이득:
- 농부 데이터 소유권, 개인 정보 보호, 알고리즘 편견 등 윤리적 위험을 인식하고 관리하는 능력
- 단일 시즌 엔드투엔드 워크플로에서 모듈의 모든 링크를 결합하는 기능
- 안전이 중요한 농업 결정에서 AI 출력이 유능한 농업 경제학자의 승인을 대체하지 않는 품질 시스템 구축
모듈 시험
1. AI 결과를 농업 공학의 의사 결정에 통합하기 전에 적용되는 '3가지 앵커' 검증의 앵커는 무엇입니까?
- A) 크기 범위, 농경학적 타당성 및 현장 증거 ✔
- B) 모델의 인기, 답변 길이 및 언어 유창성
- C) 가격, 속도 및 사용자 인터페이스
- D) 브랜드 신뢰성, 인터넷 연결 및 파일 형식
설명: 앵커 3개; 결과가 예상 10의 거듭제곱 내에 있는지 확인하는 크기 차수, 작물 및 기후와 생산량의 일관성을 살펴보는 농업적 합리성, 핵심/샘플이 아닌 현장에서 확인을 제공하는 현장 증거. 출처의 브랜드, 모델의 인기, 텍스트의 유창함 등은 검증 기준이 아닙니다.
2. NDVI(Normalized Difference Vegetation Index)는 기본적으로 무엇을 측정합니까?
- A) 토양의 정확한 수분 비율을 센티미터 단위로 결정합니다.
- B) 녹색의 생기 넘치는 식물의 밀도와 강도 ✔
- C) 종 수준에서는 어떤 질병 인자가 존재하는가?
- 라) 수확 후 최종 제품 가격
설명: NDVI는 근적외선(NIR)과 적색 대역 반사율의 차이를 정규화하여 녹색 광합성 살아있는 식물의 밀도와 강도를 측정합니다. 건강한 식물은 NIR을 강하게 반사하고 빨간색을 강하게 흡수하기 때문에 NDVI가 증가합니다. 스트레스가 많거나 희박한 덮개에서는 값이 감소합니다. 수확량, 토양 수분 또는 질병 유형을 직접 측정하지 않습니다. 여기에는 추가 데이터가 필요합니다.
3. 위성 이미지에는 NDVI 값이 낮은 지역이 표시됩니다. 다음 중 이 이상 현상을 엔지니어링 결정으로 전환하기 전에 취해야 할 가장 좋은 단계는 무엇입니까?
- A) 즉시 해당 부위에 살균제를 바르십시오.
- B) 해당 지역에 비료 투여량을 두 배로 늘립니다.
- 다) 현장관리, 기상, 계절학을 통해 원인 확인 ✔
- D) 이상치를 무시하고 전체 필드에 평균을 적용한다.
설명: 낮은 NDVI는 물 스트레스, 질병, 영양 결핍, 드문 출현, 구름 그늘 또는 새로 경작된 토양으로 인해 발생할 수 있습니다. 우리는 현장 제어, 기상학 및 계절학을 통해서만 이러한 불확실성을 구별할 수 있습니다. 지도만으로는 이유를 알 수 없습니다. 농약이나 비료를 직접 뿌리면 잘못된 원인을 방해할 위험이 있습니다.
4. 공개적으로 사용 가능한 AI 도구에 농민의 밭 좌표, 수확량 및 비용 데이터를 입력할 때 가장 정확한 접근 방식은 무엇입니까?
- 가) 모든 데이터를 ID와 좌표로 그대로 붙여넣기
- B) 식별 정보를 익명화하고 필요한 기술 데이터만 공유합니다. ✔
- C) 전혀 확인하지 않고 공개 테이블에 데이터 로드
- D) 농부의 허락 없이 모델 훈련에 데이터를 기증하는 행위
공개: 농부 데이터는 상업적으로나 개인적으로 민감합니다. 좌표, 신원 및 비용 정보는 재산 및 기밀 유지의 문제입니다. 올바른 접근 방식은 식별 정보를 대표 라벨(Plot-A, X 좌표)로 익명화하고 분석에 필요한 기술 데이터만 공유하는 것입니다. 데이터를 있는 그대로 공유하거나 허가 없이 교육에 공개하는 것은 윤리적, 법적 위험을 초래합니다.
5. 토양 분석 보고서에는 pH가 4.8로 나와 있습니다. 이 값은 농경학적으로 무엇을 의미합니까?
