Ieguvumi:
- Spēja atpazīt un pārvaldīt ētiskus riskus, piemēram, lauksaimnieku datu īpašumtiesības, privātumu un algoritmisko neobjektivitāti
- Iespēja apvienot visas moduļa saites vienā sezonālā pilnīgā darbplūsmā
- Kvalitātes sistēmas noteikšana, ka mākslīgā intelekta izlaide neaizstāj kompetenta agronoma apstiprinājumu drošībai kritiskos lauksaimniecības lēmumos
Moduļa eksāmens
1. Kādi ir “trīs enkuru” validācijas enkuri, kas tiek izmantoti pirms mākslīgā intelekta izvades iekļaušanas lēmumā lauksaimniecības inženierijā?
- A) Izmēru diapazons, agronomiskā ticamība un lauka pierādījumi ✔
- B) Modeļa popularitāte, atbildes garums un valodas prasme
- C) Cena, ātrums un lietotāja interfeiss
- D) Zīmola uzticamība, interneta pieslēgums un faila formāts
Apraksts: Trīs enkuri; lieluma secība, kas pārbauda, vai rezultāts ir sagaidāmās jaudas robežās 10, agronomiskā pamatotība, kas aplūko izlaides atbilstību kultūraugam un klimatam, un lauka pierādījumi, kas sniedz apstiprinājumu uz lauka, nevis kodolu/paraugu. Avota zīmols, modeļa popularitāte vai teksta raitums nav pārbaudes kritēriji.
2. Ko būtībā mēra NDVI (Normalized Difference Vegetation Index)?
- A) Nosakiet precīzu augsnes mitruma procentuālo daudzumu centimetros
- B) Zaļās, dinamiskas veģetācijas blīvums un stiprums ✔
- C) Kurš slimības ierosinātājs ir sastopams sugas līmenī?
- D) Produkta gala cena pēc ražas novākšanas
Apraksts: NDVI mēra zaļās, fotosintētiskās dzīvās veģetācijas blīvumu un stiprumu, normalizējot atšķirību starp tuvās infrasarkanās (NIR) un sarkanās joslas atstarošanu. Tā kā veseli augi spēcīgi atspoguļo NIR un intensīvi absorbē sarkano, NDVI palielinās; Vērtība samazinās saspringtā vai retā segumā. Tas tieši nenosaka ražu, augsnes mitrumu vai slimības veidu; tiem nepieciešami papildu dati.
3. Satelītattēlā ir redzams apgabals ar zemu NDVI vērtību. Kurš no tālāk norādītajiem ir labākais solis, kas jāveic, pirms šo anomāliju pārvērst par inženiertehnisku lēmumu?
- A) Nekavējoties uzklājiet šai vietai fungicīdu
- B) Mēslojuma devas dubultošana apgabalā
- C) Apstipriniet cēloni ar lauka kontroli, meteoroloģiju un fenoloģiju ✔
- D) Ignorējiet anomāliju un piemērojiet vidējo vērtību visam laukam
Paskaidrojums: Zemu NDVI var izraisīt ūdens stress, slimības, barības vielu deficīts, reta parādīšanās, mākoņu ēna vai svaigi uzarta augsne. Mēs varam atšķirt šo nenoteiktību tikai ar lauka kontroli, meteoroloģiju un fenoloģiju; Karte vien nepasaka, kāpēc. Lietojot pesticīdus vai mēslojumu, pastāv nepareiza iemesla iejaukšanās risks.
4. Kāda ir visprecīzākā pieeja, ievadot lauksaimnieka lauka koordinātas, ražas un izmaksu datus publiski pieejamā AI rīkā?
- A) Visu datu ielīmēšana ar to ID un koordinātām
- B) Anonimizēt identifikācijas informāciju un kopīgot tikai nepieciešamos tehniskos datus ✔
- C) Datu ielāde publiskajā tabulā, to vispār nepārbaudot
- D) Datu ziedošana modeļu apmācībai bez lauksaimnieka atļaujas
Informācijas atklāšana: lauksaimnieku dati ir komerciāli un personiski sensitīvi; Koordinātu, identitātes un izmaksu informācija ir īpašuma un konfidencialitātes jautājums. Pareizā pieeja ir anonimizēt identifikācijas informāciju ar reprezentatīvām etiķetēm (Plot-A, X koordinātas) un kopīgot tikai analīzei nepieciešamos tehniskos datus. Datu koplietošana tādu, kāda tā ir, vai to atvēršana izglītībai bez atļaujas rada ētiskus un juridiskus riskus.
5. Augsnes analīzes ziņojumā pH ir 4,8. Ko šī vērtība nozīmē agronomiski?
- A) Neitrāla un ideāla augsne lielākajai daļai kultūru
- B) stipri skābs; Stāvoklis, kas var ierobežot pārtikas uzņemšanu un prasīt korekciju ✔
- C) spēcīga sārma; stāvoklis, kas prasa kaļķošanu
- D) Tas nozīmē, ka augsnē ir ārkārtīgi augsts sāļums.
Apraksts: pH 4,8 norāda uz stipri skābu augsni; Šādos apstākļos tiek samazināta fosfora un molibdēna uzņemšana, palielinās alumīnija/mangāna toksicitātes risks un daudzās kultūrās tiek nomākta sakņu attīstība. Lielākajai daļai laukaugu 6,0–7,0 ir piemērotais diapazons. Tāpēc tiek apsvērta tāda korekcija kā kaļķošana; Skāba augsne nav “ideāla” un pati par sevi negarantē augstu ražu.
6. AI ieteica 60 kg tīra slāpekļa uz vienu dekāru kviešu laukam; Reģionālā praktiskā un mērķa raža norāda aptuveni 12-16 kg tīra slāpekļa dekārā. Kāda ir labākā uzvedība?
- A) Īstenojot ieteikumu, kā tas ir, jo AI aprēķināja
- B) Devas palielināšana vēl vairāk, lai būtu droša
- C) Skatiet to kā brīdinājumu par lielumu un pārbaudiet ievades un vietējo kalibrēšanu ✔
- D) Priekšlikuma dalīšana uz pusēm, neņemot vērā augsnes analīzi
Apraksts: ieteikums ir aptuveni četras reizes lielāks par paredzēto diapazonu; Šis ir brīdinājums par lielumu. Pārmērīgs slāpekļa daudzums nozīmē gan ekonomisku kaitējumu, gan depresijas, slimību un nitrātu piesārņojuma risku. Pareiza rīcība ir noraidīt ieteikumu un pārbaudīt ievades datus (vienību, ražu, mērķa ražu, augsnes N) un vietējo kalibrēšanu. Aklā lietošana rada kaitējumu videi un agronomiskumam.
7. Ko nozīmē “augu ūdens patēriņš” (evapotranspirācija, ET), ko izmanto apūdeņošanas lēmumos?
- A) Ūdens daudzums, kas augsnē nonāk tikai ar nokrišņiem
- B) Kopējais ūdens zudums, iztvaicējot no augsnes un transpirējot no auga ✔
- C) Augsnes elektrovadītspēja
- D) Spiediena vērtība apūdeņošanas caurulē
Paskaidrojums: Evapotranspirācija ir kopējais ūdens zudums no augsnes uz atmosfēru, iztvaikojot un transpirējot no auga. Reizinot atskaites ET ar ražas koeficientu (Kc), tiek aprēķināta produkta faktiskā ūdens nepieciešamība (ETc) un saskaņā ar šo ūdens bilanci tiek plānota apūdeņošana. ET nav nokrišņi vai augsnes sāļums; Tas atspoguļo ūdens budžeta aizplūšanas pusi.
8. Inženieris, kurš redzēja simptomus uz lapas, sniedza AI fotoattēla aprakstu un saņēma provizorisku diagnozi. Kas ir obligāts pirms šīs diagnozes pārveidošanas lēmumā par kaitēkļu apkarošanu?
- A) aģenta apstiprināšana uz vietas/laboratorijā un licencētas un marķētas zāles izvēle ✔
- B) Vairāku dažādu medikamentu lietošana kopā, lai būtu droši
- C) Nekavējoties uzklājiet aktīvo sastāvdaļu neatkarīgi no AI.
- D) Izvēlieties lētāko pesticīdu un uzklājiet to uz visu lauku
Paskaidrojums: ar sākotnējo diagnozi pēc attēla vien nepietiek dažādu faktoru (sēnīšu, baktēriju, vīrusu, barības vielu deficīta, abiotiskā stresa) dēļ, kas izraisa līdzīgus simptomus. Aģents jāapstiprina ar lauka paraugu un, ja nepieciešams, laboratorisko diagnostiku, un tad jāizvēlas tikai zāles, kas licencētas šim aģentam un šim produktam un piemērotas tā etiķetei. Plaša spektra pesticīdu lietošana bez pārbaudes rada rezistences un atlieku veidošanās risku.
9. Kāds ir GDD (Growth Degree Day) koncepcijas mērķis, ko bieži izmanto lauksaimniecības lēmumu atbalstam?
- A) Ievērojot augsnes pH vērtību
- B) Augu attīstības stadiju un kaitēkļu parādīšanās prognozēšana pēc siltuma uzkrāšanās ✔
- C) Apūdeņošanas caurules plūsmas ātruma mērīšana
- D) Produkta tirgus cenas aprēķināšana
Apraksts: GDD ir kopējais siltums, kas uzkrāts, no dienas vidējās temperatūras atņemot bāzes temperatūru, un to izmanto, lai novērtētu auga attīstības (fenoloģijas) posmus un dažu kaitēkļu parādīšanās laiku. Tādējādi smidzināšanas, mēslošanas un ražas novākšanas logus var plānot pēc siltuma uzkrāšanas, nevis kalendāra. GDD nav augsnes pH vai tiešais nokrišņu daudzums.
10. Kurš no šiem apgalvojumiem ir visprecīzākais ienesīguma prognozēšanas modelim, kas izveidots, izmantojot mašīnmācīšanos?
- A) Precīzi un bez kļūdām prognozē nākotni
- B) tā ir balstīta uz pagātnes modeļiem; Jānorāda ar nenoteiktības diapazonu un jāpārbauda ✔
- C) Tas vienmēr darbojas ar tādu pašu precizitāti apstākļos, kas nav apmācību dati.
- D) Viņš ir vienīgais galīgo lēmumu pieņēmējs bez agronomiskas informācijas
Apraksts: mašīnmācīšanās modelis ir balstīts uz modeļiem, ko tas redz vēsturiskajos datos; Pārliecība samazinās, ja ievades apstākļi neatbilst apmācības datiem (jauna šķirne, neparasts klimats). Tāpēc izlaide ir jānorāda ar nenoteiktības diapazonu, nevis punktu, un tā ir jāpārbauda, izmantojot vēsturisko ienesīgumu un etalonus. Modelis nezina nākotni droši un nedarbojas ar tādu pašu precizitāti visos apstākļos.
11. Kāda ir labākā prakse pirms mākslīgā intelekta ģenerēta Python/pandas analīzes koda palaišanas?
- A) Koda lietošana tieši visai datu kopai, to neizlasot
- B) Testēšana ar nelielu datu paraugu ar zināmiem rezultātiem un formulu un vienību pārbaude ✔
- C) Ņemot vērā, ka pietiek ar darbu bez kļūdām.
- D) Izvades ievietošana atskaitē, to vispār nepārbaudot
Apraksts: lai gan mākslīgā intelekta ģenerētais kods var šķist pareizs, tajā var būt vienības, kolonnas nosaukums, indeksa formulas vai filtra loģikas kļūdas. Laba prakse ir manuāli palaist rezultātu, salīdzinot ar nelielu jums zināmu datu paraugu, salīdzināt to ar paredzamo rezultātu un pārbaudīt formulas, piemēram, NDVI, salīdzinot ar avotu. Lietojot kodu lielajiem datiem, to neredzot, klusās kļūdas tiek pārvietotas uz ražošanu.
12. Kāpēc zāļu administrēšanas piezīmju grāmatiņa ir ļoti svarīga izsekojamības ierakstos?
- A) Tikai lai saņemtu nodokļu atskaitījumu
- B) Nodrošina pārbaudāmu ierakstu par MRL ievērošanu, sertifikāciju un partijas izsekošanu ✔
- C) Tikai salīdzināšanai ar kaimiņu laukiem
- D) Sagatavot reklāmas brošūras
Apraksts: Zāļu administrēšanas grāmata; Tas dokumentē, kurš produkts, kura aktīvā viela, kādā devā un datums tika izmantots, kā arī gaidīšanas periods starp pēdējo lietošanas reizi un ražas novākšanu. Šis ieraksts ir obligāts, lai nodrošinātu atbilstību maksimālajam atlieku daudzumam (MRL), labas agronomijas/bioloģiskās sertifikācijas iegūšanai un partijas izsekošanas gadījumā, ja rodas problēma. Tas netiek glabāts tikai izmaksu uzskaitei vai reklamēšanai.
13. AI rīks pārliecinoši ziņoja, ka kaitēklis, kas šajā apgabalā nav atrasts, ir “vispārējs apdraudējums”. Kurš jēdziens vislabāk var izskaidrot šo situāciju?
- A) Sensora kalibrēšanas kļūda
- B) Halucinācijas: informācijas radīšana, kas neeksistē drošā valodā ✔
- C) Tīkla savienojuma pārtraukums
- D) Datu par nokrišņiem trūkums
Paskaidrojums: To sauc par halucināciju, ja modelis rada informāciju, kas patiesībā neeksistē vai neatbilst kontekstam, it kā tā būtu īsta, raita un pārliecināta. Agronomiskās ticamības filtrs (vai reģiona klimats un ražas modelis ir piemērots šim kaitēklim?) un lauka pierādījumi šādas kļūdas uztver pirms parakstīšanas. Tā nav sensora darbības traucējumi vai ierīces kļūda.
14. Kā būtu jādefinē mākslīgā intelekta loma lauksaimniecības lēmumos, kas ir būtiski drošībai un kvalitātei (piemēram, pesticīdu devas, mēslojuma receptes, apūdeņošanas plāns)?
- A) Kompetentā iestāde, kas vienīgā pieņem galīgo lēmumu
- B) Automatizēta sistēma, kas aizstāj kompetenta agronoma apstiprinājumu
- C) Asistents, kurš sagatavo projektus un ierosinājumus un atstāj eksperta ziņā ✔
- D) Precīzs informācijas avots, kam nav nepieciešama pārbaude
Apraksts: Mākslīgais intelekts; Tas ir palīgs, kas veido kontūras, apkopo datus un ierosina hipotēzes. Pēdējais vārds kritisko lēmumu pieņemšanā pieder kompetentam lauksaimniecības inženierim, kurš pārzina lauka novērojumus, vietējo kalibrēšanu un likumdošanu; AI izvade neaizstāj šo apstiprinājumu. Runājot par produktu, vides un pārtikas drošību, atbildība gulstas uz parakstīšanas ekspertu.