Nyereség:
- Képes megmagyarázni a hozam-előrejelzésben használt adatforrásokat, valamint a gépi tanulás és a mechanikus modellek közötti különbséget
- Képes a hozam-előrejelzés beállítására, a szolgáltatásokra és a bizonytalansági tartományra MI segítségével
- Képes ellenőrizni a modell kimenetét múltbeli hozam, benchmark és terepi mérés alapján, és megakadályozni a túlzott magabiztosságot
"Mekkora terméket kapok erről a mezőről?" Ez a mezőgazdaság legrégebbi és legértékesebb kérdése. A helyes válasz ismerete; Ez a betakarító munkás, a raktár, a szállítás, az adásvételi szerződés és a finanszírozás tervezését jelenti. Rosszul tudni az erőforrásokat, vagy nem tud lépést tartani. A mesterséges intelligencia és a gépi tanulás (ML, egy módszer, amely megtanulja az adatok mintáit és előrejelzi az új helyzeteket) erőteljes, de veszélyesen meggyőző válaszokat adhat erre a kérdésre. Ez az egység megtanítja Önnek a hozam-előrejelzés adatforrásait, a két alapvető megközelítés különbségét, a gépi tanulási és mechanikus modelleket, az előrejelzés bizonytalanságának tartományát, és - ami a legfontosabb -, hogyan kerülheti el a túlzott magabiztosságot.
Mitől függ a hatékonyság? bemenetek
A hozam nem csak egy dologtól függ; sok tényező eredménye. Fő bemeneti források:
- Növény állapota: NDVI/NDRE idősor (biomassza fejlődés) az évszakon át, növénysűrűség, egészség.
- Talaj: pH, OM, KDK, vízvisszatartás, kezelési zóna.
- Időjárás/klíma: GDD felhalmozódás, kritikus időszak csapadék és hőmérséklet, fagy/jégeső események.
- Kezelése: Fajta, ültetés időpontja, műtrágya mennyisége és öntözés, permetezés.
- Előzmények: Ugyanazon tábla előző évi hozamai (az egyik legerősebb egyedi mutató).
Az AI kombinálja ezeket a bemeneteket (funkciókat), és előrejelzést készít. De amit nem szabad elfelejteni: a modell csak azokat az adatokat ismeri, amelyeket betáplál, és azokat a mintákat, amelyeket ezekben az adatokban lát. Ha nem adja meg az októberi dátumot, figyelmen kívül hagyja ezt a tényezőt.
Két megközelítés: gépi tanulás vs mechanikus modell
A gépi tanulási modell statisztikai mintákat tanul az elmúlt évek „ez a hozam ilyen körülmények között” példáiból. Erőssége: sok változót és összetett összefüggést rögzít. Gyengeség: a bizalom összeomlik, ha túllépik a képzési adatokat (új fajta, soha nem látott szárazság, más régió); nehezen magyarázza, miért („fekete doboz”).
A mechanisztikus (folyamatalapú) modell egyenletekkel utánozza a növények növekedési fiziológiáját (fotoszintézis, víz-tápanyag egyensúly). Erősségek: megbízhatóbb, új körülmények között magyarázható. Gyengeség: sok bevitelt és kalibrálást igényel, nehéz beállítani.
A gyakorlatban a kettőt kombinálják, és mindkettőt terepi méréssel igazolják. A mesterséges intelligencia felgyorsítja mindkét megközelítés beállítását, szolgáltatásait és jelentését.
Méret
gépi tanulás
Mechanisztikus modell
Alapvető
Történelmi adatminta
Fiziológiai egyenletek
új állapotú
Gyenge (az extrapoláció veszélye)
erősebb
Magyarázatosság
Alacsony (fekete doboz)
magas
Adatszükséglet
régen múlt példa
Többparaméteres/kalibrálás
Az AI szerepe
Funkció+modell fikció
Nevezési előkészítés, hozzászólás
Tipp: Mielőtt bízna a hozam-előrejelzésben, kérdezze meg: „Hasonlítanak az idei feltételek ahhoz a múlthoz, amelyből a modell tanult?” Egy szokatlan szárazság, egy új fajta vagy egy másik régió megbízhatatlanná teszi az ML becslést. Ilyen esetekben bővítse a bizonytalansági tartományt.