- A) 대부분의 작물에 중립적이고 이상적인 토양
- B) 강산성; 음식 섭취가 제한되고 교정이 필요할 수 있는 상태 ✔
- C) 강알칼리; 석회가 필요한 상태
- D) 토양의 염도가 매우 높다는 뜻이다.
설명: pH 4.8은 강산성 토양을 나타냅니다. 이러한 조건에서는 인과 몰리브덴 흡수가 감소하고 알루미늄/망간 독성 위험이 증가하며 많은 작물에서 뿌리 발달이 억제됩니다. 대부분의 농작물의 경우 6.0-7.0이 적절한 범위입니다. 따라서 석회화 등의 수정이 고려됩니다. 산성 토양은 '이상적'이지 않으며 그 자체로 높은 수확량을 보장하지 않습니다.
6. AI는 밀밭에 디칼당 순수 질소 60kg을 권장했습니다. 지역별 실제 및 목표 생산량은 디칼당 순수 질소가 약 12-16kg임을 나타냅니다. 가장 좋은 행동은 무엇입니까?
- A) AI가 계산했기 때문에 권장 사항을 그대로 구현합니다.
- 나) 안전을 위해 복용량을 더욱 늘린다.
- C) 규모 경고로 보고 입력 및 로컬 교정을 확인합니다. ✔
- 라) 토양분석을 고려하지 않고 제안서를 반으로 나누는 행위
설명: 권장 사항은 예상 범위의 약 4배입니다. 이것은 규모의 경고입니다. 과도한 질소는 경제적 손실과 우울증, 질병 및 질산염 오염의 위험을 의미합니다. 올바른 동작은 권장 사항을 거부하고 입력(단위, 수확량, 목표 수확량, 토양 N) 및 로컬 보정을 확인하는 것입니다. 맹목적으로 적용하면 환경 및 농경학적 피해가 발생합니다.
7. 관개 결정에 사용되는 '식물의 물 소비량'(증발산량, ET)은 무엇을 의미합니까?
- 가) 강수를 통해서만 토양에 유입되는 물의 양
- B) 토양의 증발과 식물의 증산을 통한 총 수분 손실 ✔
- 다) 토양의 전기전도도
- D) 관개관의 압력 값
설명: 증발산량은 식물의 증발과 증산을 통해 토양에서 대기로 손실되는 총 수분입니다. 기준 ET에 작물 계수(Kc)를 곱하여 제품의 실제 물 필요량(ETc)을 추정하고 이 물 균형에 따라 관개를 계획합니다. ET는 강수량이나 토양 염분도가 아닙니다. 이는 물 수지의 유출 측면을 나타냅니다.
8. 나뭇잎에서 증상을 본 엔지니어가 AI에 사진설명을 주고 예비진단을 받았습니다. 이 진단을 해충 방제 결정으로 전환하기 전에 필수 사항은 무엇입니까?
- 가) 현장/실험실에서 성분을 확인하고 허가 및 표시의약품 선택 ✔
- B) 안전을 위해 여러 가지 약을 함께 복용합니다.
- C) AI가 말하는 대로 유효성분을 즉시 적용하세요.
- 라) 가장 저렴한 농약을 선택하여 밭 전체에 적용한다.
설명: 유사한 증상을 유발하는 다양한 요인(진균, 박테리아, 바이러스, 영양 결핍, 비생물적 스트레스)으로 인해 이미지만으로는 예비 진단이 충분하지 않습니다. 해당 물질은 현장 샘플을 통해 확인되어야 하며, 필요한 경우 실험실 진단을 거쳐 해당 물질 및 해당 제품에 대해 허가를 받고 라벨에 적합한 의약품만 선택해야 합니다. 검증 없이 광범위한 살충제를 살포하면 저항성과 잔류물이 발생할 위험이 있습니다.
9. 농업 의사결정 지원에 자주 사용되는 GDD(Growth Degree Day) 개념의 목적은 무엇입니까?
- A) 토양의 pH 값에 따라
- B) 열축적을 통한 식물발달단계 및 해충 출현 예측 ✔
- C) 관개관 유량 측정
- D) 제품의 시장 가격 계산
설명: GDD는 일일 평균 기온에서 기준 기온을 뺀 총 축적 열량으로, 식물의 발달(계절) 단계와 일부 해충의 출현 시간을 추정하는 데 사용됩니다. 따라서 달력보다는 열 축적에 따라 살포, 시비 및 수확 기간을 계획할 수 있습니다. GDD는 토양 pH나 직접적인 강수량이 아닙니다.
10. 다음 중 기계 학습을 통해 구축된 수율 예측 모델에 대한 가장 정확한 설명은 무엇입니까?
