કૃષિ ઇજનેરીમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને વેરિફિકેશન શિસ્તનો પરિચય

નફો:

• કૃષિ ઇજનેરી કાર્યપ્રવાહમાં AI વાસ્તવિક સમયને ક્યાં બચાવે છે અને કયા નિર્ણયો એ કૃષિવિજ્ઞાનીની જવાબદારી રહેવી જોઈએ તે સમજવાની ક્ષમતા
• ત્રણ એન્કર શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક AI આઉટપુટને તીવ્રતાના ક્રમમાં, કૃષિશાસ્ત્રીય વાજબીતા અને ક્ષેત્ર પુરાવા સાથે ક્રોસ-વેલીડેટ કરે છે
• અસ્પષ્ટતા, આભાસ અને ખેડૂત ડેટા ગોપનીયતાના જોખમોને ઓળખો અને સંદર્ભને અનામી કરીને સુરક્ષિત પ્રોમ્પ્ટ સેટ કરવાની આદત પાડો.

કૃષિ ઇજનેરી એ જીવંત પ્રણાલી - માટી, છોડ, આબોહવા અને લોકો - એક સાથે સંચાલિત કરવાની કળા છે. એક ક્ષેત્ર ક્યારેય બે વાર સરખું હોતું નથી: એક જ બીજ, એક જ ખાતર, એક જ સિંચાઈ અલગ-અલગ વર્ષોમાં અલગ અલગ ઉપજ આપે છે કારણ કે હવામાન, જમીનની ભેજ, રોગનું દબાણ અને સેંકડો ચલ સતત રમતમાં હોય છે. તેથી જ કૃષિ એ એક એવો વ્યવસાય છે જે સ્વાભાવિક રીતે અનિશ્ચિતતા સાથે ચાલે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI; ​​સોફ્ટવેર સિસ્ટમ્સ કે જે મોટા ડેટા પેટર્નમાંથી શીખે છે અને ટેક્સ્ટ, છબીઓ અથવા સંખ્યાઓ બનાવે છે) આ અનિશ્ચિતતાને સંચાલિત કરવા માટે એક શક્તિશાળી સાધન છે, પરંતુ તે એક એવું સાધન પણ છે જે ખતરનાક તેજસ્વી ભાષામાં સમાન અનિશ્ચિતતાને છુપાવી શકે છે. આ એકમ બે પાયા મૂકે છે જેના પર સમગ્ર મોડ્યુલ બાંધવામાં આવશે: જ્યાં કૃષિ કાર્યપ્રવાહમાં કૃત્રિમ બુદ્ધિ વાસ્તવિક મૂલ્ય ઉત્પન્ન કરે છે અને અમે દરેક આઉટપુટને કેવી રીતે માન્ય કરીએ છીએ.

ચાલો શરૂઆતથી જ સ્પષ્ટ થઈએ: આ મોડ્યુલમાં તમે જે ટેકનિક શીખશો તેમાંથી કોઈપણ લાયકાત ધરાવતા કૃષિ ઈજનેર (કૃષિશાસ્ત્રી) ના હસ્તાક્ષર, ક્ષેત્ર નિરીક્ષણ અને એન્જિનિયરિંગ ચુકાદાને બદલશે નહીં. કૃત્રિમ બુદ્ધિ એ સહાયક છે; ઝડપથી વાંચે છે, ઝડપથી લખે છે, પેટર્ન પકડે છે. પરંતુ જો ખોટી ખાતર પ્રિસ્ક્રિપ્શન સ્ટ્રીમ બેડને પ્રદૂષિત કરે છે, જો જંતુનાશકની ખોટી માત્રા પાક પર અવશેષો છોડે છે અને ખાદ્ય સુરક્ષાને અવરોધે છે, જો ખામીયુક્ત સિંચાઈ યોજના જમીનને ઉજ્જડ બનાવે છે, તો જવાબદારી સોફ્ટવેરની નહીં પરંતુ તેના પર હસ્તાક્ષર કરનાર એન્જિનિયરની છે. તમે આ વાક્યને મોડ્યુલના દરેક એકમમાં અલગ-અલગ સ્વરૂપોમાં ફરીથી જોશો, કારણ કે જ્યાં પર્યાવરણ અને ખાદ્ય સુરક્ષા જોખમમાં હોય તેવા વ્યવસાયમાં આ એકમાત્ર સત્ય છે.

