അഗ്രികൾച്ചറൽ എഞ്ചിനീയറിംഗിലെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ആൻഡ് വെരിഫിക്കേഷൻ ഡിസിപ്ലിനിലേക്കുള്ള ആമുഖം

നേട്ടങ്ങൾ:

• കാർഷിക എഞ്ചിനീയറിംഗ് വർക്ക്ഫ്ലോയിൽ AI തത്സമയം എവിടെ ലാഭിക്കുന്നുവെന്നും ഏതൊക്കെ തീരുമാനങ്ങൾ അഗ്രോണമിസ്റ്റിൻ്റെ ഉത്തരവാദിത്തമായി തുടരണമെന്നും തിരിച്ചറിയാനുള്ള കഴിവ്
• മാഗ്നിറ്റ്യൂഡ്, അഗ്രോണമിക് പ്ലാസിബിലിറ്റി, ഫീൽഡ് തെളിവുകൾ എന്നിവ ഉപയോഗിച്ച് ഓരോ AI ഔട്ട്‌പുട്ടിനെയും ക്രോസ്-വാലിഡേറ്റ് ചെയ്യുന്ന മൂന്ന് ആങ്കർ വിഭാഗങ്ങൾ പ്രയോഗിക്കാനുള്ള കഴിവ്
• അവ്യക്തത, ഭ്രമാത്മകത, കർഷകരുടെ ഡാറ്റ സ്വകാര്യത എന്നിവയുടെ അപകടസാധ്യതകൾ തിരിച്ചറിയുകയും സന്ദർഭം അജ്ഞാതമാക്കുന്നതിലൂടെ സുരക്ഷിത നിർദ്ദേശങ്ങൾ സജ്ജീകരിക്കുന്നത് ശീലമാക്കുകയും ചെയ്യുക.

അഗ്രികൾച്ചറൽ എഞ്ചിനീയറിംഗ് എന്നത് ഒരു ജീവിത വ്യവസ്ഥയെ - മണ്ണ്, സസ്യങ്ങൾ, കാലാവസ്ഥ, ആളുകൾ - ഒരേസമയം കൈകാര്യം ചെയ്യുന്ന കലയാണ്. ഒരു ഫീൽഡ് ഒരിക്കലും രണ്ടുതവണ സമാനമല്ല: ഒരേ വിത്ത്, ഒരേ വളം, ഒരേ ജലസേചനം വ്യത്യസ്ത വർഷങ്ങളിൽ വ്യത്യസ്ത വിളവ് നൽകുന്നു, കാരണം കാലാവസ്ഥ, മണ്ണിലെ ഈർപ്പം, രോഗ സമ്മർദ്ദം, നൂറുകണക്കിന് ചരങ്ങൾ എന്നിവ നിരന്തരം കളിക്കുന്നു. അതുകൊണ്ടാണ് കൃഷി എന്നത് അന്തർലീനമായി അനിശ്ചിതത്വത്തോടെ പ്രവർത്തിക്കുന്ന ഒരു തൊഴിലാണ്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI; ​​വലിയ ഡാറ്റാ പാറ്റേണുകളിൽ നിന്ന് പഠിക്കുകയും ടെക്‌സ്‌റ്റ്, ഇമേജുകൾ അല്ലെങ്കിൽ നമ്പറുകൾ നിർമ്മിക്കുകയും ചെയ്യുന്ന സോഫ്റ്റ്‌വെയർ സിസ്റ്റങ്ങൾ) ഈ അനിശ്ചിതത്വം കൈകാര്യം ചെയ്യുന്നതിനുള്ള ഒരു ശക്തമായ ഉപകരണമാണ്, എന്നാൽ അതേ അനിശ്ചിതത്വം അപകടകരമായ ഭാഷയിൽ മറയ്ക്കാൻ കഴിയുന്ന ഒരു ഉപകരണം കൂടിയാണിത്. ഈ യൂണിറ്റ് മുഴുവൻ മൊഡ്യൂളും നിർമ്മിക്കുന്ന രണ്ട് അടിത്തറകൾ സ്ഥാപിക്കുന്നു: കാർഷിക വർക്ക്ഫ്ലോയിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് യഥാർത്ഥ മൂല്യം ഉൽപ്പാദിപ്പിക്കുകയും ഓരോ ഔട്ട്പുട്ടും ഞങ്ങൾ എങ്ങനെ സാധൂകരിക്കുകയും ചെയ്യുന്നു.

