ਲਾਭ:
- ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸਮਰੱਥਾ ਕਿ AI ਖੇਤੀਬਾੜੀ ਇੰਜੀਨੀਅਰਿੰਗ ਵਰਕਫਲੋ ਵਿੱਚ ਅਸਲ ਸਮੇਂ ਨੂੰ ਕਿੱਥੇ ਬਚਾਉਂਦਾ ਹੈ ਅਤੇ ਕਿਹੜੇ ਫੈਸਲਿਆਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਖੇਤੀ ਵਿਗਿਆਨੀ ਦੀ ਰਹਿਣੀ ਚਾਹੀਦੀ ਹੈ
- ਤਿੰਨ ਐਂਕਰ ਅਨੁਸ਼ਾਸਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਨੂੰ ਵਿਸ਼ਾਲਤਾ, ਖੇਤੀ ਵਿਗਿਆਨਕ ਪ੍ਰਸੰਨਤਾ ਅਤੇ ਫੀਲਡ ਸਬੂਤ ਦੇ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰਦੇ ਹਨ
- ਅਸਪਸ਼ਟਤਾ, ਭਰਮ, ਅਤੇ ਕਿਸਾਨ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਪਛਾਣੋ ਅਤੇ ਪ੍ਰਸੰਗ ਨੂੰ ਅਗਿਆਤ ਕਰਕੇ ਸੁਰੱਖਿਅਤ ਪ੍ਰੋਂਪਟ ਸਥਾਪਤ ਕਰਨ ਦੀ ਆਦਤ ਪਾਓ।
ਖੇਤੀਬਾੜੀ ਇੰਜਨੀਅਰਿੰਗ ਇੱਕ ਜੀਵਤ ਪ੍ਰਣਾਲੀ - ਮਿੱਟੀ, ਪੌਦੇ, ਜਲਵਾਯੂ ਅਤੇ ਲੋਕ - ਇੱਕੋ ਸਮੇਂ ਦੇ ਪ੍ਰਬੰਧਨ ਦੀ ਕਲਾ ਹੈ। ਇੱਕ ਖੇਤ ਕਦੇ ਵੀ ਦੋ ਵਾਰ ਇੱਕੋ ਜਿਹਾ ਨਹੀਂ ਹੁੰਦਾ: ਇੱਕੋ ਬੀਜ, ਇੱਕੋ ਖਾਦ, ਇੱਕੋ ਸਿੰਚਾਈ ਵੱਖੋ-ਵੱਖ ਸਾਲਾਂ ਵਿੱਚ ਵੱਖੋ-ਵੱਖਰੀ ਪੈਦਾਵਾਰ ਦਿੰਦੀ ਹੈ ਕਿਉਂਕਿ ਮੌਸਮ, ਮਿੱਟੀ ਦੀ ਨਮੀ, ਬਿਮਾਰੀ ਦਾ ਦਬਾਅ ਅਤੇ ਸੈਂਕੜੇ ਪਰਿਵਰਤਨ ਨਿਰੰਤਰ ਖੇਡ ਵਿੱਚ ਹੁੰਦੇ ਹਨ। ਇਸੇ ਕਰਕੇ ਖੇਤੀਬਾੜੀ ਇੱਕ ਅਜਿਹਾ ਕਿੱਤਾ ਹੈ ਜੋ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨਾਲ ਚਲਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI; ਸਾਫਟਵੇਅਰ ਸਿਸਟਮ ਜੋ ਵੱਡੇ ਡੇਟਾ ਪੈਟਰਨਾਂ ਤੋਂ ਸਿੱਖਦੇ ਹਨ ਅਤੇ ਟੈਕਸਟ, ਚਿੱਤਰ ਜਾਂ ਨੰਬਰ ਪੈਦਾ ਕਰਦੇ ਹਨ) ਇਸ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਹੈ, ਪਰ ਇਹ ਇੱਕ ਅਜਿਹਾ ਸਾਧਨ ਵੀ ਹੈ ਜੋ ਖਤਰਨਾਕ ਰੂਪ ਵਿੱਚ ਚਮਕਦਾਰ ਭਾਸ਼ਾ ਵਿੱਚ ਉਸੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਛੁਪਾ ਸਕਦਾ ਹੈ। ਇਹ ਯੂਨਿਟ ਦੋ ਬੁਨਿਆਦ ਰੱਖਦੀ ਹੈ ਜਿਸ 'ਤੇ ਪੂਰਾ ਮੋਡੀਊਲ ਬਣਾਇਆ ਜਾਵੇਗਾ: ਕਿੱਥੇ ਖੇਤੀਬਾੜੀ ਵਰਕਫਲੋ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਅਸਲ ਮੁੱਲ ਪੈਦਾ ਕਰਦੀ ਹੈ ਅਤੇ ਅਸੀਂ ਹਰੇਕ ਆਉਟਪੁੱਟ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਦੇ ਹਾਂ।
ਆਓ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਸਪੱਸ਼ਟ ਕਰੀਏ: ਇਸ ਮੌਡਿਊਲ ਵਿੱਚ ਤੁਸੀਂ ਜੋ ਤਕਨੀਕਾਂ ਸਿੱਖੋਗੇ ਉਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਇੱਕ ਯੋਗ ਖੇਤੀਬਾੜੀ ਇੰਜੀਨੀਅਰ (ਖੇਤੀ ਵਿਗਿਆਨੀ) ਦੇ ਦਸਤਖਤ, ਖੇਤਰੀ ਨਿਰੀਖਣ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਨਿਰਣੇ ਦੀ ਥਾਂ ਨਹੀਂ ਲਵੇਗੀ। ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਸਹਾਇਕ ਹੈ; ਤੇਜ਼ੀ ਨਾਲ ਪੜ੍ਹਦਾ ਹੈ, ਤੇਜ਼ੀ ਨਾਲ ਲਿਖਦਾ ਹੈ, ਪੈਟਰਨ ਫੜਦਾ ਹੈ। ਪਰ ਜੇਕਰ ਇੱਕ ਗਲਤ ਖਾਦ ਨੁਸਖ਼ਾ ਇੱਕ ਸਟ੍ਰੀਮ ਬੈੱਡ ਨੂੰ ਪ੍ਰਦੂਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਜੇਕਰ ਕੀਟਨਾਸ਼ਕ ਦੀ ਗਲਤ ਖੁਰਾਕ ਫਸਲ 'ਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਛੱਡਦੀ ਹੈ ਅਤੇ ਭੋਜਨ ਸੁਰੱਖਿਆ ਨੂੰ ਵਿਗਾੜਦੀ ਹੈ, ਜੇਕਰ ਇੱਕ ਨੁਕਸਦਾਰ ਸਿੰਚਾਈ ਯੋਜਨਾ ਮਿੱਟੀ ਨੂੰ ਬੰਜਰ ਕਰ ਦਿੰਦੀ ਹੈ, ਤਾਂ ਜ਼ਿੰਮੇਵਾਰੀ ਸਾਫਟਵੇਅਰ ਦੀ ਨਹੀਂ ਬਲਕਿ ਇਸ 'ਤੇ ਦਸਤਖਤ ਕਰਨ ਵਾਲੇ ਇੰਜੀਨੀਅਰ ਦੀ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਇਸ ਵਾਕ ਨੂੰ ਮੌਡਿਊਲ ਦੀ ਹਰੇਕ ਇਕਾਈ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਰੂਪਾਂ ਵਿੱਚ ਦੁਬਾਰਾ ਦੇਖੋਗੇ, ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਪੇਸ਼ੇ ਵਿੱਚ ਇੱਕੋ ਇੱਕ ਸੱਚਾਈ ਹੈ ਜਿੱਥੇ ਵਾਤਾਵਰਣ ਅਤੇ ਭੋਜਨ ਸੁਰੱਖਿਆ ਦਾਅ 'ਤੇ ਹੈ।
ਖੇਤੀ ਵਰਕਫਲੋ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਕਿੱਥੇ ਮੁੱਲ ਪੈਦਾ ਕਰਦੀ ਹੈ?
ਇੱਕ ਖੇਤੀ ਵਿਗਿਆਨੀ ਦੇ ਹਫ਼ਤੇ ਨੂੰ ਮੋਟੇ ਤੌਰ 'ਤੇ ਤਿੰਨ ਕਿਸਮਾਂ ਦੇ ਕੰਮ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ: ਡੇਟਾ ਤਿਆਰ ਕਰਨਾ (ਮਿੱਟੀ ਵਿਸ਼ਲੇਸ਼ਣ ਰਿਪੋਰਟਾਂ ਨੂੰ ਪੜ੍ਹਨਾ, ਫੀਲਡ ਨੋਟਸ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨਾ, ਸੈਂਸਰ ਟੇਬਲਾਂ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ), ਵਿਆਖਿਆ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ (ਪੌਦੇ ਦੀ ਸਿਹਤ ਦਾ ਮੁਲਾਂਕਣ, ਰੋਗ ਨਿਦਾਨ, ਖਾਦ ਅਤੇ ਸਿੰਚਾਈ ਦੀ ਯੋਜਨਾਬੰਦੀ, ਉਪਜ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ, ਸੰਚਾਰ ਰਿਪੋਰਟ, ਆਧਿਕਾਰਿਕ ਰਿਪੋਰਟ, ਪ੍ਰਮਾਣੀਕਰਨ), ਪੱਤਰ ਵਿਹਾਰ). AI ਤਿੰਨੋਂ ਖੇਤਰਾਂ ਨੂੰ ਛੂੰਹਦਾ ਹੈ, ਪਰ ਹਰ ਇੱਕ ਵਿੱਚ ਇਸਦਾ ਯੋਗਦਾਨ ਅਤੇ ਜੋਖਮ ਵੱਖ-ਵੱਖ ਹਨ।
ਡਾਟਾ ਤਿਆਰ ਕਰਨਾ ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਲਾਭਦਾਇਕ ਖੇਤਰ ਹੈ। ਖਿੰਡੇ ਹੋਏ ਫੀਲਡ ਨਿਰੀਖਣਾਂ ਨੂੰ ਇੱਕ ਮਿਆਰੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਬਦਲਣਾ, ਵੱਖ-ਵੱਖ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਤੋਂ ਰਿਪੋਰਟਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਫਾਰਮੈਟਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਟੈਮਪਲੇਟ ਵਿੱਚ ਲਿਆਉਣਾ, ਨਮੀ ਸੈਂਸਰ ਰਿਕਾਰਡਾਂ ਦੀਆਂ ਹਜ਼ਾਰਾਂ ਲਾਈਨਾਂ ਵਿੱਚ ਆਊਟਲੀਅਰਾਂ ਨੂੰ ਫਲੈਗ ਕਰਨਾ—ਇਹ ਉਹ ਕਾਰਜ ਹਨ ਜੋ ਦੁਹਰਾਉਣ ਵਾਲੇ, ਨਿਯਮ-ਅਧਾਰਿਤ, ਅਤੇ ਤਸਦੀਕ ਕਰਨ ਵਿੱਚ ਆਸਾਨ ਹਨ। ਭਾਵੇਂ ਇੱਥੇ ਕੋਈ ਤਰੁੱਟੀ ਹੈ, ਇਸ ਨੂੰ ਸਰੋਤ (ਕੱਚੇ ਡੇਟਾ) 'ਤੇ ਵਾਪਸ ਜਾਣ ਅਤੇ ਇਸ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਮਿੰਟ ਲੱਗਣਗੇ।