કૃષિ કાર્યપ્રવાહમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં મૂલ્યનું સર્જન કરે છે?

એક કૃષિવિજ્ઞાનીનું સપ્તાહ લગભગ ત્રણ પ્રકારના કામમાં વહેંચાયેલું છે: માહિતીની તૈયારી (માટી વિશ્લેષણ અહેવાલો વાંચવા, ક્ષેત્ર નોંધો સંપાદિત કરવા, સેન્સર કોષ્ટકો સાફ કરવા), અર્થઘટન અને વિશ્લેષણ (છોડ આરોગ્ય મૂલ્યાંકન, રોગ નિદાન, ખાતર અને સિંચાઈ આયોજન, ઉપજ અને પ્રીસ્ક્રિપ્શન રિપોર્ટ, સત્તાવાર અંદાજપત્ર, પ્રિસ્ક્રિપ્શન રિપોર્ટિંગ), પત્રવ્યવહાર). AI ત્રણેય ક્ષેત્રોને સ્પર્શે છે, પરંતુ દરેકમાં તેનું યોગદાન અને જોખમ અલગ-અલગ છે.

ડેટાની તૈયારી એ આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સૌથી સુરક્ષિત અને સૌથી નફાકારક ક્ષેત્ર છે. છૂટાછવાયા ક્ષેત્રના અવલોકનોને પ્રમાણભૂત સ્પ્રેડશીટમાં ફેરવવું, વિવિધ પ્રયોગશાળાઓમાંથી અહેવાલોના વિવિધ ફોર્મેટને એક જ નમૂનામાં લાવવું, ભેજ સેન્સર રેકોર્ડ્સની હજારો લાઇનમાં આઉટલીયર્સને ફ્લેગ કરવું-આ એવા કાર્યો છે જે પુનરાવર્તિત, નિયમ-આધારિત અને ચકાસવામાં સરળ છે. જો અહીં કોઈ ભૂલ હોય તો પણ, સ્રોત (કાચા ડેટા) પર પાછા જવા માટે અને તેને તપાસવામાં મિનિટ લાગે છે.

અર્થઘટન અને વિશ્લેષણનું ક્ષેત્ર સૌથી વધુ મૂલ્ય અને સૌથી વધુ જોખમ ધરાવે છે. AI NDVI નકશામાંથી સંભવિત જળ તણાવ ઝોન સૂચવી શકે છે; આ એક એવી પેટર્ન જાહેર કરી શકે છે જે અનુભવી આંખ પણ મોટા ક્ષેત્રમાં ચૂકી શકે છે. પરંતુ તે જ મોડેલ વિશ્વાસપૂર્વક એવા રોગનું વર્ણન કરી શકે છે જે તે પ્રદેશમાં અસ્તિત્વમાં નથી તે "વ્યાપક ખતરો" તરીકે. જ્યારે મોડેલ એવી માહિતી ઉત્પન્ન કરે છે જે વાસ્તવિકતામાં અસ્તિત્વમાં નથી, જાણે કે તે વાસ્તવિક હોય, તેને આભાસ કહેવામાં આવે છે. આ ક્ષેત્રમાં, AI એ પૂર્વધારણા જનરેટર છે, નિર્ણય નિર્માતા નથી.

સંદેશાવ્યવહારના ક્ષેત્રમાં, કૃત્રિમ બુદ્ધિ એ ડ્રાફ્ટ એક્સિલરેટર છે. તે મિનિટોમાં ખેડૂત માહિતી અહેવાલ, સાહિત્યનો સારાંશ અથવા પ્રમાણપત્ર એપ્લિકેશન ટેક્સ્ટનો મુસદ્દો તૈયાર કરે છે. અહીં જોખમ એ છે કે બનાવટી સ્ત્રોતો અને ખોટા ડોઝ વહેતા લખાણમાં ખેડૂત અથવા ઓડિટનું ધ્યાન ન જાય તે માટે તેમનો માર્ગ શોધી શકે છે.

ટીપ: AI ને નોકરી આપતા પહેલા, તમારી જાતને પૂછો: "મને કેવી રીતે ખબર પડશે કે આ આઉટપુટ ખોટું છે અને તેને ઠીક કરવામાં કેટલો સમય લાગશે?" જો જવાબ મિનિટો (ડેટા સફાઈ) છે, તો તેનો આરામથી ઉપયોગ કરો; જો જવાબ "ઉત્પાદનને નુકસાન ન થાય ત્યાં સુધી હું સમજી શકીશ નહીં" (ડોઝનો નિર્ણય), તો સ્વતંત્ર રીતે ચકાસવાની ખાતરી કરો.

