Ieguvumi:
- Spēja izskaidrot ienesīguma prognozēšanā izmantotos datu avotus un atšķirību starp mašīnmācīšanos un mehāniskajiem modeļiem
- Iespēja konfigurēt ražas prognozēšanas iestatījumus, funkcijas un nenoteiktības diapazonu, izmantojot AI
- Spēja pārbaudīt modeļa izlaidi ar vēsturisko ražu, etalonu un lauka mērījumiem un novērst pārmērīgu uzticēšanos
"Cik daudz produkta es saņemšu no šī lauka?" Tas ir senākais un vērtīgākais jautājums lauksaimniecībā. Zinot pareizo atbildi; Tas nozīmē ražas novākšanas strādnieka, noliktavas, transportēšanas, pārdošanas līguma un finansējuma plānošanu. Zinot to nepareizi, tas nozīmē resursu izšķērdēšanu vai nespēju sekot līdzi. Mākslīgais intelekts un mašīnmācīšanās (ML, metode, kas apgūst datu modeļus un paredz jaunas situācijas) var sniegt spēcīgas, bet bīstami pārliecinošas atbildes uz šo jautājumu. Šī vienība māca jums par ienesīguma prognozēšanas datu avotiem, atšķirību starp abām pamata pieejām, mašīnmācīšanos un mehāniskajiem modeļiem, prognozēšanas nenoteiktības diapazonu un, pats galvenais, kā izvairīties no pārmērīgas pārliecības.
No kā ir atkarīga efektivitāte? ievades
Ienesīgums nav atkarīgs tikai no vienas lietas; ir daudzu faktoru rezultāts. Galvenie ievades avoti:
- Augu statuss: NDVI/NDRE laikrindas (biomasas attīstība) visā sezonā, augu blīvums, veselība.
- Augsne: pH, OM, KDK, ūdens aizture, apsaimniekošanas zona.
- Laikapstākļi/klimats: GDD uzkrāšanās, kritiskā perioda nokrišņi un temperatūra, sals/krusa.
- Apsaimniekošana: Šķirne, stādīšanas datums, mēslojuma daudzums un apūdeņošana, izsmidzināšana.
- Vēsture: Tā paša lauka iepriekšējā gada ražas (viens no spēcīgākajiem atsevišķiem rādītājiem).
AI apvieno šīs ievades (funkcijas) un rada prognozes. Bet ko nevajadzētu aizmirst: modelis zina tikai datus, kas tiek ievadīti, un modeļus, ko tas redz šajos datos. Ja nenorādīsiet oktobra datumu, šis faktors tiks ignorēts.
Divas pieejas: mašīnmācīšanās pret mehānisko modeli
Mašīnmācīšanās modelis apgūst statistikas modeļus no iepriekšējo gadu piemēriem "šī ir raža šajos apstākļos". Tās spēks: aptver daudzus mainīgos lielumus un sarežģītas attiecības. Vājums: pārliecība sabrūk, kad tiek pārsniegti treniņu dati (jauna šķirne, nepieredzēts sausums, cits reģions); cenšas izskaidrot, kāpēc (“melnā kaste”).
Mehāniskais (uz procesu balstītais) modelis atdarina augu augšanas fizioloģiju ar vienādojumiem (fotosintēze, ūdens un barības vielu līdzsvars). Stiprās puses: uzticamāka, izskaidrojama jaunos apstākļos. Vājums: prasa daudz ievades un kalibrēšanas, grūti iestatīt.
Praksē abas tiek apvienotas, un abas tiek pārbaudītas ar lauka mērījumiem. Mākslīgais intelekts paātrina abu pieeju iestatīšanu, funkcijas un ziņošanu.
Izmērs
mašīnmācība
Mehāniskais modelis
Pamata
Vēsturisko datu modelis
Fizioloģijas vienādojumi
jauns stāvoklis
Vāji (ekstrapolācijas risks)
stiprāks
Izskaidrojamība
Zems (melnā kaste)
augsts
Nepieciešami dati
sen pagātnes piemērs
Vairāku parametru/kalibrēšana
AI loma
Funkciju un modeļu fantastika
Ieejas sagatavošana, komentārs
Padoms. Pirms uzticaties ražas prognozei, pajautājiet: “Vai šī gada apstākļi ir līdzīgi pagātnei, no kuras modelis ir mācījies?” Neparasts sausums, jauna šķirne vai cits reģions padara ML aprēķinu neuzticamu. Šādos gadījumos paplašiniet nenoteiktības diapazonu.
Nenoteiktības diapazons: kāpēc intervāls, nevis punkts?
Labā ražas aplēsē nav teikts "620 kg uz vienu reizi"; Viņš saka: "560-680 kg uz vienu reizi, visticamākais ir 620, pārliecība ir vidēja." Jo nākotne ir neskaidra un nepāra skaitlis rada nepatiesu noteiktību. decembris; Tas ļauj izveidot scenārijus (sliktu/vidēju/labu) un pārvaldīt risku plānošanā. Veicot AI prognozēšanu, vienmēr jautājiet diapazonu un ticamības līmeni; Esiet skeptiski noskaņots pret modeli, kas dod nepāra skaitli.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums – intervālu plānošana. Kviešu ražotājs bija organizējis ražas novākšanas darbu un transportēšanu, pamatojoties uz viena punkta aprēķinu (500 kg uz dekāru). Kad mākslīgā intelekta atbalstītais modelis sniedza vērtējumu 430–560 kg un "jutīgs pret kritiskā perioda nokrišņiem", ražotājs izstrādāja elastīgu darbinieku plānu. Faktiskais svars bija 445 kg; Lai gan stingra plānošana būtu radījusi daudz izdevumu, atstarpes ietaupīja elastību.
2. gadījums — ekstrapolācijas slazds. Viens modelis paredzēja augstu ražu, pamatojoties uz vēsturiskiem datiem bezprecedenta smaguma sausuma gadā. Inženieris saprata, ka apstākļi bija ārpus apmācības datiem, un noraidīja prognozi un atgriezās pie lauka mērījumiem (augu blīvums, ausu skaits). Tā būtu bijusi nopietna plānošanas kļūda, ja modelī būtu klausīta viena pati.
3. gadījums — trūkst funkcijas. Viena aplēse bija augstāka, nekā gaidīts; Pārbaudot, bija redzams, ka modelī nebija ierakstīts krusas notikums. Kad ievade bija pabeigta, prognoze kritās reālistiski. Mācība: modelis zina tikai tik daudz, cik tu tam dod; Aizmirstot kādu kritisku notikumu, aplēse tiek palielināta.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Cik ražu es iegūšu no šī lauka? Dodiet man numuru.
Spēcīga uzvedne:
Jūsu loma: Lauksaimniecības datu analītiķis. IZSTRĀDĀT pieeju ražas prognozēšanai (nevis modeļu veidošana, bet daiļliteratūra un interpretācija). Man ir ievades: [NDVI sērija, augsne, GDD, stādīšanas datums, vēsturiskā raža...]. Uzdevums:- Paskaidrojiet, kuras funkcijas man vajadzētu izmantot, kuras ir visnoteicošākās, - Pieprasiet tāmi kā INTERVĀLU un ticamības līmeni, nevis kā PUNKTU.- Vai šī gada apstākļi ir līdzīgi pagātnei; Novērtējiet, vai pastāv ekstrapolācijas risks. - Jautājiet par kritiskajiem datiem, kas var nebūt (krusa, sals, slimība). - Uzrakstiet, kā pārbaudīt aprēķināto lauka mērījumu (ausu/augļu skaitu).
Spēcīga uzvedne nodrošina atstarpi, ekstrapolācijas pārbaudi, trūkstošās ievades noteikšanu un lauka pārbaudi.
Četras kopējamas veidnes
1) Funkciju prioritātes noteikšana:
Noteikšanas secībā uzskaitiet pazīmes, kuras var izmantot, lai novērtētu šāda produkta ražu; Īsi paskaidrojiet, kāpēc katrs no tiem ir svarīgs. Atsevišķi atzīmējiet datus, kuru manā rīcībā nav, bet tie būs vērtīgi.
2) Nenoteiktības diapazons:
Norādiet šo aprēķinu nevis kā punktu, bet gan kā zemāku-augšējo diapazonu un ticamības līmeni (augstu/vidēju/zemu). Uzrakstiet faktorus, kas sašaurina un paplašina diapazonu.
3) Ekstrapolācijas pārbaude:
Salīdziniet šī gada apstākļus (laika apstākļi, dažādība, apsaimniekošana) ar tipiskiem pagājušajiem gadiem. Vai modelis atšķiras no apmācības datiem? Ja jā, cik ļoti man vajadzētu uzticēties pareģojumam?
4) Lauka pārbaudes plāns:
Kā veikt mērījumus (vārpu/augļu skaits uz lauka, graudu svars), lai pārbaudītu šo ražas novērtējumu laukā pirms ražas novākšanas? Ieteikt paraugu ņemšanas plānu.
Biežas kļūdas
- Uzticoties vienam skaitlim. Punktu novērtējums ir nepatiesa precizitāte; Pieprasiet diapazonu un uzticamības līmeni.
- Ekstrapolācijas ignorēšana. ML aplēse neparastā gadā ir neuzticama; Salīdziniet stāvokli ar pagātni.
- Aizmirstot kritisko ievadi. Ja neievadīsit tādus notikumus kā krusa, sals un slimības, prognoze tiks palielināta.
- Modeļa aizvēršana laukā. Tiešie mērījumi, piemēram, smailes/augļu skaitīšana, ir pēdējais enkurs; Neizlaidiet to.
- Akli uzticoties melnajai kastei. Prognozei, kuras iemeslu nevar izskaidrot, nevajadzētu kļūt par lēmumu bez apšaubīšanas.
Uzmanību: ienesīguma prognoze izraisa finanšu un darbības lēmumus (līgums, aizdevums, darbinieks). Apņemšanās, kas balstīta uz pārāk optimistisku prognozi, nodara nopietnu kaitējumu, ja tā nepiepildās. Norādiet tāmi kā iespēju klāstu un uzņemieties kritiskas saistības, pamatojoties uz piesardzīgo scenāriju.
Rezumējot
Ražas prognozēšana ir daudzu ievades datu (augs, augsne, laikapstākļi, apsaimniekošana, vēsture) kombinācija. Mašīnmācība aptver sarežģītus modeļus, taču tās pārliecība sabrūk, kad tā pārsniedz apmācības datus; Mehāniskais modelis jaunajā stāvoklī ir uzticamāks, taču to ir grūti izveidot. Mākslīgais intelekts paātrina abu pieeju izveidi. Labs novērtējums ir intervāls, nevis punkts, kas uzrādīts ar ticamības līmeni, pārbaudīts attiecībā uz ekstrapolācijas risku un pārbaudīts ar lauka mērījumiem. Pārmērīga pašpārliecinātība ir visdārgākā kļūda; Prognoze ir iespēja, nevis apņemšanās.
Lietojumprogrammas uzdevums
Uzskaitiet (reprezentatīvos) izejmateriālus, kas jums ir pieejami kultūrai: vairāku gadu vēsturiskā raža, NDVI tendence, stādīšanas datums, kritiskā perioda nokrišņi. Iegūstiet AI, lai prognozētu ienesīgumu, izmantojot šīs vienības veidnes “funkciju prioritāšu noteikšana” un “nenoteiktības atšķirības”. Pēc tam apzināti noņemiet kritisko ievadi (piemēram, krusas notikumu) un jautājiet vēlreiz un novērojiet, kā mainās prognoze. Vienā rindkopā ierakstiet, kā jūs pārbaudīsit prognozi uz lauka pirms ražas novākšanas.
kontrolsaraksts
- [ ] Es gribēju aprēķināto punktu, nevis diapazonu un ticamības līmeni.
- [ ] Es salīdzināju šī gada apstākļus ar pagātni un pārbaudīju ekstrapolācijas risku.
- [ ] Es pārbaudīju, vai netrūkst kritiskās ievades (krusa, sals, slimības).
- [ ] Es salīdzināju aplēsto vēsturisko ienesīgumu un etalonu.
- [ ] Es izveidoju pārbaudes plānu ar lauka mērījumiem (ausu/augļu skaits).