τη δημιουργία σεναρίων (κακών/μεσαίων/καλών) και τη διαχείριση του κινδύνου στον προγραμματισμό. Να ζητάτε πάντα εμβέλεια και επίπεδο εμπιστοσύνης όταν κάνετε πρόβλεψη AI. Να είστε δύσπιστοι για ένα μοντέλο που δίνει έναν περιττό αριθμό.
Three Mini Cases: By the Numbers
Περίπτωση 1 - Σχεδιασμός διαστήματος. Ένας παραγωγός σιταριού είχε κανονίσει τη συγκομιδή και τη μεταφορά με βάση μια ενιαία εκτίμηση (500 κιλά ανά δεκάριο). Όταν το μοντέλο που υποστηρίζεται από AI έδωσε βαθμολογία 430-560 κιλά και «ευαίσθητο στις βροχοπτώσεις κρίσιμης περιόδου», ο κατασκευαστής έκανε ένα ευέλικτο σχέδιο εργασίας. Το πραγματικό βάρος ήταν 445 κιλά. Ενώ ο άκαμπτος σχεδιασμός θα είχε δημιουργήσει πολλά έξοδα, η απόσταση εξοικονομούσε ευελιξία.
Περίπτωση 2 - Παγίδα παρεκβολής. Ένα μοντέλο προέβλεψε υψηλές αποδόσεις με βάση ιστορικά δεδομένα κατά τη διάρκεια ενός έτους ξηρασίας άνευ προηγουμένου σοβαρότητας. Ο μηχανικός συνειδητοποίησε ότι οι συνθήκες ήταν εκτός των δεδομένων εκπαίδευσης και απέρριψε την πρόβλεψη και επέστρεψε στη μέτρηση του αγρού (πυκνότητα φυτών, μέτρηση αυτιών). Θα ήταν σοβαρό λάθος σχεδιασμού εάν το μοντέλο είχε ακουσθεί μόνο του.
Περίπτωση 3 - Λείπει το χαρακτηριστικό. Μία εκτίμηση ήταν υψηλότερη από την αναμενόμενη. Όταν εξετάστηκε, διαπιστώθηκε ότι δεν είχε εισαχθεί χαλάζι στο μοντέλο. Μόλις ολοκληρώθηκε η εισαγωγή, η πρόβλεψη έπεσε ρεαλιστικά. Μάθημα: το μοντέλο ξέρει μόνο όσα του δίνεις. Η λήθη ενός κρίσιμου γεγονότος διογκώνει την εκτίμηση.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Πόση απόδοση θα πάρω από αυτό το χωράφι; Δώσε μου έναν αριθμό.
Ισχυρή προτροπή:
Ο ρόλος σας: Αναλυτής γεωργικών δεδομένων. ΣΧΕΔΙΑΣΤΕ μια προσέγγιση για την πρόβλεψη της απόδοσης (όχι κατασκευή μοντέλων, αλλά μυθοπλασία και ερμηνεία). Έχω τις εισροές: [Σειρά NDVI, έδαφος, GDD, ημερομηνία φύτευσης, ιστορική απόδοση...]. Εργασία:- Εξηγήστε ποια χαρακτηριστικά πρέπει να χρησιμοποιήσω, ποια είναι τα πιο καθοριστικά, - Ζητήστε την εκτίμηση ως INTERVAL και επίπεδο εμπιστοσύνης, όχι ως ΣΗΜΕΙΟ.- Είναι οι φετινές συνθήκες παρόμοιες με το παρελθόν; Αξιολογήστε εάν υπάρχει κίνδυνος παρέκτασης. - Ρωτήστε για κρίσιμες εισροές που μπορεί να λείπουν (χαλάζι, παγετός, ασθένειες). - Γράψτε πώς να επαληθεύσετε την εκτιμώμενη μέτρηση του αγρού (αριθμός αυτιών/καρπών).
Η ισχυρή προτροπή επιβάλλει την απόσταση, τον έλεγχο παρέκτασης, την ανίχνευση εισόδου που λείπει και την επαλήθευση πεδίου.
Τέσσερα αντιγράψιμα πρότυπα
1) Προτεραιότητα χαρακτηριστικών:
Καταγράψτε, με σειρά προσδιορισμού, τα χαρακτηριστικά που μπορούν να χρησιμοποιηθούν για την εκτίμηση της απόδοσης για το ακόλουθο προϊόν. Εξηγήστε συνοπτικά γιατί το καθένα είναι σημαντικό. Σημειώστε ξεχωριστά τα δεδομένα που δεν έχω αλλά θα είναι πολύτιμα.
2) Εύρος αβεβαιότητας:
Δώστε αυτήν την εκτίμηση όχι ως σημείο, αλλά ως χαμηλότερο-ανώτερο εύρος και επίπεδο εμπιστοσύνης (υψηλό/μέσο/χαμηλό). Γράψτε τους παράγοντες που περιορίζουν και διευρύνουν το εύρος.