માન્યતા શિસ્ત: ત્રણ એન્કર નિયમ

આ મોડ્યુલનું હાર્દ એક જ આદત છે: કોઈપણ AI આઉટપુટને તેને માન્ય કર્યા વિના કૃષિ વિષયક નિર્ણયમાં સામેલ ન કરવું. અમે માન્યતાને ત્રણ સ્વતંત્ર એન્કર પર આધાર રાખીએ છીએ.

પ્રથમ એન્કર - તીવ્રતાનો ક્રમ. શું પરિણામ અંદાજે 10 શ્રેણીની અપેક્ષિત શક્તિની અંદર છે? ઘઉંમાં પ્રતિ ડેકેર શુદ્ધ નાઇટ્રોજનની જરૂરિયાત સામાન્ય રીતે 10-18 કિલોના ક્રમમાં હોય છે; જો મોડેલ પ્રતિ ડેકેર 60 કિગ્રા ગુમાવે છે, તો એકમ અથવા સંપાદન ભૂલ છે અને તે વિગતવારમાં ગયા વિના સમજી શકાય છે. ટપક સિંચાઈ પદ્ધતિનો પ્રવાહ દર કલાક દીઠ લિટરના ક્રમમાં છે; જો મોડેલ ક્યુબિક મીટર આપે છે, તો તે નોનસેન્સ છે. આ ચેક સેકન્ડ લે છે અને મોટાભાગની ભૂલો પકડે છે.

બીજો એન્કર - કૃષિશાસ્ત્રીય વાજબીતા. શું આઉટપુટ પાકના જીવવિજ્ઞાન અને પ્રદેશની આબોહવા સાથે સુસંગત છે? જો મોડેલ ઉનાળાના મધ્યમાં શિયાળાના ઘઉંના વાવેતરની ભલામણ કરે છે; અથવા જો તે ઉષ્ણકટિબંધીય જીવાતને મુખ્ય ખતરો તરીકે આ પ્રદેશમાં ક્યારેય જોવામાં આવ્યું નથી, તો ત્યાં કાં તો બાંધકામની ભૂલ છે અથવા તો મોડેલ બકવાસ છે. પાકની ફિનોલોજી (વિકાસના તબક્કાઓ), જમીનનો પ્રકાર અને સ્થાનિક આબોહવા એ બુદ્ધિગમ્યતાનું ફિલ્ટર છે જે દરેક પ્રસ્તાવ પસાર થવો જોઈએ.

ત્રીજો એન્કર - ફીલ્ડ પ્રૂફ. આ સૌથી મજબૂત એન્કર છે. માટીના ઓગર સાથે લેવામાં આવેલ નમૂના, પાંદડાનું વિશ્લેષણ, ખેતરમાં વિઝ્યુઅલ કાઉન્ટ, ભેજ સેન્સરનું વાંચન. સેટેલાઇટમાંથી સ્ટ્રેસ સિગ્નલ એ જ વિસ્તારમાં જઈને પ્લાન્ટને જોઈને ટેસ્ટ કરવામાં આવે છે. નમૂના લઈને અને પ્રયોગશાળામાં રોગના પ્રારંભિક નિદાનની પુષ્ટિ થાય છે. જમીની સત્યની હંમેશા જીત થાય છે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - માટી અહેવાલ અર્થઘટનમાં સમય બચાવ્યો. એક કૃષિ ઈજનેર 38 અલગ-અલગ પાર્સલ (દરેક અલગ પ્રયોગશાળાના ફોર્મેટમાં)ના માટી પૃથ્થકરણના અહેવાલોનો મેન્યુઅલી સારાંશ આપી રહ્યો હતો; રિપોર્ટ દીઠ સરેરાશ 20 મિનિટ, કુલ આશરે 13 કલાક. AI-સંચાલિત ચાર્ટિંગ વર્કફ્લો સાથે, તેણે પ્રથમ ડ્રાફ્ટને રિપોર્ટ દીઠ 4 મિનિટ સુધી ઘટાડ્યો, બાકીનો સમય થ્રેશોલ્ડને મેન્યુઅલી માન્ય કરવા માટે ફાળવ્યો. કુલ સમય લગભગ 5 કલાક ઘટી ગયો; મહત્ત્વની બાબત એ હતી કે મેળવેલો સમય નિયંત્રણમાં ખર્ચવામાં આવ્યો હતો.

કેસ 2 - કેપ્ચર થયેલ આભાસ. જ્યારે એક ઇન્ટર્ન પાસે દ્રાક્ષાવાડીના રોગના ઇતિહાસનો AI સંક્ષિપ્તમાં હતો, ત્યારે ટેક્સ્ટમાં વાક્યનો સમાવેશ થતો હતો "પ્રદેશમાં મુખ્ય સાઇટ્રસ હુઆંગલોંગબિંગ (HLB) દબાણ." જો કે, પાર્સલમાં દ્રાક્ષ (દ્રાક્ષ) હતી, સાઇટ્રસ નહીં; મોડેલે અન્ય પ્રોડક્ટની માહિતીમાં ભેળસેળ કરી હતી. અહેવાલ પર હસ્તાક્ષર કરવામાં આવે તે પહેલાં કૃષિશાસ્ત્રીય બુદ્ધિગમ્ય ફિલ્ટર (ક્રોપ પેટર્ન HLB સાથે પાલન કરતી ન હતી) એ ભૂલ પકડી હતી.

કેસ 3 - એકમ ભૂલ. એક ખાતરની ગણતરીમાં, મોડેલે પ્રતિ હેક્ટર ભલામણ સાથે નાઈટ્રોજનની માત્રાને 10 (1 હેક્ટર = 10 ડેકેરથી) ના પરિબળથી વધારીને પ્રતિ ડેકેર ભલામણ સાથે ભેળસેળ કરી. મેગ્નિટ્યુડ ચેકનો ઓર્ડર - "આ પાર્સલમાં 15 કિગ્રા નથી પરંતુ 150 કિગ્રા શુદ્ધ નાઇટ્રોજન નથી" - તરત જ ભૂલ જાહેર થઈ. જો તેનો અમલ કરવામાં આવ્યો હોત તો આર્થિક નુકસાન અને નાઈટ્રેટ પ્રદૂષણ બંને થયું હોત.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

પ્રોમ્પ્ટ એ એક લેખિત સૂચના છે જે તમે AI ને આપો છો; તેની ગુણવત્તા સીધી આઉટપુટની ગુણવત્તા નક્કી કરે છે.

નબળા પ્રોમ્પ્ટ:

આ ક્ષેત્રની સ્થિતિનું મૂલ્યાંકન કરો અને મને કહો કે મારે શું કરવું જોઈએ.[ડેટા]

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: વરિષ્ઠ કૃષિ ઇજનેર (કૃષિશાસ્ત્રી). આપેલ માહિતીના આધારે જ નીચેના ફીલ્ડ ડેટાનું અર્થઘટન કરો. - ડેટામાં ન હોય તેવી કોઈપણ પ્રોડક્ટ, રોગ, ખાતર અથવા મૂલ્ય ઉમેરશો નહીં. - દરેક ટિપ્પણીની બાજુમાં કૌંસ સાથે તમે જે ડેટા લાઇન પર આધારિત છો તે બતાવો. - જ્યાં તમને ખાતરી ન હોય ત્યાં "ડેટા અપર્યાપ્ત" લખો, અનુમાન લગાવશો નહીં. - ડોઝ અને ડ્રગની ભલામણો આપશો નહીં; તેના બદલે, 3 ધારણાઓની એક અલગ સૂચિ બનાવો જેને ચકાસવાની જરૂર છે. ડેટા: [ફીલ્ડ ડેટા]

મજબૂત પ્રોમ્પ્ટ મોડેલ પર ત્રણ બાબતો લાદે છે: સ્ત્રોતને વળગી રહો, અનિશ્ચિતતા સ્વીકારો અને નિર્ણાયક નિર્ણય (ડોઝ) એન્જિનિયર પર છોડી દો. આનાથી આભાસનો સંપૂર્ણ અંત આવતો નથી, પરંતુ તે તેને દૃશ્યમાન બનાવે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) અનામી સંદર્ભની સ્થાપના:

મને એગ્રીકલ્ચર એન્જિનિયરિંગ અસાઇનમેન્ટમાં મદદ જોઈએ છે. ખેડૂતનું નામ, ફીલ્ડ કોઓર્ડિનેટ્સ, પાર્સલ ID અને ખર્ચની માહિતી ગોપનીય છે; હું તેમને "ખેડૂત-A", "પ્લોટ-1", "X કોઓર્ડિનેટ" જેવા પ્રતિનિધિ અભિવ્યક્તિઓ સાથે આપીશ. કાર્ય: [કાર્ય]. હું જે તકનીકી માહિતી આપું છું તેના આધારે બહારની ધારણાઓ ઉમેરશો નહીં.

2) ત્રણ એન્કર ચકાસણી વિનંતીઓ:

નીચેના આઉટપુટ માટે ત્રણ તપાસો કરો: 1) તીવ્રતાનો ક્રમ: શું દરેક સંખ્યા પાક/પ્રદેશ માટે અપેક્ષિત શ્રેણીની અંદર છે? 2) કૃષિશાસ્ત્રીય વાજબીતા: શું પાક જીવવિજ્ઞાન/આબોહવા સાથે વિરોધાભાસી દાવો છે? 3) ચકાસણી સૂચિ: વસ્તુઓ કે જે ક્ષેત્ર/લેબમાં પુષ્ટિ કરવાની જરૂર છે. આઉટપુટ: [ટેક્સ્ટ]

3) અસ્પષ્ટતા લાગુ કરવી:

આત્મવિશ્વાસના ત્રણ સ્તરો પર તમારું અર્થઘટન આપો: - ઉચ્ચ આત્મવિશ્વાસ (સીધા ડેટા દ્વારા સપોર્ટેડ) - મધ્યમ આત્મવિશ્વાસ (વાજબી કૃષિ અનુમાન) - ઓછો આત્મવિશ્વાસ (સટ્ટા; ક્ષેત્ર પુષ્ટિ જરૂરી છે) દરેક આઇટમ તેના સ્તરને દર્શાવતી લખો.

4) નિર્ણય પહેલાં લાલ ધ્વજ સ્ક્રીનીંગ:

3 સૌથી ગંભીર જોખમો (પર્યાવરણ, ખાદ્ય સુરક્ષા, આર્થિક) ની યાદી બનાવો જે જો હું આ સૂચન અને દરેક માટે પ્રારંભિક ચેતવણી ચિહ્નોનું પાલન કરું તો ઉદ્ભવી શકે છે.

મૂળભૂત ખ્યાલો કોષ્ટક

મુદત

અર્થ

શા માટે તે મહત્વનું છે?

કૃષિવિજ્ઞાની

કૃષિ ઇજનેર, કૃષિ ઉત્પાદન નિષ્ણાત

નિર્ણાયક નિર્ણયો માટેની અંતિમ જવાબદારી

આભાસ

AI આત્મવિશ્વાસ સાથે અસ્તિત્વમાં નથી તેવી માહિતી ઉત્પન્ન કરે છે

ચકાસણી વિના વિશ્વાસ કરવાનું સૌથી મોટું જોખમ

phenology

છોડના વિકાસના તબક્કા (ઉદભવ, ફૂલ...)

સુનિશ્ચિત નિર્ણયો માટેનો આધાર

જમીની સત્ય

ક્ષેત્રમાં પ્રત્યક્ષ અવલોકન/માપ

Authentication anchor of all remote data

એનડીવીઆઈ

વનસ્પતિ જીવનશક્તિ સૂચકાંક

રિમોટ હેલ્થ મોનિટરિંગ માટે આવશ્યક સાધન

સામાન્ય ભૂલો

• ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. AI ની સુંદર, આત્મવિશ્વાસપૂર્ણ ટર્કિશ એ દર્શાવતું નથી કે આઉટપુટ સાચો છે; સૌથી ખતરનાક આભાસ સૌથી વધુ પ્રવાહી છે.
• એવું વિચારવું કે ચકાસણી એ સમયનો બગાડ છે. જો તમે બચાવેલ સમય તપાસવામાં નહીં પસાર કરો, તો AI તમારા વતી ભૂલને વેગ આપશે.
• સંવેદનશીલ ડેટાને જેમ છે તેમ શેર કરવું. ખેડૂત સંકલન, ઉપજ અને કિંમત માલિકી અને ગોપનીયતાની બાબતો છે; અનામી વગર શેર કરશો નહીં.
• નિર્ણાયક ડોઝ નિર્ણય AI પર છોડીને. ખાતર, જંતુનાશક અને સિંચાઈના ડોઝ માટે ક્ષેત્ર માપાંકન અને કાયદાની જરૂર છે; AI માત્ર ડ્રાફ્ટ્સ બનાવે છે.
• એક એન્કરથી સંતુષ્ટ રહેવું. માત્ર તીવ્રતાના ક્રમને જોવું અને બુદ્ધિગમ્યતા અને ક્ષેત્ર પુરાવાને અવગણવાથી સૂક્ષ્મ ભૂલોને બાયપાસ કરવામાં આવે છે.