നമുക്ക് ആദ്യം മുതൽ വ്യക്തമാക്കാം: ഈ മൊഡ്യൂളിലുടനീളം നിങ്ങൾ പഠിക്കുന്ന സാങ്കേതിക വിദ്യകളൊന്നും ഒരു യോഗ്യതയുള്ള കാർഷിക എഞ്ചിനീയറുടെ (അഗ്രോണമിസ്റ്റ്) ഒപ്പ്, ഫീൽഡ് നിരീക്ഷണം, എഞ്ചിനീയറിംഗ് വിധിന്യായങ്ങൾ എന്നിവ മാറ്റിസ്ഥാപിക്കില്ല. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു സഹായിയാണ്; വേഗത്തിൽ വായിക്കുന്നു, വേഗത്തിൽ എഴുതുന്നു, പാറ്റേണുകൾ പിടിക്കുന്നു. എന്നാൽ തെറ്റായ രാസവള കുറിപ്പടി തോട്ടിലെ തടത്തെ മലിനമാക്കുകയും, തെറ്റായ അളവിൽ കീടനാശിനി വിളകളിൽ അവശിഷ്ടങ്ങൾ അവശേഷിപ്പിക്കുകയും ഭക്ഷ്യസുരക്ഷയെ തടസ്സപ്പെടുത്തുകയും ചെയ്താൽ, തെറ്റായ ജലസേചന പദ്ധതി മണ്ണിനെ തരിശാക്കിയാൽ, ഉത്തരവാദിത്തം സോഫ്‌റ്റ്‌വെയറിനല്ല, ഒപ്പിട്ട എഞ്ചിനീയർക്കാണ്. മൊഡ്യൂളിൻ്റെ ഓരോ യൂണിറ്റിലും വ്യത്യസ്ത രൂപങ്ങളിൽ നിങ്ങൾ ഈ വാചകം വീണ്ടും കാണും, കാരണം പരിസ്ഥിതിയും ഭക്ഷ്യസുരക്ഷയും അപകടത്തിലായിരിക്കുന്ന ഒരു തൊഴിലിലെ ഒരേയൊരു സത്യം ഇതാണ്.

കാർഷിക വർക്ക്ഫ്ലോയിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മൂല്യം സൃഷ്ടിക്കുന്നത് എവിടെയാണ്?

ഒരു കാർഷിക ശാസ്ത്രജ്ഞൻ്റെ ആഴ്ചയെ ഏകദേശം മൂന്ന് തരം ജോലികളായി തിരിച്ചിരിക്കുന്നു: ഡാറ്റ തയ്യാറാക്കൽ (മണ്ണ് വിശകലന റിപ്പോർട്ടുകൾ വായിക്കൽ, ഫീൽഡ് നോട്ടുകൾ എഡിറ്റുചെയ്യൽ, സെൻസർ ടേബിളുകൾ ക്ലിയറിംഗ്), വ്യാഖ്യാനവും വിശകലനവും (സസ്യ ആരോഗ്യ വിലയിരുത്തൽ, രോഗനിർണയം, വളം, ജലസേചന ആസൂത്രണം, വിളവ് കണക്കാക്കൽ), ആശയവിനിമയം (കർഷക റിപ്പോർട്ട്, കുറിപ്പടി, സർട്ടിഫിക്കേഷൻ റെക്കോർഡ്, ഔദ്യോഗിക കത്തിടപാടുകൾ). AI മൂന്ന് മേഖലകളിലും സ്പർശിക്കുന്നു, എന്നാൽ അതിൻ്റെ സംഭാവനയും അപകടസാധ്യതയും ഓരോന്നിലും വ്യത്യസ്തമാണ്.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഏറ്റവും സുരക്ഷിതവും ലാഭകരവുമായ മേഖലയാണ് ഡാറ്റ തയ്യാറാക്കൽ. ചിതറിക്കിടക്കുന്ന ഫീൽഡ് നിരീക്ഷണങ്ങളെ ഒരു സ്റ്റാൻഡേർഡ് സ്‌പ്രെഡ്‌ഷീറ്റാക്കി മാറ്റുക, വിവിധ ലബോറട്ടറികളിൽ നിന്നുള്ള റിപ്പോർട്ടുകളുടെ വ്യത്യസ്ത ഫോർമാറ്റുകൾ ഒരൊറ്റ ടെംപ്ലേറ്റിലേക്ക് കൊണ്ടുവരിക, ഈർപ്പം സെൻസർ റെക്കോർഡുകളുടെ ആയിരക്കണക്കിന് ലൈനുകളിൽ ഔട്ട്‌ലറുകൾ ഫ്ലാഗുചെയ്യുക-ഇവ ആവർത്തിച്ചുള്ളതും നിയമങ്ങൾ അടിസ്ഥാനമാക്കിയുള്ളതും സ്ഥിരീകരിക്കാൻ എളുപ്പമുള്ളതുമായ ജോലികളാണ്. ഇവിടെ ഒരു പിശക് ഉണ്ടെങ്കിൽ പോലും, ഉറവിടത്തിലേക്ക് (റോ ഡാറ്റ) തിരികെ പോയി അത് പരിശോധിക്കാൻ മിനിറ്റുകൾ എടുക്കും.

