Kasu:
- Võimalus ära tunda ja hallata eetilisi riske, nagu põllumajandustootjate andmete omandiõigus, privaatsus ja algoritmiline eelarvamus
- Võimalus ühendada kõik mooduli lingid üheks hooajaliseks töövoos
- Kvaliteedisüsteemi kehtestamine, et tehisintellekti väljund ei asenda pädeva agronoomi heakskiitu ohutuskriitiliste põllumajandusotsuste puhul
Mooduli eksam
1. Millised on nn kolme ankru valideerimise ankrud, mida rakendatakse enne tehisintellekti väljundi kaasamist põllumajandustehnika otsusesse?
- A) Suuruse vahemik, agronoomiline usutavus ja tõendid põllul ✔
- B) Mudeli populaarsus, vastuse pikkus ja keeleoskus
- C) Hind, kiirus ja kasutajaliides
- D) Brändi usaldusväärsus, Interneti-ühendus ja failivorming
Kirjeldus: Kolm ankrut; suurusjärk, mis kontrollib, kas tulemus jääb eeldatava võimsuse 10 piiresse, agronoomiline mõistlikkus, mis vaatleb toodangu kooskõla saagi ja kliimaga ning põldtõendeid, mis annavad kinnitust pigem põllul kui südamiku/proovi puhul. Allika kaubamärk, mudeli populaarsus või teksti ladusus ei ole kontrollikriteeriumid.
2. Mida NDVI (Normalized Difference Vegetation Index) põhimõtteliselt mõõdab?
- A) Määrake mulla täpne niiskusprotsent sentimeetrites
- B) Rohelise elava taimestiku tihedus ja tugevus ✔
- C) Milline haigusetekitaja esineb liigi tasandil?
- D) Lõpptoote hind pärast saagikoristust
Kirjeldus: NDVI mõõdab rohelise, fotosünteetilise elava taimestiku tihedust ja tugevust, normaliseerides erinevuse lähi-infrapuna (NIR) ja punase riba peegelduste vahel. Kuna terved taimed peegeldavad NIR-i tugevalt ja neelavad intensiivselt punast, suureneb NDVI; Pingelise või hõreda katte korral väärtus väheneb. See ei mõõda otseselt saagikust, mulla niiskust ega haiguse tüüpi; need nõuavad lisaandmeid.
3. Satelliidipilt näitab madala NDVI väärtusega ala. Milline järgmistest on parim samm enne selle anomaalia insenerlikuks otsuseks muutmist?
- A) Kandke sellele alale viivitamatult fungitsiidi
- B) Piirkonna väetiseannuse kahekordistamine
- C) Kinnitage põhjus välikontrolli, meteoroloogia ja fenoloogia abil ✔
- D) Ignoreeri anomaaliaid ja rakenda kogu põllule keskmist
Selgitus: madal NDVI võib olla põhjustatud veestressist, haigustest, toitainete puudusest, harvadest tärkamisest, pilvevarjust või värskelt küntud pinnasest. Seda ebakindlust saame eristada ainult välikontrolli, meteoroloogia ja fenoloogia abil; Ainuüksi kaart ei ütle, miks. Pestitsiidide või väetiste kasutamisel on oht, et segatakse vale põhjusega.
4. Milline on kõige täpsem lähenemine põllumeeste põllukoordinaatide, saagi- ja kuluandmete sisestamisel avalikult kättesaadavasse tehisintellekti tööriista?
- A) Kõigi andmete kleepimine nende ID ja koordinaatidega
- B) Muutke identifitseeriv teave anonüümseks ja jagage ainult vajalikke tehnilisi andmeid ✔
- C) Andmete laadimine avalikku tabelisse ilma neid üldse kontrollimata
- D) Andmete annetamine modellikoolituseks ilma põllumehe loata
Avalikustamine: põllumajandustootjate andmed on äriliselt ja isiklikult tundlikud; Koordinaatide, identiteedi ja kuluteave on omandi ja konfidentsiaalsuse küsimus. Õige lähenemine on identifitseeriva teabe anonüümseks muutmine tüüpiliste siltidega (Plot-A, X koordinaat) ja jagada ainult analüüsiks vajalikke tehnilisi andmeid. Andmete jagamine sellisel kujul või nende loata haridusele avamine kujutab endast eetilisi ja juriidilisi riske.
5. Mullaanalüüsi aruandes on pH 4,8. Mida see väärtus agronoomiliselt tähendab?
- A) Neutraalne ja ideaalne pinnas enamiku põllukultuuride jaoks
- B) Tugevalt happeline; Seisund, mis võib piirata toidutarbimist ja vajada korrigeerimist ✔
- C) tugev leelis; lupjamist vajav seisund
- D) See tähendab, et mulla soolsus on äärmiselt kõrge.
