Табыстар:
- Өнімділікті болжауда пайдаланылатын деректер көздерін және машиналық оқыту мен механикалық модельдер арасындағы айырмашылықты түсіндіру мүмкіндігі
- AI көмегімен кірістілік болжамын орнатуды, мүмкіндіктерді және белгісіздік ауқымын конфигурациялау мүмкіндігі
- Тарихи кірістілік, эталондық және өрісті өлшеу арқылы үлгі шығысын тексеру және артық сенімділіктің алдын алу мүмкіндігі
«Осы алқаптан қанша өнім аламын? Бұл ауыл шаруашылығындағы ең көне және ең құнды сұрақ. Дұрыс жауапты білу; Ол егін жинаушыны, қойманы, тасымалдауды, сатып алу-сату шартын және қаржыландыруды жоспарлауды білдіреді. Бұны дұрыс емес білу ресурстарды ысырап ету немесе үлгермеу дегенді білдіреді. Жасанды интеллект және машиналық оқыту (ML, деректердегі үлгілерді үйренетін және жаңа жағдайларды болжайтын әдіс) бұл сұраққа күшті, бірақ қауіпті сенімді жауаптар бере алады. Бұл блок кірістілікті болжау деректерінің көздерін, екі негізгі тәсіл арасындағы айырмашылықты, машиналық оқыту мен механикалық үлгілерді, болжаудағы белгісіздік ауқымын және - ең бастысы - артық сенімділіктен қалай аулақ болу керектігін үйретеді.
Тиімділік неге байланысты? кірістер
Табыстылық бір ғана нәрсеге байланысты емес; көптеген факторлардың жемісі болып табылады. Негізгі кіріс көздері:
- Өсімдік күйі: NDVI/NDRE уақыт сериясы (биомассаның дамуы) маусым бойынша, өсімдік тығыздығы, денсаулық.
- Топырақ: рН, ОМ, КДК, суды ұстау, басқару аймағы.
- Ауа-райы/климат: GDD жинақталуы, сыни кезеңдегі жауын-шашын мен температура, аяз/бұршақ оқиғалары.
- Басқару: Сорт, отырғызу мерзімі, тыңайтқыш мөлшері және суару, бүрку.
- Тарихы: Сол егістіктің өткен жылғы шығымдылығы (ең күшті жалғыз көрсеткіштердің бірі).
AI осы кірістерді (мүмкіндіктерді) біріктіреді және болжамды жасайды. Бірақ нені ұмытпау керек: модель тек өзі берілетін деректерді және сол деректерде көретін үлгілерді біледі. Қазан күнін бермесеңіз, ол бұл факторды елемейді.
Екі тәсіл: машиналық оқыту және механикалық модель
Машиналық оқыту моделі өткен жылдардағы «осы жағдайларда кірістілік» мысалдарынан статистикалық үлгілерді үйренеді. Оның күші: көптеген айнымалылар мен күрделі қатынастарды қамтиды. Әлсіздігі: оқу деректерінен асып кеткенде сенім құлдырайды (жаңа сорт, бұрын-соңды болмаған құрғақшылық, әртүрлі аймақ); себебін түсіндіруге тырысады («қара жәшік»).
Механикалық (процесс негізіндегі) модель өсімдіктердің өсу физиологиясын теңдеулермен имитациялайды (фотосинтез, су-қоректік тепе-теңдік). Күшті жақтары: сенімдірек, жаңа жағдайларда түсінікті. Әлсіздігі: көп енгізуді және калибрлеуді қажет етеді, орнату қиын.
Іс жүзінде екеуі біріктіріліп, екеуі де далалық өлшеу арқылы тексеріледі. Жасанды интеллект екі тәсілді орнатуды, мүмкіндіктерді және есеп беруді жылдамдатады.
Өлшем
машиналық оқыту
Механикалық модель
Негізгі
Тарихи деректер үлгісі
Физиологиялық теңдеулер
жаңа жағдай
Әлсіз (экстраполяция қаупі)
күштірек
Түсіндіру
Төмен (қара жәшік)
жоғары
Деректер қажеттілігі
бұрыннан келе жатқан мысал
Көп параметрлі/калибрлеу
АИ рөлі
Ерекшелік+модельдік фантастика
Жазбаны дайындау, түсініктеме беру
Кеңес: Өнімділік болжамына сенбес бұрын: «Биылғы шарттар модель үйренген өткенге ұқсас па?» Деп сұраңыз. Ерекше құрғақшылық, жаңа сорт немесе басқа аймақ ML бағалауын сенімсіз етеді. Мұндай жағдайларда белгісіздік ауқымын кеңейтіңіз.
