Pelnas:
- Gebėjimas paaiškinti duomenų šaltinius, naudojamus prognozuojant derlių ir skirtumą tarp mašininio mokymosi ir mechaninių modelių
- Galimybė su AI konfigūruoti derliaus numatymo sąranką, funkcijas ir neapibrėžtumo diapazoną
- Galimybė patikrinti modelio išvestį naudojant istorinį derlių, etaloną ir lauko matavimus ir išvengti pernelyg didelio pasitikėjimo
"Kiek produkto gausiu iš šio lauko?" Tai seniausias ir vertingiausias žemės ūkio klausimas. Teisingo atsakymo žinojimas; Tai reiškia derliaus nuėmimo darbininko, sandėlio, transportavimo, pardavimo sutarties ir finansavimo planavimą. Tai žinoti neteisingai reiškia eikvoti išteklius arba nesugebėti suspėti. Dirbtinis intelektas ir mašininis mokymasis (ML, metodas, kuris mokosi duomenų šablonų ir numato naujas situacijas) gali pateikti galingus, bet pavojingai įtikinamus atsakymus į šį klausimą. Šis skyrius moko jus apie derliaus prognozavimo duomenų šaltinius, apie dviejų pagrindinių metodų skirtumus, mašininio mokymosi ir mechaninius modelius, prognozavimo neapibrėžtumo diapazoną ir, svarbiausia, kaip išvengti per didelio pasitikėjimo savimi.
Nuo ko priklauso efektyvumas? įėjimai
Išeiga nepriklauso tik nuo vieno dalyko; yra daugelio veiksnių rezultatas. Pagrindiniai įvesties šaltiniai:
- Augalų būklė: NDVI/NDRE laiko eilutė (biomasės vystymasis) per sezoną, augalų tankis, sveikata.
- Dirvožemis: pH, OM, KDK, vandens sulaikymo, tvarkymo zona.
- Orai/klimatas: GDD kaupimasis, kritulių kiekis ir temperatūra kritiniu laikotarpiu, šalnos/kruša.
- Valdymas: Veislė, sodinimo data, trąšų kiekis ir laistymas, purškimas.
- Istorija: Ankstesnių metų to paties lauko derlingumas (vienas stipriausių pavienių rodiklių).
AI sujungia šias įvestis (funkcijas) ir sukuria prognozes. Tačiau ko nereikėtų pamiršti: modelis žino tik tuos duomenis, kuriuos jis pateikia, ir šablonus, kuriuos mato tuose duomenyse. Jei nepateiksite spalio datos, šis veiksnys bus ignoruojamas.
Du požiūriai: mašininis mokymasis prieš mechaninį modelį
Mašininio mokymosi modelis mokosi statistinių modelių iš praėjusių metų „toks derlius tokiomis sąlygomis“ pavyzdžių. Jo stiprumas: fiksuoja daug kintamųjų ir sudėtingų santykių. Silpnumas: pasitikėjimas žlunga, kai viršijami treniruočių duomenys (nauja įvairovė, precedento neturinti sausra, kitas regionas); sunku paaiškinti kodėl („juodoji dėžė“).
Mechanistinis (procesų pagrindu) modelis lygtimis (fotosintezė, vandens ir maistinių medžiagų balansas) imituoja augalų augimo fiziologiją. Stiprybės: patikimesnis, paaiškinamas naujomis sąlygomis. Silpnumas: reikalauja daug įvesties ir kalibravimo, sunku nustatyti.
Praktikoje jie yra derinami ir abu tikrinami lauko matavimu. Dirbtinis intelektas pagreitina abiejų metodų sąranką, funkcijas ir ataskaitų teikimą.
Dydis
mašininis mokymasis
Mechaninis modelis
Pagrindinis
Istorinių duomenų modelis
Fiziologijos lygtys
nauja būklė
Silpna (ekstrapoliacijos rizika)
stipresnis
Paaiškinamumas
Žemas (juoda dėžutė)
aukštas
Duomenų poreikis
seniai buvęs pavyzdys
Kelių parametrų/kalibravimas
AI vaidmuo
Funkcija + modelio fantastika
Pasiruošimas dalyviams, komentuoti
Patarimas: prieš pasitikėdami derliaus prognoze paklauskite: „Ar šių metų sąlygos panašios į praeitį, iš kurios modelis pasimokė? Dėl neįprastos sausros, naujos veislės ar kitokio regiono ML įvertinimas yra nepatikimas. Tokiais atvejais išplėskite neapibrėžtumo diapazoną.