Kirjeldus: pH 4,8 näitab tugevalt happelist mulda; Selle tingimuse korral väheneb fosfori ja molübdeeni omastamine, suureneb alumiiniumi/mangaani toksilisuse risk ja paljudel põllukultuuridel on juurte areng pärsitud. Enamiku põllukultuuride puhul on sobiv vahemik 6,0–7,0. Seetõttu kaalutakse sellist parandust nagu lupjamine; Happeline muld ei ole "ideaalne" ega taga iseenesest suurt saaki.
6. AI soovitas nisupõllu jaoks 60 kg puhast lämmastikku dekaari kohta; Piirkondlik praktiline ja sihtsaak näitab ligikaudu 12-16 kg puhast lämmastikku ühe dekaari kohta. Milline on parim käitumine?
- A) Soovituse rakendamine nii, nagu see on, kuna AI arvutas
- B) Ohutuse tagamiseks suurendage annust veelgi
- C) Vaadake seda kui suurusjärgu hoiatust ja kontrollige sisendeid ja kohalikku kalibreerimist ✔
- D) Ettepaneku jagamine pooleks ilma mullaanalüüsi arvestamata
Kirjeldus: soovitus on ligikaudu neli korda suurem kui eeldatav vahemik; See on suurusjärgu hoiatus. Liigne lämmastik tähendab nii majanduslikku kahju kui ka depressiooni, haiguste ja nitraadireostuse ohtu. Õige käitumine on soovituse tagasilükkamine ja sisendite (ühik, saagikus, sihtsaak, mulla N) ja lokaalse kalibreerimise kontrollimine. Pime kasutamine põhjustab keskkonna- ja agronoomilist kahju.
7. Mida tähendab niisutusotsuste tegemisel kasutatav taimede veetarbimine (evapotranspiratsioon, ET)?
- A) Ainult sademetega pinnasesse sattunud vee hulk
- B) Vee täielik kadu pinnasest aurustumise ja taimest transpiratsiooni tõttu ✔
- C) Pinnase elektrijuhtivus
- D) Rõhu väärtus niisutustorus
Selgitus: Evapotranspiratsioon on vee täielik kadu pinnasest atmosfääri aurustumisel ja taimest transpiratsioonil. Korrutades võrdlusaluse ET saagikoefitsiendiga (Kc), hinnatakse toote tegelik veevajadus (ETc) ja selle veebilansi järgi planeeritakse niisutamine. ET ei ole sademete hulk ega mulla soolsus; See esindab veeeelarve väljavoolu poolt.
8. Insener, kes nägi lehel sümptomeid, andis tehisintellektile foto kirjelduse ja sai esialgse diagnoosi. Mis on kohustuslik enne selle diagnoosi muutmist kahjuritõrjeotsuseks?
- A) Agensi kinnitamine põllul/laboris ning litsentsitud ja märgistatud ravimi valimine ✔
- B) Ohutuse mõttes mitme erineva ravimi samaaegne võtmine
- C) Kandke toimeaine kohe peale, mida AI ütleb.
- D) Valige odavaim pestitsiid ja kandke see kogu põllule
Selgitus: esialgne diagnoos ainult pildi järgi ei ole piisav erinevate tegurite (seen-, bakteri-, viirus-, toitainetepuudus, abiootiline stress) tõttu, mis põhjustavad sarnaseid sümptomeid. Tekitaja tuleks kinnitada väliprooviga ja vajadusel laboratoorse diagnoosiga ning seejärel valida ainult selle mõjuri ja selle toote jaoks litsentsitud ja selle märgistusele sobiv ravim. Pestitsiidide laia toimespektriga kasutamine ilma kontrollimiseta tekitab resistentsuse ja jääkide ohu.
9. Mis on põllumajanduslike otsuste toetamisel sageli kasutatava GDD (Growth Degree Day) kontseptsiooni eesmärk?
- A) Mulla pH väärtuse järgimine
- B) Taimede arengufaaside ja kahjurite tärkamise ennustamine soojuse akumulatsiooni teel ✔
- C) Niisutustoru voolukiiruse mõõtmine
- D) Toote turuhinna arvutamine
Kirjeldus: GDD on kogusoojus, mis koguneb päeva keskmisest temperatuurist baastemperatuuri lahutamisel ja seda kasutatakse taime arenguetappide (fenoloogia) ja mõnede kahjurite tärkamisaja hindamiseks. Seega saab pritsimist, väetamist ja koristusaknaid planeerida pigem soojuse akumulatsiooni kui kalendri järgi. GDD ei ole mulla pH või otsene sademete hulk.