ਵਿਆਖਿਆ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਖੇਤਰ ਸਭ ਤੋਂ ਉੱਚਾ ਮੁੱਲ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਜੋਖਮ ਰੱਖਦਾ ਹੈ। AI ਇੱਕ NDVI ਨਕਸ਼ੇ ਤੋਂ ਇੱਕ ਸੰਭਾਵਿਤ ਪਾਣੀ ਦੇ ਤਣਾਅ ਵਾਲੇ ਖੇਤਰ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ; ਇਹ ਇੱਕ ਪੈਟਰਨ ਨੂੰ ਪ੍ਰਗਟ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਇੱਕ ਤਜਰਬੇਕਾਰ ਅੱਖ ਵੀ ਇੱਕ ਵੱਡੇ ਖੇਤਰ ਵਿੱਚ ਗੁਆ ਸਕਦਾ ਹੈ. ਪਰ ਉਹੀ ਮਾਡਲ ਭਰੋਸੇ ਨਾਲ ਇੱਕ ਅਜਿਹੀ ਬਿਮਾਰੀ ਦਾ ਵਰਣਨ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਉਸ ਖੇਤਰ ਵਿੱਚ "ਵਿਆਪਕ ਖ਼ਤਰੇ" ਵਜੋਂ ਮੌਜੂਦ ਨਹੀਂ ਹੈ. ਜਦੋਂ ਮਾਡਲ ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲੀਅਤ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ ਜਿਵੇਂ ਕਿ ਇਹ ਅਸਲ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਭਰਮ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਖੇਤਰ ਵਿੱਚ, AI ਇੱਕ ਪਰਿਕਲਪਨਾ ਜਨਰੇਟਰ ਹੈ, ਇੱਕ ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਨਹੀਂ।
ਸੰਚਾਰ ਦੇ ਖੇਤਰ ਵਿੱਚ, ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਡਰਾਫਟ ਐਕਸਲੇਟਰ ਹੈ। ਇਹ ਮਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਕਿਸਾਨ ਜਾਣਕਾਰੀ ਰਿਪੋਰਟ, ਇੱਕ ਸਾਹਿਤ ਸੰਖੇਪ, ਜਾਂ ਇੱਕ ਪ੍ਰਮਾਣੀਕਰਣ ਐਪਲੀਕੇਸ਼ਨ ਟੈਕਸਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇੱਥੇ ਖਤਰਾ ਇਹ ਹੈ ਕਿ ਮਨਘੜਤ ਸਰੋਤ ਅਤੇ ਗਲਤ ਖੁਰਾਕਾਂ ਇੱਕ ਵਹਿਣ ਵਾਲੇ ਟੈਕਸਟ ਵਿੱਚ ਕਿਸਾਨ ਜਾਂ ਆਡਿਟ ਦੇ ਧਿਆਨ ਵਿੱਚ ਨਾ ਆਉਣ ਦਾ ਰਸਤਾ ਲੱਭ ਸਕਦੀਆਂ ਹਨ।
ਸੁਝਾਅ: AI ਨੂੰ ਨੌਕਰੀ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਆਪਣੇ ਆਪ ਤੋਂ ਪੁੱਛੋ: "ਮੈਨੂੰ ਕਿਵੇਂ ਪਤਾ ਲੱਗੇਗਾ ਕਿ ਇਹ ਆਉਟਪੁੱਟ ਗਲਤ ਹੈ ਅਤੇ ਇਸਨੂੰ ਠੀਕ ਕਰਨ ਵਿੱਚ ਕਿੰਨਾ ਸਮਾਂ ਲੱਗੇਗਾ?" ਜੇ ਜਵਾਬ ਮਿੰਟ (ਡਾਟਾ ਸਫਾਈ) ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਆਰਾਮ ਨਾਲ ਵਰਤੋ; ਜੇਕਰ ਜਵਾਬ ਹੈ "ਮੈਂ ਉਦੋਂ ਤੱਕ ਨਹੀਂ ਸਮਝਾਂਗਾ ਜਦੋਂ ਤੱਕ ਉਤਪਾਦ ਖਰਾਬ ਨਹੀਂ ਹੁੰਦਾ" (ਖੁਰਾਕ ਦਾ ਫੈਸਲਾ), ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।