Neapibrėžtumo diapazonas: kodėl intervalas, o ne taškas?
Geras derliaus įvertinimas nesako „620 kg per vieną kartą“; Sako „560–680 kg per vieną kartą, labiausiai tikėtina – 620, pasitikėjimas vidutinis“. Kadangi ateitis yra neaiški, o nelyginis skaičius sukuria klaidingą tikrumą. gruodis; Tai leidžia nustatyti scenarijus (blogas / vidutinis / geras) ir valdyti riziką planuojant. Prognozuodami dirbtinį intelektą visada klauskite diapazono ir patikimumo lygio; Skeptiškai vertinkite modelį, kuris pateikia nelyginį skaičių.
Trys mini dėklai: pagal numerius
1 atvejis – intervalų planavimas. Kviečių augintojas derliaus nuėmimo darbus ir transportavimą organizavo remdamasis vienu tašku (500 kg vienam dekui). Kai dirbtinio intelekto palaikomas modelis įvertino 430–560 kg ir „jautrus kritinio laikotarpio krituliams“, gamintojas sukūrė lankstų darbuotojų planą. Tikrasis svoris buvo 445 kg; Nors griežtas planavimas būtų parengęs daug išlaidų, tarpai sutaupė lankstumo.
2 atvejis – ekstrapoliacijos gaudyklė. Vienas modelis numatė didelį derlių, remiantis istoriniais duomenimis, precedento neturinčio smarkumo sausros metais. Inžinierius suprato, kad sąlygos nepatenka į mokymo duomenis, ir atmetė prognozę ir grįžo prie lauko matavimo (augalų tankio, ausų skaičiaus). Būtų buvę rimta planavimo klaida, jei modelio būtų klausytasi vienas.
3 atvejis – trūksta funkcijos. Vienas įvertinimas buvo didesnis nei tikėtasi; Apžiūrėjus buvo pastebėta, kad į modelį neįtrauktas krušos įvykis. Kai įvestis buvo baigta, prognozė krito realiai. Pamoka: modelis žino tik tiek, kiek tu jam duodi; Pamiršus kritinį įvykį, įvertinimas išpūstas.
Silpnas raginimas / stiprus raginimas
Silpnas raginimas:
Kiek derliaus gausiu iš šio lauko? Duok man numerį.
Galingas raginimas:
Jūsų vaidmuo: Žemės ūkio duomenų analitikas. SUKURTI derliaus numatymo metodą (ne modelio kūrimą, o fikciją ir interpretaciją). Turiu įvestis: [NDVI serija, dirvožemis, GDD, sodinimo data, istorinis derlius...]. Užduotis:- Paaiškinkite, kurias savybes turėčiau naudoti, kurios yra labiausiai lemiamos, - Prašykite įvertinimo kaip INTERVALO ir pasitikėjimo lygio, o ne kaip TAŠKO.- Ar šių metų sąlygos panašios į praeitį; Įvertinkite, ar yra ekstrapoliacijos rizika. - Paklauskite apie svarbius duomenis, kurių gali trūkti (kruša, šaltis, liga). - Parašykite, kaip patikrinti apskaičiuotą lauko matavimą (ausų / vaisių skaičių).
Galingas raginimas užtikrina tarpų naudojimą, ekstrapoliacijos tikrinimą, trūkstamos įvesties aptikimą ir lauko patikrinimą.
Keturi kopijuojami šablonai
1) Funkcijų prioritetų nustatymas:
Nustatymo tvarka išvardykite savybes, kurios gali būti naudojamos apskaičiuojant šio produkto derlių; Trumpai paaiškinkite, kodėl kiekvienas iš jų yra svarbus. Atskirai pažymėkite duomenis, kurių neturiu, bet bus vertingi.