3) Έλεγχος παρέκτασης:
Συγκρίνετε τις φετινές συνθήκες (καιρικές συνθήκες, ποικιλία, διαχείριση) με τυπικά περασμένα χρόνια. Το μοντέλο ξεφεύγει από τα δεδομένα εκπαίδευσης; Εάν ναι, πόσο πρέπει να εμπιστευτώ την πρόβλεψη;
4) Σχέδιο επιτόπιας επαλήθευσης:
Πώς μπορώ να κάνω ποια μέτρηση (αριθμός στάχυων/καρπών ανά χωράφι, βάρος κόκκου) για να επαληθεύσω αυτήν την εκτίμηση απόδοσης στο χωράφι πριν από τη συγκομιδή; Προτείνετε σχέδιο δειγματοληψίας.
Συνήθη λάθη
- Εμπιστοσύνη σε έναν μόνο αριθμό. Μια εκτίμηση σημείου είναι ψευδής ακρίβεια. Ζητήστε εμβέλεια και επίπεδο εμπιστοσύνης.
- Αγνοώντας την παρέκταση. Η εκτίμηση ML σε ένα ασυνήθιστο έτος είναι αναξιόπιστη. Συγκρίνετε την κατάσταση με το παρελθόν.
- Ξεχνώντας την κρίσιμη εισαγωγή. Εάν δεν εισαγάγετε γεγονότα όπως χαλάζι, παγετός και ασθένειες, η πρόβλεψη θα είναι διογκωμένη.
- Κλείσιμο του μοντέλου στο χωράφι. Η άμεση μέτρηση, όπως η μέτρηση καρπών/καρπών, είναι η τελική άγκυρα. Μην το παραλείψετε.
- Εμπιστευόμενοι τυφλά το μαύρο κουτί. Μια πρόβλεψη της οποίας ο λόγος δεν μπορεί να εξηγηθεί δεν πρέπει να γίνει απόφαση χωρίς να αμφισβητηθεί.
Προσοχή: Η πρόβλεψη απόδοσης ενεργοποιεί οικονομικές και λειτουργικές αποφάσεις (σύμβαση, δάνειο, εργαζόμενος). Μια δέσμευση που βασίζεται σε μια υπερβολικά αισιόδοξη πρόβλεψη προκαλεί σοβαρή ζημιά αν δεν πραγματοποιηθεί. Παρουσιάστε την εκτίμηση ως μια σειρά από πιθανότητες και αναλάβετε κρίσιμες δεσμεύσεις με βάση το προσεκτικό σενάριο.
Συνοπτικά
Η πρόβλεψη απόδοσης είναι ένας συνδυασμός πολλών εισροών (φυτό, έδαφος, καιρός, διαχείριση, ιστορία). Η μηχανική μάθηση καταγράφει πολύπλοκα μοτίβα, αλλά η εμπιστοσύνη της καταρρέει όταν υπερβαίνει τα δεδομένα εκπαίδευσης. Το μηχανιστικό μοντέλο είναι πιο αξιόπιστο στη νέα κατάσταση, αλλά είναι δύσκολο να καθοριστεί. Η τεχνητή νοημοσύνη επιταχύνει την κατασκευή και των δύο προσεγγίσεων. Μια καλή εκτίμηση είναι ένα διάστημα, όχι ένα σημείο, που παρουσιάζεται με επίπεδο εμπιστοσύνης, ελέγχεται για τον κίνδυνο παρέκτασης και επαληθεύεται με μέτρηση πεδίου. Η υπερβολική αυτοπεποίθηση είναι το πιο ακριβό λάθος. Μια πρόβλεψη είναι μια πιθανότητα, όχι μια δέσμευση.
Εργασία εφαρμογής
Καταγράψτε τις (αντιπροσωπευτικές) εισροές που έχετε για μια καλλιέργεια: αρκετά χρόνια ιστορικής απόδοσης, τάση NDVI, ημερομηνία φύτευσης, βροχοπτώσεις κρίσιμης περιόδου. Αποκτήστε τεχνητή νοημοσύνη για να προβλέψετε την απόδοση με τα πρότυπα "προτεραιοποίηση λειτουργιών" και "κενό αβεβαιότητας" σε αυτήν την ενότητα. Στη συνέχεια, αφαιρέστε σκόπιμα μια κρίσιμη είσοδο (για παράδειγμα, ένα συμβάν χαλαζόπτωσης) και ρωτήστε ξανά και παρατηρήστε πώς αλλάζει η πρόβλεψη. Γράψτε σε μία παράγραφο πώς θα επαληθεύσετε την πρόβλεψη στο χωράφι πριν από τη συγκομιδή.
λίστα ελέγχου
- [ ] Ήθελα το εκτιμώμενο σημείο, όχι το εύρος και το επίπεδο εμπιστοσύνης.
- [ ] Σύγκρισα τις φετινές συνθήκες με το παρελθόν και έλεγξα τον κίνδυνο παρέκτασης.
- [ ] Έλεγξα ότι δεν λείπουν κρίσιμες εισροές (χαλάζι, παγετός, ασθένεια).
- [ ] Σύγκρισα την εκτιμώμενη ιστορική απόδοση και το σημείο αναφοράς.
- [ ] Δημιούργησα ένα σχέδιο επαλήθευσης με μέτρηση αγρού (αριθμός αυτιών/φρούτων).