വ്യാഖ്യാനത്തിൻ്റെയും വിശകലനത്തിൻ്റെയും മേഖല ഏറ്റവും ഉയർന്ന മൂല്യവും ഉയർന്ന അപകടസാധ്യതയും വഹിക്കുന്നു. ഒരു NDVI മാപ്പിൽ നിന്ന് സാധ്യമായ ഒരു ജല സമ്മർദ്ദ മേഖല നിർദ്ദേശിക്കാൻ AI-ന് കഴിയും; ഒരു വലിയ ഫീൽഡിൽ അനുഭവപരിചയമുള്ള ഒരു കണ്ണിന് പോലും നഷ്ടമായേക്കാവുന്ന ഒരു പാറ്റേൺ ഇത് വെളിപ്പെടുത്തും. എന്നാൽ അതേ മാതൃകയ്ക്ക് ആ പ്രദേശത്ത് ഇല്ലാത്ത ഒരു രോഗത്തെ "വ്യാപകമായ ഭീഷണി" എന്ന് ആത്മവിശ്വാസത്തോടെ വിശേഷിപ്പിക്കാൻ കഴിയും. യഥാർത്ഥത്തിൽ നിലവിലില്ലാത്ത വിവരങ്ങൾ യഥാർത്ഥമെന്നപോലെ മോഡൽ ഉൽപ്പാദിപ്പിക്കുമ്പോൾ അതിനെ ഹാലുസിനേഷൻ എന്ന് വിളിക്കുന്നു. ഈ ഫീൽഡിൽ, AI ഒരു ഹൈപ്പോതെസിസ് ജനറേറ്ററാണ്, ഒരു തീരുമാനമെടുക്കുന്നയാളല്ല.

ആശയവിനിമയ മേഖലയിൽ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു ഡ്രാഫ്റ്റ് ആക്സിലറേറ്ററാണ്. ഇത് ഒരു കർഷക വിവര റിപ്പോർട്ട്, ഒരു സാഹിത്യ സംഗ്രഹം അല്ലെങ്കിൽ ഒരു സർട്ടിഫിക്കേഷൻ ആപ്ലിക്കേഷൻ ടെക്സ്റ്റ് എന്നിവ മിനിറ്റുകൾക്കുള്ളിൽ തയ്യാറാക്കുന്നു. കെട്ടിച്ചമച്ച ഉറവിടങ്ങളും തെറ്റായ ഡോസുകളും ഒരു ഒഴുകുന്ന വാചകത്തിൽ ശ്രദ്ധിക്കപ്പെടാതെ കർഷകനിലേക്കോ ഓഡിറ്റിയിലേക്കോ വഴി കണ്ടെത്തിയേക്കാം എന്നതാണ് ഇവിടെ അപകടസാധ്യത.

നുറുങ്ങ്: AI-ക്ക് ജോലി നൽകുന്നതിന് മുമ്പ്, സ്വയം ചോദിക്കുക: "ഈ ഔട്ട്‌പുട്ട് തെറ്റാണെങ്കിൽ ഞാൻ എങ്ങനെ അറിയും, അത് പരിഹരിക്കാൻ എത്ര സമയമെടുക്കും?" ഉത്തരം മിനിറ്റുകളാണെങ്കിൽ (ഡാറ്റ ക്ലീനിംഗ്), അത് സുഖകരമായി ഉപയോഗിക്കുക; "ഉൽപ്പന്നത്തിന് കേടുപാടുകൾ സംഭവിക്കുന്നത് വരെ എനിക്ക് മനസ്സിലാകില്ല" എന്നാണ് ഉത്തരമെങ്കിൽ (ഡോസ് തീരുമാനം), സ്വതന്ത്രമായി പരിശോധിച്ചുറപ്പിക്കുന്നത് ഉറപ്പാക്കുക.

മൂല്യനിർണ്ണയ അച്ചടക്കം: മൂന്ന് ആങ്കർ റൂൾ

ഈ മൊഡ്യൂളിൻ്റെ ഹൃദയം ഒരൊറ്റ ശീലമാണ്: ഏതെങ്കിലും AI ഔട്ട്‌പുട്ടിനെ സാധൂകരിക്കാതെ ഒരു കാർഷിക തീരുമാനത്തിൽ ഉൾപ്പെടുത്തരുത്. ഞങ്ങൾ മൂന്ന് സ്വതന്ത്ര ആങ്കറുകളെ അടിസ്ഥാനമാക്കി മൂല്യനിർണ്ണയം നടത്തുന്നു.