Белгісіздік диапазоны: Неліктен аралық емес, нүкте емес?
Жақсы шығымдылық бағасы «620 кг гектарға» дегенді білдірмейді; «Декарына 560-680 кг, ең ықтималы 620, сенімділік орташа» дейді. Өйткені болашақ белгісіз және тақ сан жалған сенімділік тудырады. желтоқсан; Ол сценарийлерді орнатуға (жаман/орташа/жақсы) және жоспарлау кезінде тәуекелді басқаруға мүмкіндік береді. AI болжау кезінде әрқашан ауқым мен сенімділік деңгейін сұраңыз; Тақ санды беретін модельге күмәнмен қараңыз.
Үш шағын корпус: сандар бойынша
1-жағдай – аралық жоспарлау. Бидай өндірушісі егін жинау жұмысы мен тасымалдауды бір тармақтық баға бойынша (декаарына 500 кг) ұйымдастырды. AI қолдайтын модель 430-560 кг рейтингін берген кезде және «сыни кезеңдегі жауын-шашынға сезімтал» өндіруші икемді жұмыс жоспарын жасады. Нақты салмағы 445 кг болды; Қатаң жоспарлау көп шығындарды тудырғанымен, аралық икемділікті сақтады.
2-жағдай – Экстраполяциялық тұзақ. Бір модель бұрын-соңды болмаған ауырлықтағы құрғақшылық жылы тарихи деректерге негізделген жоғары өнімді болжаған. Инженер жағдайлардың оқу деректерінен тыс екенін түсінді және болжамды қабылдамады және өрісті өлшеуге оралды (өсімдік тығыздығы, құлақтың саны). Модельді жалғыз тыңдаған болса, бұл жоспарлауда елеулі қателік болар еді.
3-жағдай - мүмкіндік жоқ. Бір бағалау күтілгеннен жоғары болды; Қарап тексергенде, модельге бұршақ оқиғасы енгізілмегені анықталды. Енгізу аяқталғаннан кейін болжам шынайы болды. Сабақ: үлгі сіз қанша берсе, сонша біледі; Маңызды оқиғаны ұмыту бағалауды күшейтеді.
Әлсіз шақыру / Күшті шақыру
Әлсіз шақыру:
Бұл алқаптан қанша өнім аламын? Маған нөмір беріңізші.
Күшті шақыру:
Сіздің рөліңіз: Ауыл шаруашылығы деректерінің талдаушысы. Кірісімді болжау тәсілін ЖОБАҢЫЗ (модель құру емес, фантастика және интерпретация). Менде мәліметтер бар: [NDVI сериясы, топырақ, GDD, отырғызу күні, тарихи өнім...]. Тапсырма:- Қандай мүмкіндіктерді пайдалану керектігін түсіндіріңіз, қайсысы ең шешуші болып табылады, - Бағаны НҰПҚ ретінде емес, INTERVAL және сенімділік деңгейі ретінде сұраңыз.- Биылғы шарттар өткенге ұқсас па; Экстраполяция қаупі бар-жоғын бағалаңыз. - Жетіспейтін маңызды мәліметтерді сұраңыз (бұршақ, аяз, ауру). - Есептелген өріс өлшемін (құлақ/жеміс саны) қалай тексеруге болатынын жазыңыз.
Қуатты шақыру интервалды, экстраполяцияны тексеруді, жоқ енгізуді анықтауды және өрісті тексеруді қамтамасыз етеді.
Көшірілетін төрт үлгі
1) Мүмкіндік басымдылығы:
Анықтау тәртібімен келесі өнім бойынша кірісті бағалау үшін пайдалануға болатын белгілерді тізіп көрсетіңіз; Әрқайсысының неліктен маңызды екенін қысқаша түсіндіріңіз. Менде жоқ, бірақ құнды болатын деректерді бөлек белгілеңіз.