ਪ੍ਰਮਾਣਿਕਤਾ ਅਨੁਸ਼ਾਸਨ: ਤਿੰਨ ਐਂਕਰ ਨਿਯਮ
ਇਸ ਮੋਡੀਊਲ ਦਾ ਦਿਲ ਇੱਕ ਇੱਕਲਾ ਆਦਤ ਹੈ: ਕਿਸੇ ਵੀ AI ਆਉਟਪੁੱਟ ਨੂੰ ਇਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕ ਖੇਤੀਬਾੜੀ ਫੈਸਲੇ ਵਿੱਚ ਸ਼ਾਮਲ ਨਾ ਕਰਨਾ। ਅਸੀਂ ਤਿੰਨ ਸੁਤੰਤਰ ਐਂਕਰਾਂ 'ਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਨੂੰ ਆਧਾਰਿਤ ਕਰਦੇ ਹਾਂ।
ਪਹਿਲਾ ਐਂਕਰ - ਤੀਬਰਤਾ ਦਾ ਕ੍ਰਮ. ਕੀ ਨਤੀਜਾ ਮੋਟੇ ਤੌਰ 'ਤੇ 10 ਰੇਂਜ ਦੀ ਸੰਭਾਵਿਤ ਸ਼ਕਤੀ ਦੇ ਅੰਦਰ ਹੈ? ਕਣਕ ਵਿੱਚ ਸ਼ੁੱਧ ਨਾਈਟ੍ਰੋਜਨ ਦੀ ਲੋੜ ਆਮ ਤੌਰ 'ਤੇ 10-18 ਕਿਲੋਗ੍ਰਾਮ ਦੇ ਕ੍ਰਮ 'ਤੇ ਹੁੰਦੀ ਹੈ; ਜੇਕਰ ਮਾਡਲ ਪ੍ਰਤੀ ਡੀਕੇਅਰ 60 ਕਿਲੋਗ੍ਰਾਮ ਗੁਆ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਯੂਨਿਟ ਜਾਂ ਸੰਪਾਦਨ ਗਲਤੀ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਵਿਸਥਾਰ ਵਿੱਚ ਜਾਣ ਤੋਂ ਬਿਨਾਂ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਪਕਾ ਸਿੰਚਾਈ ਪ੍ਰਣਾਲੀ ਦੀ ਵਹਾਅ ਦੀ ਦਰ ਲੀਟਰ ਪ੍ਰਤੀ ਘੰਟਾ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਹੈ; ਜੇ ਮਾਡਲ ਘਣ ਮੀਟਰ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਬਕਵਾਸ ਹੈ. ਇਹ ਜਾਂਚ ਸਕਿੰਟ ਲੈਂਦੀ ਹੈ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਤਰੁੱਟੀਆਂ ਨੂੰ ਫੜਦੀ ਹੈ।
ਦੂਜਾ ਐਂਕਰ - ਖੇਤੀ ਵਿਗਿਆਨਕ ਤਰਕਸ਼ੀਲਤਾ. ਕੀ ਆਉਟਪੁੱਟ ਫਸਲ ਦੇ ਜੀਵ ਵਿਗਿਆਨ ਅਤੇ ਖੇਤਰ ਦੇ ਜਲਵਾਯੂ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ? ਜੇ ਮਾਡਲ ਗਰਮੀਆਂ ਦੇ ਮੱਧ ਵਿਚ ਸਰਦੀਆਂ ਦੀ ਕਣਕ ਬੀਜਣ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹੈ; ਜਾਂ ਜੇ ਇਹ ਇੱਕ ਗਰਮ ਖੰਡੀ ਕੀਟ ਮੰਨਦਾ ਹੈ ਜੋ ਇਸ ਖੇਤਰ ਵਿੱਚ ਕਦੇ ਵੀ ਮੁੱਖ ਖਤਰੇ ਵਜੋਂ ਨਹੀਂ ਦੇਖਿਆ ਗਿਆ ਹੈ, ਤਾਂ ਜਾਂ ਤਾਂ ਇੱਕ ਨਿਰਮਾਣ ਗਲਤੀ ਹੈ ਜਾਂ ਮਾਡਲ ਬਕਵਾਸ ਹੈ। ਫਸਲ ਦੀ ਫੀਨੋਲੋਜੀ (ਵਿਕਾਸ ਦੇ ਪੜਾਅ), ਮਿੱਟੀ ਦੀ ਕਿਸਮ ਅਤੇ ਸਥਾਨਕ ਜਲਵਾਯੂ ਅਨੁਕੂਲਤਾ ਦਾ ਫਿਲਟਰ ਹਨ ਜੋ ਹਰ ਪ੍ਰਸਤਾਵ ਨੂੰ ਪਾਸ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
ਤੀਜਾ ਐਂਕਰ - ਫੀਲਡ ਪਰੂਫ। ਇਹ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਐਂਕਰ ਹੈ। ਮਿੱਟੀ ਦੇ ਅਗਰ ਨਾਲ ਲਿਆ ਨਮੂਨਾ, ਪੱਤਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਖੇਤ ਵਿੱਚ ਵਿਜ਼ੂਅਲ ਗਿਣਤੀ, ਨਮੀ ਸੈਂਸਰ ਨੂੰ ਪੜ੍ਹਨਾ। ਸੈਟੇਲਾਈਟ ਤੋਂ ਇੱਕ ਤਣਾਅ ਸੰਕੇਤ ਉਸੇ ਖੇਤਰ ਵਿੱਚ ਜਾ ਕੇ ਅਤੇ ਪਲਾਂਟ ਨੂੰ ਦੇਖ ਕੇ ਟੈਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਨਮੂਨਾ ਲੈ ਕੇ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਇੱਕ ਬਿਮਾਰੀ ਦੀ ਸ਼ੁਰੂਆਤੀ ਜਾਂਚ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ. ਜ਼ਮੀਨੀ ਸੱਚ ਦੀ ਹਮੇਸ਼ਾ ਜਿੱਤ ਹੁੰਦੀ ਹੈ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 - ਮਿੱਟੀ ਦੀ ਰਿਪੋਰਟ ਦੀ ਵਿਆਖਿਆ ਵਿੱਚ ਸਮਾਂ ਬਚਾਇਆ ਗਿਆ। ਇੱਕ ਖੇਤੀਬਾੜੀ ਇੰਜੀਨੀਅਰ 38 ਵੱਖ-ਵੱਖ ਪਾਰਸਲਾਂ (ਹਰੇਕ ਇੱਕ ਵੱਖਰੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਫਾਰਮੈਟ ਵਿੱਚ) ਦੀ ਮਿੱਟੀ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਦਾ ਹੱਥੀਂ ਸਾਰ ਕਰ ਰਿਹਾ ਸੀ; ਪ੍ਰਤੀ ਰਿਪੋਰਟ ਔਸਤਨ 20 ਮਿੰਟ, ਕੁੱਲ ਲਗਭਗ 13 ਘੰਟੇ। ਇੱਕ AI-ਸੰਚਾਲਿਤ ਚਾਰਟਿੰਗ ਵਰਕਫਲੋ ਦੇ ਨਾਲ, ਉਸਨੇ ਪਹਿਲੇ ਡਰਾਫਟ ਨੂੰ ਪ੍ਰਤੀ ਰਿਪੋਰਟ 4 ਮਿੰਟ ਤੱਕ ਘਟਾ ਦਿੱਤਾ, ਬਾਕੀ ਬਚਿਆ ਸਮਾਂ ਹੱਥੀਂ ਪ੍ਰਮਾਣਿਤ ਥ੍ਰੈਸ਼ਹੋਲਡ ਲਈ ਸਮਰਪਿਤ ਕੀਤਾ ਗਿਆ। ਕੁੱਲ ਸਮਾਂ ਲਗਭਗ 5 ਘੰਟਿਆਂ ਤੱਕ ਘਟਿਆ; ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਸੀ ਕਿ ਪ੍ਰਾਪਤ ਕੀਤਾ ਸਮਾਂ ਨਿਯੰਤਰਣ 'ਤੇ ਖਰਚ ਕੀਤਾ ਗਿਆ ਸੀ।
ਕੇਸ 2 - ਕੈਪਚਰ ਕੀਤਾ ਭਰਮ। ਜਦੋਂ ਇੱਕ ਇੰਟਰਨ ਨੇ ਇੱਕ ਅੰਗੂਰੀ ਬਾਗ਼ ਦੀ ਬਿਮਾਰੀ ਦੇ ਇਤਿਹਾਸ ਦਾ ਸਾਰ ਕੀਤਾ ਸੀ, ਤਾਂ ਟੈਕਸਟ ਵਿੱਚ ਵਾਕ ਸ਼ਾਮਲ ਸੀ "ਖੇਤਰ ਵਿੱਚ ਪ੍ਰਮੁੱਖ ਨਿੰਬੂ ਹੁਆਂਗਲੋਂਗਬਿੰਗ (HLB) ਦਬਾਅ।" ਹਾਲਾਂਕਿ, ਪਾਰਸਲ ਵਿੱਚ ਅੰਗੂਰ (ਅੰਗੂਰ) ਸਨ, ਨਿੰਬੂ ਨਹੀਂ; ਮਾਡਲ ਨੇ ਕਿਸੇ ਹੋਰ ਉਤਪਾਦ ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਉਲਝਾ ਦਿੱਤਾ ਸੀ। ਰਿਪੋਰਟ 'ਤੇ ਦਸਤਖਤ ਕੀਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਖੇਤੀ ਵਿਗਿਆਨਿਕ ਪ੍ਰਸ਼ੰਸਾਯੋਗਤਾ ਫਿਲਟਰ (ਫਸਲ ਪੈਟਰਨ HLB ਦੀ ਪਾਲਣਾ ਨਹੀਂ ਕਰਦਾ ਸੀ) ਨੇ ਗਲਤੀ ਨੂੰ ਫੜ ਲਿਆ।
ਕੇਸ 3 - ਯੂਨਿਟ ਅਸ਼ੁੱਧੀ। ਇੱਕ ਖਾਦ ਦੀ ਗਣਨਾ ਵਿੱਚ, ਮਾਡਲ ਨੇ ਪ੍ਰਤੀ ਹੈਕਟੇਅਰ ਸਿਫ਼ਾਰਿਸ਼ ਦੇ ਨਾਲ ਪ੍ਰਤੀ ਡੇਕੇਅਰ ਸਿਫ਼ਾਰਸ਼ ਨੂੰ ਉਲਝਾਇਆ, ਨਾਈਟ੍ਰੋਜਨ ਦੀ ਖੁਰਾਕ ਨੂੰ 10 ਦੇ ਇੱਕ ਗੁਣਕ ਦੁਆਰਾ ਵਧਾ ਦਿੱਤਾ (1 ਹੈਕਟੇਅਰ = 10 ਡੇਕੇਅਰ ਤੋਂ)। ਤੀਬਰਤਾ ਦੀ ਜਾਂਚ ਦਾ ਕ੍ਰਮ - "ਇਸ ਪਾਰਸਲ ਵਿੱਚ 15 ਕਿਲੋ ਨਹੀਂ ਬਲਕਿ 150 ਕਿਲੋ ਸ਼ੁੱਧ ਨਾਈਟ੍ਰੋਜਨ" - ਤੁਰੰਤ ਗਲਤੀ ਦਾ ਖੁਲਾਸਾ ਹੋਇਆ। ਜੇਕਰ ਇਸ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੁੰਦਾ ਤਾਂ ਆਰਥਿਕ ਨੁਕਸਾਨ ਅਤੇ ਨਾਈਟ੍ਰੇਟ ਪ੍ਰਦੂਸ਼ਣ ਦੋਵੇਂ ਹੀ ਹੋਣੇ ਸਨ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਇੱਕ ਪ੍ਰੋਂਪਟ ਇੱਕ ਲਿਖਤੀ ਹਦਾਇਤ ਹੈ ਜੋ ਤੁਸੀਂ AI ਨੂੰ ਦਿੰਦੇ ਹੋ; ਇਸਦੀ ਗੁਣਵੱਤਾ ਸਿੱਧੇ ਆਉਟਪੁੱਟ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ.