ആദ്യ ആങ്കർ - ഓർഡർ ഓഫ് മാഗ്നിറ്റ്യൂഡ്. ഫലം ഏകദേശം 10 ശ്രേണിയുടെ പ്രതീക്ഷിക്കുന്ന പവറിനുള്ളിലാണോ? ഗോതമ്പിലെ ഒരു ഡികെയറിനു ശുദ്ധമായ നൈട്രജൻ്റെ ആവശ്യകത സാധാരണയായി 10-18 കിലോഗ്രാം ക്രമത്തിലാണ്; ഓരോ ഡികെയറിനും മോഡലിന് 60 കിലോ കുറയുകയാണെങ്കിൽ, ഒരു യൂണിറ്റ് അല്ലെങ്കിൽ എഡിറ്റിംഗ് പിശക് ഉണ്ട്, അത് വിശദമായി പറയാതെ തന്നെ മനസ്സിലാക്കാം. ഡ്രിപ്പ് ഇറിഗേഷൻ സംവിധാനത്തിൻ്റെ ഒഴുക്ക് നിരക്ക് മണിക്കൂറിൽ ലിറ്ററാണ്; മോഡൽ ക്യുബിക് മീറ്റർ നൽകിയാൽ, അത് അസംബന്ധമാണ്. ഈ പരിശോധന സെക്കൻ്റുകൾ എടുക്കുകയും മിക്ക പിശകുകളും പിടിക്കുകയും ചെയ്യുന്നു.

രണ്ടാമത്തെ ആങ്കർ - അഗ്രോണമിക് ന്യായയുക്തത. വിളയുടെ ജൈവശാസ്ത്രത്തിനും പ്രദേശത്തിൻ്റെ കാലാവസ്ഥയ്ക്കും അനുസൃതമാണോ? മോഡൽ മധ്യവേനൽക്കാലത്ത് ശീതകാലം ഗോതമ്പ് നടുന്നത് ശുപാർശ എങ്കിൽ; അല്ലെങ്കിൽ മേഖലയിൽ ഇതുവരെ കണ്ടിട്ടില്ലാത്ത ഒരു ഉഷ്ണമേഖലാ കീടത്തെ പ്രധാന ഭീഷണിയായി കണക്കാക്കുകയാണെങ്കിൽ, ഒന്നുകിൽ നിർമ്മാണ പിശക് അല്ലെങ്കിൽ മാതൃക അസംബന്ധമാണ്. വിളയുടെ ഫിനോളജി (വികസന ഘട്ടങ്ങൾ), മണ്ണിൻ്റെ തരം, പ്രാദേശിക കാലാവസ്ഥ എന്നിവ എല്ലാ നിർദ്ദേശങ്ങളും കടന്നുപോകേണ്ട വിശ്വസനീയതയുടെ അരിപ്പയാണ്.

മൂന്നാമത്തെ ആങ്കർ - ഫീൽഡ് പ്രൂഫ്. ഇതാണ് ഏറ്റവും ശക്തമായ ആങ്കർ. ഒരു സോയിൽ ആഗർ ഉപയോഗിച്ച് എടുത്ത സാമ്പിൾ, ഇല വിശകലനം, വയലിലെ വിഷ്വൽ കൗണ്ട്, ഈർപ്പം സെൻസറിൻ്റെ വായന. ഉപഗ്രഹത്തിൽ നിന്നുള്ള ഒരു സ്ട്രെസ് സിഗ്നൽ അതേ പ്രദേശത്ത് പോയി പ്ലാൻ്റിലേക്ക് നോക്കി പരീക്ഷിക്കുന്നു. ഒരു രോഗത്തിൻ്റെ പ്രാഥമിക രോഗനിർണയം ഒരു സാമ്പിൾ എടുത്ത് ലബോറട്ടറിയിൽ സ്ഥിരീകരിക്കുന്നു. അടിസ്ഥാന സത്യം എപ്പോഴും വിജയിക്കും.

മൂന്ന് മിനി കേസുകൾ: അക്കങ്ങൾ പ്രകാരം

കേസ് 1 - മണ്ണ് റിപ്പോർട്ട് വ്യാഖ്യാനത്തിൽ സമയം ലാഭിക്കുന്നു. ഒരു കാർഷിക എഞ്ചിനീയർ 38 വ്യത്യസ്ത പാഴ്സലുകളുടെ (ഓരോന്നിനും വ്യത്യസ്ത ലബോറട്ടറി ഫോർമാറ്റിൽ) മണ്ണ് വിശകലന റിപ്പോർട്ടുകൾ സ്വമേധയാ സംഗ്രഹിക്കുകയായിരുന്നു; ഒരു റിപ്പോർട്ടിന് ശരാശരി 20 മിനിറ്റ്, ഏകദേശം 13 മണിക്കൂർ. AI-പവർ ചാർട്ടിംഗ് വർക്ക്ഫ്ലോ ഉപയോഗിച്ച്, അദ്ദേഹം ആദ്യത്തെ ഡ്രാഫ്റ്റ് ഓരോ റിപ്പോർട്ടിനും 4 മിനിറ്റായി കുറച്ചു, ശേഷിക്കുന്ന സമയം പരിധികൾ സ്വമേധയാ സാധൂകരിക്കുന്നതിന് നീക്കിവച്ചു. മൊത്തം സമയം ഏകദേശം 5 മണിക്കൂറായി കുറഞ്ഞു; ലഭിച്ച സമയം നിയന്ത്രണത്തിനായി ചെലവഴിച്ചു എന്നതാണ് നിർണായകമായത്.