2) Neapibrėžtumo diapazonas:
Pateikite šį įvertinimą ne kaip tašką, o kaip žemesnį-viršutinį diapazoną ir patikimumo lygį (aukštas/vidutinis/žemas). Parašykite veiksnius, kurie siaurina ir plečia diapazoną.
3) Ekstrapoliacijos patikrinimas:
Palyginkite šių metų sąlygas (orus, įvairovę, valdymą) su įprastais praėjusiais metais. Ar modelis nuklysta nuo mokymo duomenų? Jei taip, kiek turėčiau pasitikėti prognoze?
4) Lauko patikros planas:
Kaip atlikti matavimus (varpų / vaisių skaičių viename lauke, grūdų svorį), kad patikrinčiau šį derliaus įvertinimą lauke prieš nuimant derlių? Pasiūlykite mėginių ėmimo planą.
Dažnos klaidos
- Pasitikėjimas vienu numeriu. Taškinis įvertinimas yra klaidingas tikslumas; Klauskite diapazono ir pasitikėjimo lygio.
- Ekstrapoliacijos nepaisymas. ML įvertinimas neįprastais metais yra nepatikimas; Palyginkite būklę su praeitimi.
- Pamirštama kritinė įvestis. Jei neįvesite įvykių, tokių kaip kruša, šalnos ir ligos, prognozė bus padidinta.
- Modelio uždarymas į lauką. Paskutinis inkaras yra tiesioginis matavimas, pvz., spygliuočių / vaisių skaičiavimas; Nepraleiskite to.
- Aklai pasitikėdamas juodąja dėže. Prognozė, kurios priežasties neįmanoma paaiškinti, neturėtų tapti sprendimu be abejonių.
Atsargiai: pajamingumo prognozė lemia finansinius ir veiklos sprendimus (sutartis, paskola, darbuotojas). Įsipareigojimas, pagrįstas pernelyg optimistine prognoze, padaro didelę žalą, jei jis neišsipildys. Pateikite sąmatą kaip įvairias galimybes ir prisiimkite svarbius įsipareigojimus pagal atsargų scenarijų.
Apibendrinant
Derliaus numatymas yra daugelio įvesties (augalas, dirvožemis, oras, valdymas, istorija) derinys. Mašininis mokymasis fiksuoja sudėtingus modelius, tačiau jo pasitikėjimas žlunga, kai jis viršija mokymo duomenis; Mechaninis modelis yra patikimesnis naujomis sąlygomis, tačiau jį sunku nustatyti. Dirbtinis intelektas pagreitina abiejų požiūrių kūrimą. Geras įvertinimas yra intervalas, o ne taškas, pateikiamas su patikimumo lygiu, patikrintas dėl ekstrapoliacijos rizikos ir patikrintas atliekant lauko matavimus. Per didelis pasitikėjimas savimi yra pati brangiausia klaida; Prognozė yra galimybė, o ne įsipareigojimas.
Taikymo užduotis
Išvardykite (reprezentatyvias) pasėlių sąnaudas: kelių metų istorinis derlius, NDVI tendencija, sodinimo data, kritinio laikotarpio krituliai. Leiskite dirbtiniam intelektui nuspėti derlių, naudodami šio įrenginio „funkcijų prioritetų nustatymo“ ir „neapibrėžtumo tarpo“ šablonus. Tada sąmoningai pašalinkite kritinę įvestį (pavyzdžiui, krušos įvykį) ir paklauskite dar kartą bei stebėkite, kaip keičiasi numatymas. Vienoje pastraipoje parašykite, kaip patikrinsite prognozę lauke prieš derliaus nuėmimą.
kontrolinis sąrašas
- [ ] Norėjau apskaičiuoto taško, o ne diapazono ir patikimumo lygio.
- [ ] Palyginau šių metų sąlygas su praeitimi ir patikrinau ekstrapoliacijos riziką.
- [ ] Patikrinau, ar netrūksta kritinių įėjimų (krušos, šalčio, ligos).
- [ ] Palyginau apskaičiuotą istorinį pajamingumą ir lyginamąjį indeksą.
- [ ] Sudariau patikros planą su lauko matavimu (ausų/vaisių skaičiumi).