Bizonytalansági tartomány: Miért intervallum és miért nem pont?
Egy jó termésbecslés nem azt mondja, hogy „620 kg dekáronként”; Azt mondja, "dekára 560-680 kg, a legvalószínűbb a 620, a bizalom közepes." Mert a jövő bizonytalan, a páratlan szám pedig hamis bizonyosságot teremt. December; Lehetővé teszi forgatókönyvek felállítását (rossz/közepes/jó) és kockázatkezelést a tervezés során. Mindig kérjen hatótávolságot és megbízhatósági szintet, amikor mesterséges intelligencia előrejelzést készít; Legyen szkeptikus egy olyan modellel kapcsolatban, amely páratlan számot ad.
Három mini tok: a számok szerint
1. eset – Intervallum tervezés. Egy búzatermelő egypontos becslés alapján (500 kg dekánként) intézte a betakarítási munkát és a szállítást. Amikor a mesterséges intelligencia által támogatott modell 430-560 kg-os besorolást adott, és "érzékeny a kritikus időszak csapadékára", a gyártó rugalmas munkavállalói tervet készített. A tényleges tömeg 445 kg volt; Míg a merev tervezés sok költséggel járt volna, a térköz megtakarította a rugalmasságot.
2. eset – Extrapolációs csapda. Az egyik modell a történelmi adatok alapján magas hozamokat jósolt egy példátlanul súlyos aszályos év során. A mérnök felismerte, hogy a körülmények kívül esnek a képzési adatokon, és elutasította az előrejelzést, és visszatért a terepi méréshez (növénysűrűség, kalászszám). Súlyos tervezési hiba lett volna, ha egyedül hallgatták volna a modellt.
3. eset – Hiányzó funkció. Egy becslés magasabb volt a vártnál; A vizsgálat során kiderült, hogy jégeső esemény nem került be a modellbe. Miután a bevitel befejeződött, az előrejelzés reálisan esett. Tanulság: a modell csak annyit tud, amennyit adsz neki; Egy kritikus esemény elfelejtése felfújja a becslést.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Mennyi termést kapok ebből a táblából? Adj egy számot.
Erőteljes felszólítás:
Az Ön szerepe: Mezőgazdasági adatelemző. TERVEZZEN MEG egy megközelítést a hozam-előrejelzéshez (nem modellépítés, hanem fikció és értelmezés). Megvannak a bemeneteim: [NDVI sorozat, talaj, GDD, ültetés dátuma, történelmi hozam...]. Feladat:- Magyarázza el, hogy mely jellemzőket használjam, melyek a legmeghatározóbbak, - A becslést INTERVALLUM-ként és megbízhatósági szintként kérje, ne PONT-ként.- Hasonlóak-e az idei feltételek a múlthoz? Értékelje, fennáll-e az extrapoláció veszélye. - Kérdezzen azokról a kritikus bemenetekről, amelyek hiányozhatnak (jégeső, fagy, betegség). - Írja meg, hogyan ellenőrizheti a becsült szántóföldi mérést (kalász/gyümölcsszám).
Az erőteljes prompt kikényszeríti a térközt, az extrapoláció ellenőrzését, a hiányzó bemenet észlelését és a mező ellenőrzését.
Négy másolható sablon
1) Funkciók prioritása:
Sorolja fel a meghatározás sorrendjében azokat a jellemzőket, amelyek alapján megbecsülhető a következő termék hozama; Röviden magyarázza el, miért fontos mindegyik. Jelölje meg külön azokat az adatokat, amelyekkel nem rendelkezem, de értékesek lesznek.