കേസ് 2 - ക്യാപ്ചർഡ് ഹാലൂസിനേഷൻ. ഒരു ഇൻ്റേൺ AI ഒരു മുന്തിരിത്തോട്ടത്തിൻ്റെ രോഗചരിത്രം സംഗ്രഹിച്ചപ്പോൾ, വാചകത്തിൽ "പ്രീഡൊമിനൻ്റ് സിട്രസ് ഹുവാങ്ലോംഗ്ബിംഗ് (HLB) മർദ്ദം പ്രദേശത്തെ" എന്ന വാചകം ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. എന്നിരുന്നാലും, പാഴ്സലിൽ മുന്തിരിത്തോട്ടങ്ങൾ (മുന്തിരി) ഉണ്ടായിരുന്നു, സിട്രസ് അല്ല; മോഡൽ മറ്റൊരു ഉൽപ്പന്നത്തിൻ്റെ വിവരങ്ങൾ ആശയക്കുഴപ്പത്തിലാക്കി. അഗ്രോണമിക് പ്ലാസിബിലിറ്റി ഫിൽട്ടർ (ക്രോപ്പ് പാറ്റേൺ എച്ച്എൽബിയുമായി പൊരുത്തപ്പെടുന്നില്ല) റിപ്പോർട്ട് ഒപ്പിടുന്നതിന് മുമ്പ് പിശക് കണ്ടെത്തി.

കേസ് 3 - യൂണിറ്റ് പിശക്. ഒരു വളം കണക്കുകൂട്ടലിൽ, മോഡൽ പെർ ഡികെയർ ശുപാർശയെ ഒരു ഹെക്ടറിലെ ശുപാർശയുമായി ആശയക്കുഴപ്പത്തിലാക്കി, നൈട്രജൻ ഡോസ് 10 മടങ്ങ് വർദ്ധിപ്പിക്കുന്നു (1 ഹെക്ടർ = 10 ഡികെയർ മുതൽ). മാഗ്നിറ്റ്യൂഡ് പരിശോധനയുടെ ക്രമം - "ഈ പാഴ്സലിൽ 15 കിലോ അടങ്ങിയിരിക്കരുത്, പക്ഷേ 150 കിലോ ശുദ്ധമായ നൈട്രജൻ" - ഉടൻ തന്നെ പിശക് വെളിപ്പെടുത്തി. അത് നടപ്പാക്കിയിരുന്നെങ്കിൽ സാമ്പത്തിക നാശവും നൈട്രേറ്റ് മലിനീകരണവും ഒരുപോലെ സംഭവിക്കുമായിരുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

നിങ്ങൾ AI-ക്ക് നൽകുന്ന രേഖാമൂലമുള്ള നിർദ്ദേശമാണ് പ്രോംപ്റ്റ്; അതിൻ്റെ ഗുണനിലവാരം നേരിട്ട് ഔട്ട്പുട്ടിൻ്റെ ഗുണനിലവാരം നിർണ്ണയിക്കുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ഫീൽഡിൻ്റെ അവസ്ഥ വിലയിരുത്തി ഞാൻ എന്താണ് ചെയ്യേണ്ടതെന്ന് എന്നോട് പറയൂ.[data]

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ഒരു മുതിർന്ന കാർഷിക എഞ്ചിനീയർ (അഗ്രോണമിസ്റ്റ്). നൽകിയിരിക്കുന്ന വിവരങ്ങളെ അടിസ്ഥാനമാക്കി മാത്രം ഇനിപ്പറയുന്ന ഫീൽഡ് ഡാറ്റ വ്യാഖ്യാനിക്കുക. - ഡാറ്റയിൽ ഇല്ലാത്ത ഉൽപ്പന്നമോ രോഗമോ വളമോ മൂല്യമോ ചേർക്കരുത്. - ഓരോ അഭിപ്രായത്തിനും അടുത്തുള്ള പരാൻതീസിസുകൾ ഉപയോഗിച്ച് നിങ്ങൾ അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റ ലൈൻ കാണിക്കുക. - നിങ്ങൾക്ക് ഉറപ്പില്ലാത്തിടത്ത് "ഡാറ്റ അപര്യാപ്തം" എന്ന് എഴുതുക, ഊഹിക്കരുത്. - ഡോസേജും മയക്കുമരുന്ന് ശുപാർശകളും നൽകരുത്; പകരം, പരിശോധിക്കേണ്ട 3 അനുമാനങ്ങളുടെ ഒരു പ്രത്യേക ലിസ്റ്റ് ഉണ്ടാക്കുക. ഡാറ്റ: [ഫീൽഡ് ഡാറ്റ]

ശക്തമായ പ്രോംപ്റ്റ് മോഡലിൽ മൂന്ന് കാര്യങ്ങൾ അടിച്ചേൽപ്പിക്കുന്നു: ഉറവിടത്തിൽ ഉറച്ചുനിൽക്കുക, അനിശ്ചിതത്വം അംഗീകരിക്കുക, നിർണായക തീരുമാനം (ഡോസ്) എഞ്ചിനീയർക്ക് വിടുക. ഇത് ഭ്രമാത്മകത പൂർണ്ണമായും അവസാനിപ്പിക്കുന്നില്ല, പക്ഷേ അത് ദൃശ്യമാക്കുന്നു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) അജ്ഞാത സന്ദർഭം സ്ഥാപിക്കൽ:

കാർഷിക എഞ്ചിനീയറിംഗ് അസൈൻമെൻ്റിൽ എനിക്ക് സഹായം വേണം. കർഷകൻ്റെ പേര്, ഫീൽഡ് കോർഡിനേറ്റുകൾ, പാഴ്സൽ ഐഡി, ചെലവ് വിവരങ്ങൾ എന്നിവ രഹസ്യമാണ്; "Farmer-A", "Plot-1", "X coordinate" തുടങ്ങിയ പ്രാതിനിധ്യ പദപ്രയോഗങ്ങൾ ഞാൻ അവർക്ക് നൽകും. ടാസ്ക്: [ടാസ്ക്]. ഞാൻ നൽകുന്ന സാങ്കേതിക ഡാറ്റയെ മാത്രം അടിസ്ഥാനമാക്കി അധിക അനുമാനങ്ങൾ ചേർക്കരുത്.

2) മൂന്ന് ആങ്കർ സ്ഥിരീകരണ അഭ്യർത്ഥനകൾ:

ഇനിപ്പറയുന്ന ഔട്ട്‌പുട്ടിനായി മൂന്ന് പരിശോധനകൾ നടത്തുക: 1) മാഗ്നിറ്റ്യൂഡിൻ്റെ ക്രമം: ഓരോ സംഖ്യയും വിള/മേഖലയ്ക്ക് പ്രതീക്ഷിക്കുന്ന പരിധിക്കുള്ളിലാണോ?2) അഗ്രോണമിക് പ്ലാസിബിലിറ്റി: വിള ജീവശാസ്ത്രം/കാലാവസ്ഥയുമായി വൈരുദ്ധ്യമുള്ള ക്ലെയിം ഉണ്ടോ?3) സ്ഥിരീകരണ ലിസ്റ്റ്: ഫീൽഡിൽ/ലാബിൽ സ്ഥിരീകരിക്കേണ്ട ഇനങ്ങൾ. ഔട്ട്‌പുട്ട്: [ടെക്സ്റ്റ്]

3) അവ്യക്തത നടപ്പിലാക്കുന്നു:

ആത്മവിശ്വാസത്തിൻ്റെ മൂന്ന് തലങ്ങളിൽ നിങ്ങളുടെ വ്യാഖ്യാനം നൽകുക: - ഉയർന്ന ആത്മവിശ്വാസം (ഡാറ്റ നേരിട്ട് പിന്തുണയ്ക്കുന്നു) - ഇടത്തരം ആത്മവിശ്വാസം (ന്യായമായ അഗ്രോണമിക് അനുമാനം) - കുറഞ്ഞ ആത്മവിശ്വാസം (ഊഹക്കച്ചവടം; ഫീൽഡ് സ്ഥിരീകരണം ആവശ്യമാണ്) ഓരോ ഇനവും അതിൻ്റെ ലെവൽ സൂചിപ്പിക്കുന്നു.

4) തീരുമാനത്തിന് മുമ്പ് റെഡ് ഫ്ലാഗ് സ്ക്രീനിംഗ്:

ഞാൻ ഈ നിർദ്ദേശവും ഓരോന്നിൻ്റെയും മുൻകൂർ മുന്നറിയിപ്പ് അടയാളങ്ങളും പാലിക്കുകയാണെങ്കിൽ ഉണ്ടാകാനിടയുള്ള ഏറ്റവും ഗുരുതരമായ 3 അപകടസാധ്യതകൾ (പരിസ്ഥിതി, ഭക്ഷ്യ സുരക്ഷ, സാമ്പത്തികം) ലിസ്റ്റ് ചെയ്യുക.