10. Milline järgmistest väidetest on kõige täpsem masinõppega loodud tuluennustusmudeli jaoks?
- A) Ennustab tulevikku täpselt ja vigadeta
- B) see põhineb mineviku mustritel; Tuleb esitada mõõtemääramatuse vahemikuga ja kontrollida ✔
- C) See töötab alati sama täpsusega ka muudes tingimustes kui treeninguandmed.
- D) Ta on ainus lõpliku otsuse langetaja, kellel pole agronoomilist teavet
Kirjeldus: masinõppemudel põhineb mustritel, mida ta näeb ajaloolistes andmetes; Usaldus väheneb, kui sisendtingimused jäävad treeningandmetest väljapoole (uus sort, ebatavaline kliima). Seetõttu tuleks väljund esitada mõõtemääramatuse vahemikuga, mitte punktiga, ning seda tuleks kontrollida ajaloolise tootluse ja võrdlusaluste abil. Mudel ei tea tulevikku kindlalt ega tööta kõigis tingimustes sama täpsusega.
11. Milline on parim tava enne AI-ga loodud Pythoni/pandade analüüsikoodi käivitamist?
- A) Koodi rakendamine otse kogu andmekogumile ilma seda lugemata
- B) Testimine väikese näidisandmetega teadaolevate tulemustega ning valemite ja ühikute kontrollimine ✔
- C) Arvestades, et piisab ainult vigadeta töötamisest.
- D) Väljundi lisamine aruandesse seda üldse kontrollimata
Kirjeldus: kuigi tehisintellekti loodud kood võib tunduda õige, võib see sisaldada ühikut, veeru nime, indeksi valemit või filtri loogikavigu. Hea tava on tulemus käsitsi käitada väikese andmete valimi põhjal, võrrelda seda eeldatava väljundiga ja võrrelda valemeid (nt NDVI) allikaga. Koodi rakendamine suurandmetele ilma seda nägemata viib vaiksed vead tootmisse.
12. Miks on ravimite manustamise märkmik jälgitavuskirjete puhul kriitiline?
- A) Lihtsalt selleks, et saada maksusoodustust
- B) Pakub kontrollitavat dokumenti jääkide piirnormide järgimise, sertifitseerimise ja partii jälgimise kohta ✔
- C) Ainult võrdluseks naaberpõldudega
- D) Reklaambrošüüride koostamine
Kirjeldus: Ravimite manustamise raamat; See dokumenteerib, milline toode, milline toimeaine, millises annuses ja kuupäev seda kasutati ning ooteaeg viimase kasutuskorra ja saagikoristuse vahel. See registreerimine on kohustuslik jääkide piirnormi (MRL) järgimiseks, hea agronoomia/mahepõllumajandusliku sertifikaadi saamiseks ja probleemi ilmnemisel partii jälgimiseks. Seda ei säilitata ainult kulude jälgimise või reklaamimise eesmärgil.
13. Tehisintellekti tööriist teatas enesekindlalt kahjurist, mida piirkonnas ei leitud, kui „tavalist ohtu”. Milline kontseptsioon võib seda olukorda kõige paremini selgitada?
- A) Anduri kalibreerimise viga
- B) Hallutsinatsioonid: teabe tootmine, mida pole turvalises keeles olemas ✔
- C) Võrguühenduse katkestus
- D) Puuduvad andmed sademete kohta
Selgitus: Seda nimetatakse hallutsinatsiooniks, kui mudel toodab teavet, mida tegelikult ei eksisteeri või mis ei vasta kontekstile, justkui oleks see tõeline, ladus ja enesekindel. Agronoomilise usutavuse filter (kas piirkonna kliima ja põllukultuurid sobivad sellele kahjurile?) ja põldtõendid tabavad sellised vead enne allkirjastamist. See ei ole anduri rike ega seadme viga.
14. Kuidas tuleks määratleda tehisintellekti roll ohutuse ja kvaliteedi seisukohast kriitiliste põllumajandusotsuste puhul (nt pestitsiidide annus, väetise retsept, niisutuskava)?
- A) Pädev asutus, kes ainuisikuliselt teeb lõpliku otsuse
- B) Automatiseeritud süsteem, mis asendab pädeva agronoomi kinnituse
- C) Assistent, kes koostab eelnõud ja ettepanekud ning jätab otsustamise eksperdile ✔
- D) Täpne teabeallikas, mis ei vaja kontrollimist
Kirjeldus: Tehisintellekt; See on assistent, mis koostab põhijooni, teeb andmete kokkuvõtteid ja esitab hüpoteese. Kriitiliste otsuste langetamise viimane sõna kuulub pädevale põllumajandusinsenerile, kes tunneb põldvaatlust, kohalikku kalibreerimist ja seadusandlust; AI väljund ei asenda seda kinnitust. Toote-, keskkonna- ja toiduohutuse osas lasub vastutus allkirjastanud eksperdil.