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਖੇਤਰ ਦੀ ਸਥਿਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਮੈਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।[data]
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਇੱਕ ਸੀਨੀਅਰ ਖੇਤੀਬਾੜੀ ਇੰਜੀਨੀਅਰ (ਖੇਤੀ ਵਿਗਿਆਨੀ)। ਦਿੱਤੀ ਗਈ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਹੇਠਾਂ ਦਿੱਤੇ ਫੀਲਡ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। - ਕੋਈ ਵੀ ਉਤਪਾਦ, ਬਿਮਾਰੀ, ਖਾਦ ਜਾਂ ਮੁੱਲ ਨਾ ਜੋੜੋ ਜੋ ਡੇਟਾ ਵਿੱਚ ਨਹੀਂ ਹੈ। - ਹਰੇਕ ਟਿੱਪਣੀ ਦੇ ਅੱਗੇ ਬਰੈਕਟਾਂ ਨਾਲ ਉਹ ਡੇਟਾ ਲਾਈਨ ਦਿਖਾਓ ਜਿਸ 'ਤੇ ਤੁਸੀਂ ਅਧਾਰਤ ਹੋ। - "ਡਾਟਾ ਨਾਕਾਫ਼ੀ" ਲਿਖੋ ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ, ਅੰਦਾਜ਼ਾ ਨਾ ਲਗਾਓ। - ਖੁਰਾਕ ਅਤੇ ਦਵਾਈਆਂ ਦੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਨਾ ਦਿਓ; ਇਸਦੀ ਬਜਾਏ, 3 ਧਾਰਨਾਵਾਂ ਦੀ ਇੱਕ ਵੱਖਰੀ ਸੂਚੀ ਬਣਾਓ ਜਿਨ੍ਹਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਡੇਟਾ: [ਫੀਲਡ ਡੇਟਾ]
ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਮਾਡਲ 'ਤੇ ਤਿੰਨ ਚੀਜ਼ਾਂ ਲਾਗੂ ਕਰਦਾ ਹੈ: ਸਰੋਤ ਨਾਲ ਜੁੜੇ ਰਹੋ, ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰੋ, ਅਤੇ ਨਾਜ਼ੁਕ ਫੈਸਲੇ (ਖੁਰਾਕ) ਨੂੰ ਇੰਜੀਨੀਅਰ 'ਤੇ ਛੱਡੋ। ਇਸ ਨਾਲ ਭਰਮ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਨਹੀਂ ਹੁੰਦਾ, ਪਰ ਇਸ ਨੂੰ ਦਿਸਦਾ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਅਗਿਆਤ ਸੰਦਰਭ ਸਥਾਪਤ ਕਰਨਾ:
ਮੈਨੂੰ ਖੇਤੀਬਾੜੀ ਇੰਜਨੀਅਰਿੰਗ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ ਮਦਦ ਚਾਹੀਦੀ ਹੈ। ਕਿਸਾਨ ਦਾ ਨਾਮ, ਫੀਲਡ ਕੋਆਰਡੀਨੇਟ, ਪਾਰਸਲ ID ਅਤੇ ਲਾਗਤ ਜਾਣਕਾਰੀ ਗੁਪਤ ਹੈ; ਮੈਂ ਉਹਨਾਂ ਨੂੰ ਪ੍ਰਤੀਨਿਧੀ ਸਮੀਕਰਨ ਜਿਵੇਂ ਕਿ "ਕਿਸਾਨ-ਏ", "ਪਲਾਟ-1", "ਐਕਸ ਕੋਆਰਡੀਨੇਟ" ਦੇ ਨਾਲ ਦੇਵਾਂਗਾ। ਟਾਸਕ: [ਟਾਸਕ]। ਮੇਰੇ ਵੱਲੋਂ ਦਿੱਤੇ ਗਏ ਤਕਨੀਕੀ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਬਾਹਰੀ ਧਾਰਨਾਵਾਂ ਨਾ ਜੋੜੋ।
2) ਤਿੰਨ ਐਂਕਰ ਪੁਸ਼ਟੀਕਰਨ ਬੇਨਤੀਆਂ:
ਨਿਮਨਲਿਖਤ ਆਉਟਪੁੱਟ ਲਈ ਤਿੰਨ ਜਾਂਚਾਂ ਕਰੋ: 1) ਤੀਬਰਤਾ ਦਾ ਕ੍ਰਮ: ਕੀ ਹਰ ਇੱਕ ਸੰਖਿਆ ਫਸਲ/ਖੇਤਰ ਲਈ ਸੰਭਾਵਿਤ ਸੀਮਾ ਦੇ ਅੰਦਰ ਹੈ? 2) ਖੇਤੀ ਵਿਗਿਆਨਿਕ ਅਨੁਕੂਲਤਾ: ਕੀ ਫਸਲੀ ਜੀਵ ਵਿਗਿਆਨ/ਜਲਵਾਯੂ ਨਾਲ ਕੋਈ ਵਿਰੋਧੀ ਦਾਅਵਾ ਹੈ? 3) ਪੁਸ਼ਟੀਕਰਨ ਸੂਚੀ: ਆਈਟਮਾਂ ਜਿਨ੍ਹਾਂ ਦੀ ਫੀਲਡ/ਲੈਬ ਵਿੱਚ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਆਉਟਪੁੱਟ: [text]
3) ਅਸਪਸ਼ਟਤਾ ਨੂੰ ਲਾਗੂ ਕਰਨਾ:
ਭਰੋਸੇ ਦੇ ਤਿੰਨ ਪੱਧਰਾਂ 'ਤੇ ਆਪਣੀ ਵਿਆਖਿਆ ਦਿਓ: - ਉੱਚ ਵਿਸ਼ਵਾਸ (ਡਾਟੇ ਦੁਆਰਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸਮਰਥਿਤ) - ਮੱਧਮ ਵਿਸ਼ਵਾਸ (ਵਾਜਬ ਖੇਤੀ ਵਿਗਿਆਨਿਕ ਅਨੁਮਾਨ) - ਘੱਟ ਵਿਸ਼ਵਾਸ (ਅਟਕਲਾਂ; ਖੇਤਰ ਦੀ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੈ) ਹਰੇਕ ਆਈਟਮ ਨੂੰ ਇਸਦੇ ਪੱਧਰ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹੋਏ ਲਿਖੋ।
4) ਫੈਸਲੇ ਤੋਂ ਪਹਿਲਾਂ ਲਾਲ ਫਲੈਗ ਸਕ੍ਰੀਨਿੰਗ:
3 ਸਭ ਤੋਂ ਗੰਭੀਰ ਜੋਖਮਾਂ (ਵਾਤਾਵਰਣ, ਭੋਜਨ ਸੁਰੱਖਿਆ, ਆਰਥਿਕ) ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਪੈਦਾ ਹੋ ਸਕਦੇ ਹਨ ਜੇਕਰ ਮੈਂ ਇਸ ਸੁਝਾਅ ਅਤੇ ਹਰੇਕ ਲਈ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਸੰਕੇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹਾਂ।
ਮੂਲ ਧਾਰਨਾ ਸਾਰਣੀ
ਮਿਆਦ
ਭਾਵ
ਇਹ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?