അടിസ്ഥാന ആശയങ്ങളുടെ പട്ടിക

കാലാവധി

അർത്ഥം

എന്തുകൊണ്ട് അത് പ്രധാനമാണ്?

കാർഷിക ശാസ്ത്രജ്ഞൻ

അഗ്രികൾച്ചറൽ എഞ്ചിനീയർ, കാർഷിക ഉൽപ്പാദന വിദഗ്ധൻ

നിർണായക തീരുമാനങ്ങളുടെ അന്തിമ ഉത്തരവാദിത്തം

ഭ്രമാത്മകത

AI നിലവിലില്ലാത്ത വിവരങ്ങൾ ആത്മവിശ്വാസത്തോടെ നിർമ്മിക്കുന്നു

സ്ഥിരീകരണമില്ലാതെ വിശ്വസിക്കുന്നതാണ് ഏറ്റവും വലിയ അപകടം

ഫിനോളജി

ചെടിയുടെ വികസന ഘട്ടങ്ങൾ (ഉയർച്ച, പൂവിടൽ...)

തീരുമാനങ്ങൾ ഷെഡ്യൂൾ ചെയ്യുന്നതിനുള്ള അടിസ്ഥാനം

അടിസ്ഥാന സത്യം

വയലിൽ നേരിട്ടുള്ള നിരീക്ഷണം/അളവ്

എല്ലാ വിദൂര ഡാറ്റയുടെയും പ്രാമാണീകരണ ആങ്കർ

എൻ.ഡി.വി.ഐ

സസ്യ ജീവശക്തി സൂചിക

വിദൂര ആരോഗ്യ നിരീക്ഷണത്തിനുള്ള അവശ്യ ഉപകരണം

സാധാരണ തെറ്റുകൾ

• ഫ്ലൂൻസി കൃത്യതയ്ക്കായി തെറ്റിദ്ധരിക്കുന്നു. AI-യുടെ മനോഹരവും ആത്മവിശ്വാസമുള്ളതുമായ ടർക്കിഷ് ഔട്ട്പുട്ട് ശരിയാണെന്ന് സൂചിപ്പിക്കുന്നില്ല; ഏറ്റവും അപകടകരമായ ഹാലുസിനേഷനുകൾ ഏറ്റവും ദ്രാവകമാണ്.
• വെരിഫിക്കേഷൻ സമയം പാഴാക്കലാണെന്ന് കരുതി. നിങ്ങൾ സംരക്ഷിച്ച സമയം പരിശോധിക്കുന്നില്ലെങ്കിൽ, നിങ്ങളുടെ പേരിൽ AI പിശക് ത്വരിതപ്പെടുത്തും.
• സെൻസിറ്റീവ് ഡാറ്റ അതേപടി പങ്കിടുന്നു. കർഷക കോർഡിനേറ്റ്, വിളവ്, ചെലവ് എന്നിവ ഉടമസ്ഥതയുടെയും രഹസ്യാത്മകതയുടെയും വിഷയങ്ങളാണ്; പേര് വെളിപ്പെടുത്താതെ ഷെയർ ചെയ്യരുത്.
• നിർണ്ണായക ഡോസ് തീരുമാനം AI-ക്ക് വിടുന്നു. വളം, കീടനാശിനി, ജലസേചന ഡോസുകൾ എന്നിവയ്ക്ക് ഫീൽഡ് കാലിബ്രേഷനും നിയമനിർമ്മാണവും ആവശ്യമാണ്; AI ഡ്രാഫ്റ്റുകൾ മാത്രമാണ് നിർമ്മിക്കുന്നത്.
• ഒരു ആങ്കർ കൊണ്ട് തൃപ്തിപ്പെടുക. മാഗ്‌നിറ്റ്യൂഡിൻ്റെ ക്രമം മാത്രം നോക്കുന്നതും പ്ളൗസിബിലിറ്റിയും ഫീൽഡ് തെളിവുകളും ഒഴിവാക്കുന്നതും സൂക്ഷ്മമായ പിശകുകളെ മറികടക്കുന്നു.

മുന്നറിയിപ്പ്: AI നിങ്ങളോട് "ഈ പ്രദേശത്ത് X രോഗമുണ്ട്" എന്ന് പറയുമ്പോൾ, ഇതൊരു അനുമാനമാണ്, രോഗനിർണയമല്ല. രോഗനിർണയം; ലബോറട്ടറിയുടെയും അംഗീകൃത എഞ്ചിനീയറുടെയും അംഗീകാരത്തോടെയാണ് സാമ്പിൾ സ്ഥാപിക്കുന്നത്.