- A) 미래를 정확하고 오류 없이 예측합니다.
- B) 과거 패턴을 기반으로 합니다. 불확도 범위를 제공하고 검증해야 함 ✔
- C) 훈련 데이터가 아닌 조건에서는 항상 동일한 정확도로 작동합니다.
- D) 농경학적 정보가 없는 유일한 최종 의사결정자이다.
설명: 기계 학습 모델은 과거 데이터에서 확인된 패턴을 기반으로 합니다. 입력 조건이 훈련 데이터를 벗어나면(새로운 다양성, 특이한 기후) 신뢰도가 감소합니다. 따라서 출력은 점이 아닌 불확실성 범위로 주어져야 하며, 과거 수익률과 벤치마크를 통해 검증되어야 합니다. 이 모델은 미래를 확실하게 알지 못하며 모든 조건에서 동일한 정확도로 작동하지 않습니다.
11. AI 생성 Python/pandas 분석 코드를 실행하기 전 모범 사례는 무엇입니까?
- A) 코드를 읽지 않고 전체 데이터 세트에 직접 코드를 적용하는 방법
- B) 결과가 알려진 소규모 샘플 데이터로 테스트하고 공식과 단위 확인 ✔
- C) 오류 없이 작업하는 것만으로도 충분하다는 점을 고려하면.
- D) 출력물을 전혀 확인하지 않고 보고서에 넣는 것
설명: AI 생성 코드가 올바르게 표시될 수 있지만 단위, 열 이름, 인덱스 수식 또는 필터 논리 오류가 포함될 수 있습니다. 좋은 방법은 알고 있는 작은 데이터 샘플에 대해 결과를 수동으로 실행하고 이를 예상 출력과 비교하고 소스와 비교하여 NDVI와 같은 수식을 확인하는 것입니다. 빅데이터를 확인하지 않고 코드를 적용하면 조용한 버그가 프로덕션으로 이동됩니다.
12. 추적성 기록에서 약물 투여 노트가 중요한 이유는 무엇입니까?
- A) 단지 세금 공제를 받으려고
- B) MRL 준수, 인증 및 배치 추적에 대한 검증 가능한 기록 제공 ✔
- C) 인접 필드와의 비교에만 해당
- D) 광고 브로셔를 준비하려면
설명: 약물 관리 책자; 어떤 제품, 어떤 활성 성분, 어떤 복용량과 날짜가 사용되었는지, 마지막 적용과 수확 사이의 대기 기간을 기록합니다. 이 기록은 최대 잔류 한도(MRL) 준수, 우수한 농경학/유기농 인증 및 문제 발생 시 일괄 추적을 위해 필수입니다. 비용 추적이나 광고 목적으로만 보관되지 않습니다.
13. AI 도구는 해당 지역에서 발견되지 않은 해충을 '공통 위협'으로 자신 있게 보고했습니다. 이 상황을 가장 잘 설명할 수 있는 개념은 무엇입니까?
- 가) 센서 캘리브레이션 오류
- 나) 환각: 안전한 언어로 존재하지 않는 정보의 생산 ✔
- 다) 네트워크 연결 중단
- 라) 강수량 자료 부족
설명: 모델이 실제로 존재하지 않거나 맥락과 일치하지 않는 정보를 마치 실제인 것처럼 유창하고 자신감 있게 생성하는 것을 환각이라고 합니다. 농업적 타당성(지역의 기후와 작물 패턴이 해당 해충에 적합한가?) 필터와 현장 증거는 서명 전에 이러한 오류를 포착합니다. 이는 센서의 오작동이나 기기의 오류가 아닙니다.
14. 안전과 품질에 중요한 농업 결정(예: 살충제 복용량, 비료 처방, 관개 계획)에서 인공 지능의 역할을 어떻게 정의해야 합니까?
- A) 최종 결정을 내리는 권한 있는 기관
- 나) 유능한 농업경제학자 승인을 대체하는 자동화 시스템
- 다) 초안과 제안을 작성하고 전문가에게 결정을 맡기는 조력자 ✔
- 라) 검증이 필요하지 않은 정확한 정보 출처
설명: 인공지능; 개요를 작성하고, 데이터를 요약하고, 가설을 제안하는 보조자입니다. 중요한 결정에 대한 최종 결정권은 현장 관찰, 현지 교정 및 입법에 익숙한 유능한 농업 엔지니어에게 있습니다. AI 출력은 이 승인을 대체하지 않습니다. 제품, 환경 및 식품 안전에 관한 책임은 서명 전문가에게 있습니다.