2) Bizonytalansági tartomány:
Ezt a becslést ne pontként adja meg, hanem alsó-felső tartományként és megbízhatósági szintként (magas/közepes/alacsony). Írja fel azokat a tényezőket, amelyek szűkítik és szélesítik a tartományt!
3) Extrapolációs ellenőrzés:
Hasonlítsa össze az idei év körülményeit (időjárás, változatosság, gazdálkodás) a jellemző elmúlt évekkel. Eltér a modell a képzési adatoktól? Ha igen, mennyire kell bíznom az előrejelzésben?
4) Területi ellenőrzési terv:
Hogyan kell elvégezni, hogy melyik mérést (táblánkénti kalászok/gyümölcsök száma, szem tömege) igazoljam a terméshozam becsléséhez a táblán a betakarítás előtt? Javasoljon mintavételi tervet.
Gyakori hibák
- Egyetlen számban bízva. A pontbecslés hamis pontosság; Kérjen tartományt és megbízhatósági szintet.
- Az extrapoláció figyelmen kívül hagyása. Az ML becslés egy szokatlan évben megbízhatatlan; Hasonlítsa össze az állapotot a múlttal.
- A kritikus bemenet elfelejtése. Ha nem ad meg eseményeket, például jégesőt, fagyot vagy betegséget, az előrejelzés felfújódik.
- A modell bezárása a mezőre. A közvetlen mérés, például a tüske-/gyümölcsszámlálás a végső horgony; Ne hagyd ki.
- Vakon bízva a fekete dobozban. Egy jóslat, amelynek oka nem magyarázható, nem válhat döntéssé anélkül, hogy megkérdőjeleznék.
Figyelem: A hozam-előrejelzés pénzügyi és működési döntéseket vált ki (szerződés, kölcsön, alkalmazott). A túlságosan optimista előrejelzésen alapuló vállalás komoly károkat okoz, ha nem válik valóra. Mutassa be a becslést egy sor lehetőségként, és tegyen kritikus kötelezettségeket az óvatos forgatókönyv alapján.
Összefoglalva
A hozam előrejelzése számos bemenet kombinációja (növény, talaj, időjárás, kezelés, történelem). A gépi tanulás összetett mintákat rögzít, de magabiztossága összeomlik, ha túllép a betanítási adatokon; A mechanikus modell az új állapotban megbízhatóbb, de nehéz megállapítani. A mesterséges intelligencia mindkét megközelítés felépítését felgyorsítja. A jó becslés egy intervallum, nem pedig egy pont, amelyet megbízhatósági szinttel mutatnak be, az extrapoláció kockázatát ellenőrzik, és helyszíni méréssel igazolják. A túlzott magabiztosság a legdrágább hiba; A jóslat lehetőség, nem kötelezettség.
Pályázati feladat
Sorolja fel a (reprezentatív) inputjait egy terményhez: több éves történelmi hozam, NDVI-trend, ültetési dátum, kritikus időszak csapadéka. A mesterséges intelligencia megjósolhatja a hozamot az egységben található „funkciók priorizálása” és „bizonytalansági rés” sablonjaival. Ezután szándékosan távolítson el egy kritikus bemenetet (például jégeső eseményt), kérdezzen újra, és figyelje meg, hogyan változik az előrejelzés. Írja le egy bekezdésben, hogyan fogja ellenőrizni az előrejelzést a területen a betakarítás előtt.
ellenőrző lista
- [ ] A becsült pontot akartam, nem a tartományt és a megbízhatósági szintet.
- [ ] Összehasonlítottam az idei feltételeket a múlttal, és ellenőriztem az extrapoláció kockázatát.
- [ ] Ellenőriztem, hogy a kritikus bemenetek (jégeső, fagy, betegség) nem hiányoznak.
- [ ] Összehasonlítottam a becsült historikus hozamot és a benchmarkot.
- [ ] Igazolási tervet készítek szántóföldi méréssel (kalász/gyümölcs szám).