ਖੇਤੀ ਵਿਗਿਆਨੀ
ਖੇਤੀਬਾੜੀ ਇੰਜੀਨੀਅਰ, ਖੇਤੀ ਉਤਪਾਦਨ ਮਾਹਿਰ
ਨਾਜ਼ੁਕ ਫੈਸਲਿਆਂ ਲਈ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ
ਭਰਮ
AI ਭਰੋਸੇ ਨਾਲ ਗੈਰ-ਮੌਜੂਦ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਦਾ ਹੈ
ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਭਰੋਸਾ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਖਤਰਾ
phenology
ਪੌਦੇ ਦੇ ਵਿਕਾਸ ਦੇ ਪੜਾਅ (ਉਭਰਨਾ, ਫੁੱਲ ...)
ਨਿਰਧਾਰਿਤ ਫੈਸਲਿਆਂ ਲਈ ਆਧਾਰ
ਜ਼ਮੀਨੀ ਸੱਚ
ਖੇਤਰ ਵਿੱਚ ਸਿੱਧਾ ਨਿਰੀਖਣ/ਮਾਪ
ਸਾਰੇ ਰਿਮੋਟ ਡੇਟਾ ਦਾ ਪ੍ਰਮਾਣੀਕਰਨ ਐਂਕਰ
NDVI
ਬਨਸਪਤੀ ਜੀਵਨਸ਼ਕਤੀ ਸੂਚਕਾਂਕ
ਰਿਮੋਟ ਸਿਹਤ ਨਿਗਰਾਨੀ ਲਈ ਜ਼ਰੂਰੀ ਸਾਧਨ
ਆਮ ਗਲਤੀਆਂ
- ਸ਼ੁੱਧਤਾ ਲਈ ਰਵਾਨਗੀ ਨੂੰ ਭੁਲਾਉਣਾ। AI ਦਾ ਸੁੰਦਰ, ਭਰੋਸੇਮੰਦ ਤੁਰਕੀ ਇਹ ਨਹੀਂ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਆਉਟਪੁੱਟ ਸਹੀ ਹੈ; ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਭੁਲੇਖੇ ਸਭ ਤੋਂ ਵੱਧ ਤਰਲ ਹਨ.
- ਇਹ ਸੋਚਣਾ ਕਿ ਤਸਦੀਕ ਕਰਨਾ ਸਮੇਂ ਦੀ ਬਰਬਾਦੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਬਚਿਆ ਹੋਇਆ ਸਮਾਂ ਜਾਂਚ ਵਿੱਚ ਨਹੀਂ ਬਿਤਾਉਂਦੇ ਹੋ, ਤਾਂ AI ਤੁਹਾਡੀ ਤਰਫੋਂ ਗਲਤੀ ਨੂੰ ਤੇਜ਼ ਕਰੇਗਾ।
- ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟਾ ਸਾਂਝਾ ਕਰਨਾ ਜਿਵੇਂ ਹੈ। ਕਿਸਾਨ ਤਾਲਮੇਲ, ਝਾੜ ਅਤੇ ਲਾਗਤ ਮਾਲਕੀ ਅਤੇ ਗੁਪਤਤਾ ਦੇ ਮਾਮਲੇ ਹਨ; ਅਗਿਆਤ ਕੀਤੇ ਬਿਨਾਂ ਸਾਂਝਾ ਨਾ ਕਰੋ।
- ਨਾਜ਼ੁਕ ਖੁਰਾਕ ਦਾ ਫੈਸਲਾ AI 'ਤੇ ਛੱਡਣਾ। ਖਾਦ, ਕੀਟਨਾਸ਼ਕ ਅਤੇ ਸਿੰਚਾਈ ਖੁਰਾਕਾਂ ਲਈ ਫੀਲਡ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਵਿਧਾਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; AI ਸਿਰਫ ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ।
- ਇੱਕ ਲੰਗਰ ਨਾਲ ਸੰਤੁਸ਼ਟ ਹੋਣਾ। ਸਿਰਫ ਤੀਬਰਤਾ ਦੇ ਕ੍ਰਮ ਨੂੰ ਵੇਖਣਾ ਅਤੇ ਪ੍ਰਸ਼ੰਸਾਯੋਗਤਾ ਅਤੇ ਫੀਲਡ ਸਬੂਤ ਨੂੰ ਛੱਡਣਾ ਸੂਖਮ ਗਲਤੀਆਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦਾ ਹੈ।
ਸਾਵਧਾਨ: ਜਦੋਂ AI ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ "ਇਸ ਖੇਤਰ ਵਿੱਚ ਬਿਮਾਰੀ X ਹੈ", ਤਾਂ ਇਹ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ, ਨਿਦਾਨ ਨਹੀਂ। ਨਿਦਾਨ; ਨਮੂਨਾ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਅਤੇ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਨਾਲ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਡੇਟਾ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਸਾਧਨ ਹੈ, ਸੰਚਾਰ ਵਿੱਚ ਪ੍ਰਵੇਗ ਕਰਨ ਵਾਲਾ, ਅਤੇ ਖੇਤੀਬਾੜੀ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ ਵਿਆਖਿਆ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸਭ ਤੋਂ ਕੀਮਤੀ ਅਤੇ ਜੋਖਮ ਭਰਿਆ ਸੰਦ ਹੈ। ਇਸ ਮੋਡੀਊਲ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਤਿੰਨ ਐਂਕਰ ਅਨੁਸ਼ਾਸਨ ਹਨ: ਹਰ ਇੱਕ ਆਉਟਪੁੱਟ ਦੀ ਤੀਬਰਤਾ ਦੇ ਕ੍ਰਮ ਦੇ ਵਿਰੁੱਧ ਟੈਸਟ ਕਰਨਾ, ਖੇਤੀ ਵਿਗਿਆਨਕ ਪ੍ਰਸ਼ੰਸਾਯੋਗਤਾ ਅਤੇ ਫੀਲਡ ਸਬੂਤ। ਭਰਮ ਅਸਲੀ ਹੈ, ਰਵਾਨਗੀ ਸ਼ੁੱਧਤਾ ਨਹੀਂ ਹੈ, ਅਤੇ ਨਾਜ਼ੁਕ ਫੈਸਲਿਆਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਹਸਤਾਖਰ ਕਰਨ ਵਾਲੇ ਖੇਤੀ ਵਿਗਿਆਨੀ ਦੀ ਹੁੰਦੀ ਹੈ। ਅਗਲੀਆਂ ਇਕਾਈਆਂ ਵਿੱਚ, ਅਸੀਂ ਇਸ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਸ਼ੁੱਧ ਖੇਤੀ, NDVI, ਮਿੱਟੀ, ਸਿੰਚਾਈ, ਬਿਮਾਰੀ, ਜਲਵਾਯੂ, ਉਪਜ, ਪਾਈਥਨ ਅਤੇ ਟਰੇਸਬਿਲਟੀ 'ਤੇ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਲਾਗੂ ਕਰਾਂਗੇ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਖੇਤਰ (ਜਾਂ ਪ੍ਰਤੀਨਿਧੀ ਇੱਕ) ਲਈ, ਪਹਿਲਾਂ AI ਨੂੰ ਇੱਕ ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ ("ਮੈਨੂੰ ਇਸ ਖੇਤਰ ਵਿੱਚ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?") ਪੁੱਛੋ, ਫਿਰ ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਟੈਮਪਲੇਟ ਨਾਲ ਉਹੀ ਸਵਾਲ। ਦੋ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਨਾਲ-ਨਾਲ ਰੱਖੋ ਅਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ: (1) ਕਿਹੜੇ ਵਾਕਾਂ ਵਿੱਚ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਹੈ ਜੋ ਡੇਟਾ ਵਿੱਚ ਨਹੀਂ ਹੈ (ਉਮੀਦਵਾਰ ਦਾ ਭੁਲੇਖਾ), (2) ਕਿਹੜੇ ਨੰਬਰ ਮੈਗਨੀਟਿਊਡ ਜਾਂਚ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ, (3) 3 ਆਈਟਮਾਂ ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਹਾਨੂੰ ਫੀਲਡ ਵਿੱਚ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇੱਕ ਪੈਰੇ ਵਿੱਚ, ਲਿਖੋ ਕਿ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਕਿਹੜੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਦਿਸਦਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਕੰਮ ਨੂੰ ਡੇਟਾ ਤਿਆਰੀ / ਵਿਆਖਿਆ / ਸੰਚਾਰ ਦੇ ਰੂਪ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਅਤੇ ਜੋਖਮ ਪੱਧਰ ਨਿਰਧਾਰਤ ਕੀਤਾ।
- [ ] ਮੈਂ ਕਿਸਾਨ ਦੀ ਪਛਾਣ, ਤਾਲਮੇਲ ਅਤੇ ਲਾਗਤ ਜਾਣਕਾਰੀ ਨੂੰ ਗੁਪਤ ਰੱਖਿਆ ਹੈ।
- [ ] ਮੈਂ ਆਕਾਰ, ਖੇਤੀ ਵਿਗਿਆਨਕ ਪ੍ਰਸੰਸਾਯੋਗਤਾ ਅਤੇ ਫੀਲਡ ਸਬੂਤ ਲਈ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਭਰਮ ਉਮੀਦਵਾਰ ਵਾਕਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਰੋਤ 'ਤੇ ਵਾਪਸ ਲੈ ਗਿਆ।
- ਮੈਂ ਨਾਜ਼ੁਕ ਖੁਰਾਕ/ਡਰੱਗ/ਸਿੰਚਾਈ ਦੇ ਫੈਸਲੇ ਨੂੰ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਦੀ ਮਨਜ਼ੂਰੀ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਹੈ।