Добивки:
- Способност да се објаснат изворите на податоци што се користат при предвидување на приносот и разликата помеѓу машинското учење и механичките модели
- Способност за конфигурирање на поставувањето за предвидување принос, карактеристики и опсег на несигурност со вештачка интелигенција
- Способност да се потврди излезот на моделот со историски принос, репер и теренско мерење и да се спречи прекумерна доверба
"How much product will I get from this field?" Ова е најстарото и највредното прашање во земјоделството. Познавање на точниот одговор; Тоа значи планирање на жетварски работник, магацин, транспорт, договор за продажба и финансирање. Да се знае тоа погрешно значи да се трошат ресурсите или да не можеш да продолжиш. Вештачката интелигенција и машинското учење (ML, метод кој учи шеми во податоците и предвидува нови ситуации) може да дадат моќни, но опасно убедливи одговори на ова прашање. Оваа единица ве учи за изворите на податоци за предвидување на приносот, за разликата помеѓу двата основни пристапи, машинското учење и механичките модели, опсегот на несигурност во предвидувањето и - што е најважно - како да се избегне прекумерна самодоверба.
Од што зависи ефикасноста? влезови
Приносот не зависи само од една работа; е производ на многу фактори. Главни извори на влез:
- Статус на растението: временски серии NDVI/NDRE (развој на биомаса) во текот на сезоната, густина на растенијата, здравје.
- Почва: pH, OM, KDK, задржување на водата, зона на управување.
- Време/клима: акумулација на GDD, врнежи и температура во критичниот период, појава на мраз/град.
- Управување: Разновидност, датум на садење, количина на ѓубриво и наводнување, прскање.
- Историја: Приносите од претходната година на истото поле (еден од најсилните поединечни показатели).
AI ги комбинира овие влезови (карактеристики) и произведува предвидување. Но, што не треба да се заборави: моделот ги знае само податоците што ги внесува и шемите што ги гледа во тие податоци. Ако не го наведете датумот октомври, тој ќе го игнорира тој фактор.
Два пристапи: Машинско учење наспроти механички модел
Моделот за машинско учење учи статистички обрасци од примерите „ова е приносот во овие услови“ од минатите години. Неговата сила: доловува многу променливи и сложени односи. Слабост: довербата пропаѓа кога се надминати податоците за обуката (нова сорта, невидена суша, различен регион); се бори да објасни зошто („црна кутија“).
Механичкиот (процесен) модел ја имитира физиологијата на растот на растенијата со равенки (фотосинтеза, рамнотежа вода-хранливи материи). Јаки страни: посигурни, објаснети во нови услови. Слабост: бара многу внесување и калибрација, тешко е да се постави.
Во пракса двете се комбинирани и и двете се проверуваат со теренско мерење. Вештачката интелигенција го забрзува поставувањето, карактеристиките и известувањето за двата пристапа.
Големина
машинско учење
Механички модел
Основни
Шема на историски податоци
Физиолошки равенки
нова состојба
Слаб (ризик од екстраполација)
посилни
Објаснување
Ниско (црна кутија)
високо
Потребни се податоци
одамна минат пример
Мулти-параметар/калибрација
Улогата на вештачката интелигенција
Фикција за играна + модел
Подготовка за влез, коментар
Совет: Пред да верувате во прогнозата за принос, прашајте: „Дали условите за оваа година се слични на минатото од кое научи моделот? Невообичаена суша, нова сорта или различен регион ја прави проценката на ML неверодостојна. Во такви случаи, проширете го опсегот на несигурност.
Опсег на несигурност: зошто интервал, а не точка?
Добрата проценка на приносот не вели „620 kg по декар“; Тој вели „560-680 кг по декар, најверојатните се 620, довербата е средна“. Затоа што иднината е неизвесна и непарниот број создава лажна сигурност. декември; Овозможува поставување на сценарија (лоши/средни/добри) и управување со ризик при планирањето. Секогаш барајте опсег и ниво на доверба кога правите предвидување на вештачката интелигенција; Бидете скептични за модел кој дава непарен број.
Три мини случаи: според бројките
Случај 1 - Планирање на интервали. Производителот на пченица организираше работна сила и транспорт за берба врз основа на проценка на една точка (500 кг по декар). Кога моделот поддржан со вештачка интелигенција даде оценка од 430-560 кг и „чувствителен на врнежи во критичниот период“, производителот направи флексибилен план за работниците. Вистинската тежина беше 445 кг; Додека ригидното планирање би создало многу трошоци, растојанието заштедува флексибилност.
Случај 2 - Екстраполациона стапица. Еден модел предвиде високи приноси врз основа на историски податоци за време на суша година со невидена сериозност. Инженерот сфатил дека условите се надвор од податоците за обуката и го отфрлил предвидувањето и се вратил на теренското мерење (густина на растението, број на уши). Ќе беше сериозна грешка при планирањето доколку моделот се слушаше сам.