સાવધાન: જ્યારે AI તમને કહે છે કે "આ વિસ્તારમાં X રોગ છે", ત્યારે આ એક પૂર્વધારણા છે, નિદાન નથી. નિદાન; The sample is placed with the approval of the laboratory and the authorized engineer.

સારાંશમાં

આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ ડેટાની તૈયારીમાં સૌથી સલામત સાધન છે, સંચારમાં પ્રવેગક છે, અને કૃષિ ઇજનેરીમાં અર્થઘટન અને વિશ્લેષણમાં બંને સૌથી મૂલ્યવાન અને જોખમી સાધન છે. આ મોડ્યુલની બેકબોન ત્રણ એન્કર શિસ્ત છે: દરેક આઉટપુટને તીવ્રતાના ક્રમમાં, કૃષિ વિજ્ઞાનની બુદ્ધિગમ્યતા અને ક્ષેત્ર પુરાવાઓ સામે પરીક્ષણ કરવું. આભાસ વાસ્તવિક છે, પ્રવાહ એ ચોકસાઈ નથી, અને નિર્ણાયક નિર્ણયો માટેની જવાબદારી હંમેશા હસ્તાક્ષર કરનાર કૃષિશાસ્ત્રીની રહે છે. અનુગામી એકમોમાં, અમે આ શિસ્તને એક પછી એક ચોકસાઇ કૃષિ, NDVI, માટી, સિંચાઈ, રોગ, આબોહવા, ઉપજ, અજગર અને ટ્રેસિબિલિટી પર લાગુ કરીશું.

એપ્લિકેશન કાર્ય

તમારી પાસે જે ફીલ્ડ છે (અથવા પ્રતિનિધિ માટે), એઆઈને પહેલા નબળો પ્રોમ્પ્ટ પૂછો ("મારે આ ક્ષેત્રમાં શું કરવું જોઈએ?"), પછી આ એકમમાં મજબૂત પ્રોમ્પ્ટ ટેમ્પ્લેટ સાથે સમાન પ્રશ્ન. બે આઉટપુટને બાજુની બાજુમાં મૂકો અને ચિહ્નિત કરો: (1) કયા વાક્યોમાં માહિતી નથી (ઉમેદવાર આભાસ), (2) કયા નંબરો મેગ્નિટ્યુડ ચેકના ક્રમમાં નિષ્ફળ જાય છે, (3) 3 વસ્તુઓ જે તમારે ક્ષેત્રમાં ચકાસવાની જરૂર છે. એક ફકરામાં, શક્તિશાળી પ્રોમ્પ્ટ કઈ ભૂલોને દૃશ્યમાન બનાવે છે તે લખો.

ચેકલિસ્ટ

• [ ] મેં કાર્યને ડેટા તૈયારી / અર્થઘટન / સંચાર તરીકે વર્ગીકૃત કર્યું અને જોખમનું સ્તર નક્કી કર્યું.
• [ ] મેં ખેડૂતની ઓળખ, કોઓર્ડિનેટ્સ અને ખર્ચની માહિતી અનામી કરી છે.
• [ ] મેં કદ, કૃષિ વિષયક વાજબીતા અને ક્ષેત્ર પુરાવા માટે આઉટપુટનું પરીક્ષણ કર્યું.
• [ ] મેં આભાસના ઉમેદવાર વાક્યોને ચિહ્નિત કર્યા અને તેમને સ્ત્રોત પર પાછા લઈ ગયા.
• [ ] મેં નિર્ણાયક ડોઝ/દવા/સિંચાઈનો નિર્ણય અધિકૃત ઈજનેરની મંજૂરી પર છોડી દીધો.