ചുരുക്കത്തിൽ

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഡാറ്റ തയ്യാറാക്കുന്നതിലെ ഏറ്റവും സുരക്ഷിതമായ ഉപകരണമാണ്, ആശയവിനിമയത്തിലെ ആക്സിലറേറ്റർ, കാർഷിക എഞ്ചിനീയറിംഗിലെ വ്യാഖ്യാനത്തിലും വിശകലനത്തിലും ഏറ്റവും മൂല്യവത്തായതും അപകടസാധ്യതയുള്ളതുമായ ഉപകരണമാണ്. ഈ മൊഡ്യൂളിൻ്റെ നട്ടെല്ല് മൂന്ന് ആങ്കർ വിഭാഗങ്ങളാണ്: ഓരോ ഔട്ട്‌പുട്ടും മാഗ്നിറ്റ്യൂഡ്, അഗ്രോണമിക് പ്ലാസിബിലിറ്റി, ഫീൽഡ് തെളിവുകൾ എന്നിവയ്‌ക്കെതിരായി പരിശോധിക്കുന്നു. ഭ്രമാത്മകത യഥാർത്ഥമാണ്, ഒഴുക്ക് കൃത്യതയല്ല, നിർണായക തീരുമാനങ്ങളുടെ ഉത്തരവാദിത്തം എല്ലായ്പ്പോഴും ഒപ്പിടുന്ന കാർഷിക ശാസ്ത്രജ്ഞനായിരിക്കും. തുടർന്നുള്ള യൂണിറ്റുകളിൽ, കൃത്യമായ കൃഷി, എൻഡിവിഐ, മണ്ണ്, ജലസേചനം, രോഗം, കാലാവസ്ഥ, വിളവ്, പൈത്തൺ, ട്രെയ്‌സിബിലിറ്റി എന്നിവയിൽ ഞങ്ങൾ ഈ അച്ചടക്കം ഓരോന്നായി പ്രയോഗിക്കും.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ കൈവശമുള്ള ഒരു ഫീൽഡിന് (അല്ലെങ്കിൽ ഒരു പ്രതിനിധി), AI-യോട് ആദ്യം ഒരു ദുർബലമായ പ്രോംപ്റ്റ് ചോദിക്കുക ("ഈ ഫീൽഡിൽ ഞാൻ എന്തുചെയ്യണം?"), തുടർന്ന് ഈ യൂണിറ്റിലെ ശക്തമായ പ്രോംപ്റ്റ് ടെംപ്ലേറ്റിൻ്റെ അതേ ചോദ്യം. രണ്ട് ഔട്ട്‌പുട്ടുകൾ വശങ്ങളിലായി സ്ഥാപിച്ച് അടയാളപ്പെടുത്തുക: (1) ഡാറ്റയിൽ ഇല്ലാത്ത വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്ന വാക്യങ്ങൾ (കാൻഡിഡേറ്റ് ഹാലൂസിനേഷൻ), (2) മാഗ്നിറ്റ്യൂഡ് പരിശോധനയുടെ ക്രമത്തിൽ പരാജയപ്പെടുന്ന നമ്പറുകൾ, (3) ഫീൽഡിൽ നിങ്ങൾ പരിശോധിക്കേണ്ട 3 ഇനങ്ങൾ. ഒരു ഖണ്ഡികയിൽ, ശക്തമായ പ്രോംപ്റ്റ് ദൃശ്യമാകുന്ന പിശകുകൾ എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ടാസ്‌ക്കിനെ ഡാറ്റ തയ്യാറാക്കൽ / വ്യാഖ്യാനം / ആശയവിനിമയം എന്നിങ്ങനെ തരംതിരിക്കുകയും അപകട നില നിർണ്ണയിക്കുകയും ചെയ്തു.
• [ ] ഞാൻ കർഷകൻ്റെ ഐഡൻ്റിറ്റി, കോർഡിനേറ്റുകൾ, ചെലവ് വിവരങ്ങൾ എന്നിവ അജ്ഞാതമാക്കി.
• [ ] ഞാൻ വലിപ്പം, അഗ്രോണമിക് പ്ലാസിബിലിറ്റി, ഫീൽഡ് തെളിവുകൾ എന്നിവയ്ക്കായി ഔട്ട്പുട്ട് പരീക്ഷിച്ചു.
• [ ] ഞാൻ ഹാലുസിനേഷൻ കാൻഡിഡേറ്റ് വാക്യങ്ങൾ അടയാളപ്പെടുത്തി അവ ഉറവിടത്തിലേക്ക് തിരികെ കൊണ്ടുപോയി.
• [ ] ഞാൻ നിർണായകമായ അളവ് / മരുന്ന് / ജലസേചന തീരുമാനം അംഗീകൃത എഞ്ചിനീയറുടെ അംഗീകാരത്തിന് വിട്ടു.