Случај 3 - Недостасува карактеристика. Една проценка беше повисока од очекуваната; При прегледот се виде дека во макетата не е внесена појава на град. Откако внесувањето беше завршено, предвидувањето падна реално. Поука: моделот знае само онолку колку што му давате; Заборавањето на критичен настан ја надува проценката.
Слаба навестување / Силен навестување
Слаба навестување:
Колку принос ќе добијам од ова поле? Дај ми број.
Моќен потсетник:
Вашата улога: аналитичар за земјоделски податоци. ДИЗАЈНИРАЈ пристап за предвидување на приносот (не градење модел, туку фикција и интерпретација). Ги имам влезовите: [NDVI серија, почва, GDD, датум на садење, историски принос...]. Задача:- Објаснете кои карактеристики треба да ги користам, кои се најодлучни, - Побарајте ја проценката како ИНТЕРВАЛ и ниво на доверба, а не како ТОЧКА.- Дали условите оваа година се слични на минатото; Проценете дали постои ризик од екстраполација. - Прашајте за критичните инпути што може да недостасуваат (град, мраз, болест). - Напишете како да го потврдите проценетото мерење на теренот (број на уши/овошје).
Моќното известување наметнува растојание, проверка на екстраполација, откривање на недостиг на влез и проверка на терен.
Четири шаблони за копирање
1) Приоритизација на карактеристиките:
Наведете ги, по редослед на определување, карактеристиките што може да се користат за да се процени приносот за следниот производ; Накратко објаснете зошто секој од нив е важен. Обележете ги посебно податоците што ги немам, но ќе бидат вредни.
2) Опсег на несигурност:
Дајте ја оваа проценка не како точка, туку како понизок-горен опсег и ниво на доверба (високо/средно/ниско). Напиши ги факторите што го стеснуваат и прошируваат опсегот.
3) Проверка на екстраполација:
Споредете ги овогодинешните услови (времето, разновидноста, управувањето) со типичните минати години. Дали моделот отстапува од податоците за обуката? Ако е така, колку треба да му верувам на предвидувањето?
4) План за проверка на терен:
Како да го земам кое мерење (број на уши/плод по нива, тежина на зрно) за да ја потврдам оваа проценка на приносот на полето пред жетвата? Предложете план за земање примероци.
Вообичаени грешки
- Доверба на еден број. Точка проценка е лажна прецизност; Побарајте опсег и ниво на доверба.
- Игнорирање на екстраполација. Проценката на ML во невообичаена година е неверодостојна; Споредете ја состојбата со минатото.
- Заборавајќи го критичниот влез. Ако не внесете настани како град, мраз и болести, прогнозата ќе биде надуена.
- Затворање на моделот на теренот. Директното мерење како што е броењето на шилци/овошје е последното сидро; Не го прескокнувајте.
- Слепо верувајќи во црната кутија. Предвидување чија причина не може да се објасни не треба да стане одлука без да биде доведена во прашање.
Внимание: прогнозата на приносот предизвикува финансиски и оперативни одлуки (договор, заем, вработен). Обврската заснована на премногу оптимистичка прогноза предизвикува сериозна штета доколку не се оствари. Презентирајте ја проценката како опсег на можности и преземете критични обврски врз основа на претпазливото сценарио.
Сумирано
Предвидувањето на приносот е комбинација од многу инпути (растенија, почва, временски услови, управување, историја). Машинското учење доловува сложени обрасци, но неговата самодоверба пропаѓа кога ќе ги надмине податоците за обуката; Механичкиот модел е посигурен во новата состојба, но тешко е да се воспостави. Вештачката интелигенција ја забрзува изградбата на двата пристапи. Добрата проценка е интервал, а не точка, претставена со ниво на доверба, проверена за ризик од екстраполација и потврдена со теренско мерење. Преголемата самодоверба е најскапата грешка; Предвидувањето е можност, а не обврска.
Задача за апликација
Наведете ги (репрезентативните) влезови што ги имате за културата: неколку години историски принос, тренд на NDVI, датум на садење, врнежи од критичниот период. Добијте вештачка интелигенција за да го предвиди приносот со шаблоните за „приоритизација на карактеристики“ и „јаз на несигурност“ во оваа единица. Потоа намерно отстранете го критичниот влез (на пример, појава на град) и прашајте повторно и набљудувајте како се менува предвидувањето. Напишете во еден пасус како ќе ја потврдите прогнозата на теренот пред жетвата.
листа за проверка
- [ ] Ја сакав проценетата точка, а не опсегот и нивото на доверба.
- [ ] Ги споредив овогодинешните услови со минатото и го проверив ризикот од екстраполација.
- [ ] Проверив дека критичните влезови (град, мраз, болест) не недостасуваат.
- [ ] Ги споредив проценетиот историски принос и реперот.
- [ ] Поставив план за верификација со мерење на теренот (број на уши/овошје).