2) Белгісіздік диапазоны:
Бұл бағалауды нүкте ретінде емес, төменгі-жоғарғы диапазон және сенімділік деңгейі (жоғары/орташа/төмен) ретінде беріңіз. Ауқымын тарылтатын және кеңейтетін факторларды жаз.
3) Экстраполяцияны тексеру:
Биылғы жағдайды (ауа-райы, сорт, басқару) әдеттегі өткен жылдармен салыстырыңыз. Модель оқу деректерінен ауытқиды ма? Олай болса, болжамға қаншалықты сенуім керек?
4) далалық тексеру жоспары:
Егін жинау алдында танаптағы осы өнімді бағалауды тексеру үшін қандай өлшемді (бір танаптағы масақ/жеміс саны, дән салмағы) қалай алуға болады? Таңдау жоспарын ұсыныңыз.
Жалпы қателер
- Бір нөмірге сену. Нүктелік бағалау жалған дәлдік болып табылады; Ауқым мен сенімділік деңгейін сұраңыз.
- Экстраполяцияны елемеу. Әдеттен тыс жылдағы ML бағалауы сенімсіз; Шартты өткенмен салыстырыңыз.
- Критикалық енгізуді ұмыту. Егер сіз бұршақ, аяз және ауру сияқты оқиғаларды енгізбесеңіз, болжам көтеріледі.
- Үлгіні өріске жабу. Масақ/жемістерді санау сияқты тікелей өлшеу соңғы якорь болып табылады; Оны өткізіп алмаңыз.
- Қара жәшікке соқыр сену. Себебін түсіндіруге болмайтын болжам сұрақсыз шешімге айналмауы керек.
Ескерту: кірістілік болжамы қаржылық және операциялық шешімдерді (келісімшарт, несие, қызметкер) тудырады. Тым оптимистік болжамға негізделген міндеттеме, егер ол орындалмаса, елеулі зиян келтіреді. Бағалауды мүмкіндіктер ауқымы ретінде ұсыныңыз және сақтықпен жасалған сценарий негізінде маңызды міндеттемелерді қабылдаңыз.
Қысқаша айтқанда
Шығымды болжау көптеген кірістердің (өсімдік, топырақ, ауа райы, басқару, тарих) жиынтығы болып табылады. Машиналық оқыту күрделі үлгілерді алады, бірақ оның сенімділігі оқу деректерінен асып кеткенде құлдырады; Механикалық үлгі жаңа жағдайда сенімдірек, бірақ орнату қиын. Жасанды интеллект екі тәсілдің де құрылысын тездетеді. Жақсы бағалау - бұл сенімділік деңгейімен ұсынылған, экстраполяция қаупі бар-жоғы тексерілген және өрісті өлшеу арқылы тексерілген нүкте емес, интервал. Артық сенімділік - ең қымбат қателік; Болжам - бұл міндеттеме емес, мүмкіндік.
Қолданбалы тапсырма
Егінге арналған (өкілді) мәліметтерді тізімдеңіз: бірнеше жылдық тарихи өнімділік, NDVI тренді, отырғызу күні, жауын-шашынның маңызды кезеңі. Осы құрылғыдағы «мүмкіндік басымдылығы» және «белгісіздік алшақтығы» үлгілері арқылы кірісті болжау үшін AI алыңыз. Содан кейін маңызды кірісті (мысалы, бұршақ оқиғасы) әдейі алып тастаңыз және қайта сұраңыз және болжамның қалай өзгеретінін бақылаңыз. Егін жинау алдында далада болжамды қалай тексеретініңізді бір абзацта жазыңыз.
бақылау парағы
- [ ] Мен диапазон мен сенімділік деңгейін емес, болжалды нүктені алғым келді.
- [ ] Мен биылғы жағдайды өткенмен салыстырып, экстраполяция қаупін тексердім.
- [ ] Мен маңызды деректердің (бұршақ, аяз, ауру) жоқ емес екенін тексердім.
- [ ] Мен болжалды тарихи кірістілік пен эталонды салыстырдым.
- [ ] Мен өрісті өлшеумен (құлақ/жеміс саны) тексеру жоспарын орнаттым.