ਲਾਭ:
- ਉਪਜ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਵਰਤੇ ਗਏ ਡੇਟਾ ਸਰੋਤਾਂ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਮਕੈਨੀਕਲ ਮਾਡਲਾਂ ਵਿੱਚ ਅੰਤਰ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- AI ਨਾਲ ਉਪਜ ਪੂਰਵ-ਅਨੁਮਾਨ ਸੈੱਟਅੱਪ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਰੇਂਜ ਨੂੰ ਕੌਂਫਿਗਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇਤਿਹਾਸਕ ਉਪਜ, ਬੈਂਚਮਾਰਕ ਅਤੇ ਫੀਲਡ ਮਾਪ ਦੇ ਨਾਲ ਮਾਡਲ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਸ਼ਵਾਸ ਨੂੰ ਰੋਕਣ ਦੀ ਸਮਰੱਥਾ
"ਮੈਨੂੰ ਇਸ ਖੇਤਰ ਤੋਂ ਕਿੰਨਾ ਉਤਪਾਦ ਮਿਲੇਗਾ?" ਇਹ ਖੇਤੀਬਾੜੀ ਦਾ ਸਭ ਤੋਂ ਪੁਰਾਣਾ ਅਤੇ ਸਭ ਤੋਂ ਕੀਮਤੀ ਸਵਾਲ ਹੈ। ਸਹੀ ਜਵਾਬ ਜਾਣਨਾ; ਇਸਦਾ ਅਰਥ ਹੈ ਵਾਢੀ ਦੇ ਵਰਕਰ, ਵੇਅਰਹਾਊਸ, ਆਵਾਜਾਈ, ਵਿਕਰੀ ਇਕਰਾਰਨਾਮੇ ਅਤੇ ਵਿੱਤ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣਾ। ਇਸ ਨੂੰ ਗਲਤ ਜਾਣਨ ਦਾ ਮਤਲਬ ਹੈ ਸਰੋਤਾਂ ਨੂੰ ਬਰਬਾਦ ਕਰਨਾ ਜਾਂ ਜਾਰੀ ਰੱਖਣ ਦੇ ਯੋਗ ਨਾ ਹੋਣਾ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ਐਮ.ਐਲ., ਇੱਕ ਵਿਧੀ ਜੋ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨ ਸਿੱਖਦੀ ਹੈ ਅਤੇ ਨਵੀਆਂ ਸਥਿਤੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ) ਇਸ ਸਵਾਲ ਦੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਰ ਖਤਰਨਾਕ ਤੌਰ 'ਤੇ ਯਕੀਨਨ ਜਵਾਬ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ। ਇਹ ਯੂਨਿਟ ਤੁਹਾਨੂੰ ਉਪਜ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦੇ ਡੇਟਾ ਸਰੋਤ, ਦੋ ਬੁਨਿਆਦੀ ਪਹੁੰਚਾਂ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਮਕੈਨੀਕਲ ਮਾਡਲਾਂ ਵਿਚਕਾਰ ਅੰਤਰ, ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਸੀਮਾ, ਅਤੇ - ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ - ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਤਮ ਵਿਸ਼ਵਾਸ ਤੋਂ ਕਿਵੇਂ ਬਚਣਾ ਹੈ ਬਾਰੇ ਸਿਖਾਉਂਦਾ ਹੈ।
ਕੁਸ਼ਲਤਾ ਕਿਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ? ਇਨਪੁੱਟ
ਝਾੜ ਸਿਰਫ਼ ਇੱਕ ਚੀਜ਼ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦਾ; ਬਹੁਤ ਸਾਰੇ ਕਾਰਕਾਂ ਦਾ ਉਤਪਾਦ ਹੈ। ਮੁੱਖ ਇਨਪੁਟ ਸਰੋਤ:
- ਪੌਦਿਆਂ ਦੀ ਸਥਿਤੀ: ਸੀਜ਼ਨ, ਪੌਦਿਆਂ ਦੀ ਘਣਤਾ, ਸਿਹਤ ਦੌਰਾਨ NDVI/NDRE ਸਮਾਂ ਲੜੀ (ਬਾਇਓਮਾਸ ਵਿਕਾਸ)।
- ਮਿੱਟੀ: pH, OM, KDK, ਪਾਣੀ ਦੀ ਧਾਰਨਾ, ਪ੍ਰਬੰਧਨ ਜ਼ੋਨ।
- ਮੌਸਮ/ਜਲਵਾਯੂ: GDD ਇਕੱਠਾ ਹੋਣਾ, ਨਾਜ਼ੁਕ ਸਮੇਂ ਦੀ ਵਰਖਾ ਅਤੇ ਤਾਪਮਾਨ, ਠੰਡ/ਗੜੇ ਦੀਆਂ ਘਟਨਾਵਾਂ।
- ਪ੍ਰਬੰਧਨ: ਕਿਸਮ, ਬਿਜਾਈ ਦੀ ਮਿਤੀ, ਖਾਦ ਦੀ ਮਾਤਰਾ ਅਤੇ ਸਿੰਚਾਈ, ਛਿੜਕਾਅ।
- ਇਤਿਹਾਸ: ਉਸੇ ਖੇਤਰ ਦੀ ਪਿਛਲੇ ਸਾਲ ਦੀ ਪੈਦਾਵਾਰ (ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਸਿੰਗਲ ਸੂਚਕਾਂ ਵਿੱਚੋਂ ਇੱਕ)।
AI ਇਹਨਾਂ ਇਨਪੁਟਸ (ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ) ਨੂੰ ਜੋੜਦਾ ਹੈ ਅਤੇ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਪਰ ਕੀ ਭੁੱਲਣਾ ਨਹੀਂ ਚਾਹੀਦਾ: ਮਾਡਲ ਸਿਰਫ ਉਸ ਡੇਟਾ ਨੂੰ ਜਾਣਦਾ ਹੈ ਜੋ ਇਸਨੂੰ ਖੁਆਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਹ ਪੈਟਰਨ ਜੋ ਉਹ ਉਸ ਡੇਟਾ ਵਿੱਚ ਵੇਖਦਾ ਹੈ. ਜੇਕਰ ਤੁਸੀਂ ਅਕਤੂਬਰ ਦੀ ਮਿਤੀ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਉਸ ਕਾਰਕ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਦੇਵੇਗਾ।
ਦੋ ਪਹੁੰਚ: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਬਨਾਮ ਮਕੈਨਿਸਟਿਕ ਮਾਡਲ
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਪਿਛਲੇ ਸਾਲਾਂ ਦੇ "ਇਹ ਇਹਨਾਂ ਹਾਲਤਾਂ ਵਿੱਚ ਉਪਜ ਹੈ" ਉਦਾਹਰਨਾਂ ਤੋਂ ਅੰਕੜਾਤਮਕ ਪੈਟਰਨ ਸਿੱਖਦਾ ਹੈ। ਇਸਦੀ ਤਾਕਤ: ਬਹੁਤ ਸਾਰੇ ਵੇਰੀਏਬਲ ਅਤੇ ਗੁੰਝਲਦਾਰ ਸਬੰਧਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦੀ ਹੈ। ਕਮਜ਼ੋਰੀ: ਜਦੋਂ ਸਿਖਲਾਈ ਡੇਟਾ ਵੱਧ ਜਾਂਦਾ ਹੈ (ਨਵੀਂ ਕਿਸਮ, ਬੇਮਿਸਾਲ ਸੋਕਾ, ਵੱਖਰਾ ਖੇਤਰ) ਤਾਂ ਵਿਸ਼ਵਾਸ ਟੁੱਟ ਜਾਂਦਾ ਹੈ; ਇਹ ਸਮਝਾਉਣ ਲਈ ਸੰਘਰਸ਼ ਕਰਦਾ ਹੈ ਕਿ ਕਿਉਂ (“ਬਲੈਕ ਬਾਕਸ”)।
ਮਸ਼ੀਨੀ (ਪ੍ਰਕਿਰਿਆ-ਅਧਾਰਿਤ) ਮਾਡਲ ਪੌਦਿਆਂ ਦੇ ਵਿਕਾਸ ਦੇ ਸਰੀਰ ਵਿਗਿਆਨ ਦੀ ਸਮੀਕਰਨਾਂ (ਫੋਟੋਸਿੰਥੇਸਿਸ, ਪਾਣੀ-ਪੋਸ਼ਟਿਕ ਸੰਤੁਲਨ) ਨਾਲ ਨਕਲ ਕਰਦਾ ਹੈ। ਤਾਕਤ: ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ, ਨਵੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਵਿਆਖਿਆਯੋਗ। ਕਮਜ਼ੋਰੀ: ਬਹੁਤ ਸਾਰੇ ਇੰਪੁੱਟ ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਦੀ ਲੋੜ ਹੈ, ਸੈੱਟਅੱਪ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ।
ਅਭਿਆਸ ਵਿੱਚ ਦੋਨਾਂ ਨੂੰ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਦੋਵਾਂ ਨੂੰ ਫੀਲਡ ਮਾਪ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੋਵਾਂ ਤਰੀਕਿਆਂ ਦੇ ਸੈੱਟਅੱਪ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਰਿਪੋਰਟਿੰਗ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ।
ਆਕਾਰ
ਮਸ਼ੀਨ ਸਿਖਲਾਈ
ਮਸ਼ੀਨੀ ਮਾਡਲ
ਮੂਲ
ਇਤਿਹਾਸਕ ਡਾਟਾ ਪੈਟਰਨ
ਸਰੀਰ ਵਿਗਿਆਨ ਸਮੀਕਰਨ
ਨਵੀਂ ਸਥਿਤੀ
ਕਮਜ਼ੋਰ (ਐਕਸਟਰਪੋਲੇਸ਼ਨ ਦਾ ਜੋਖਮ)
ਮਜ਼ਬੂਤ
ਵਿਆਖਿਆਯੋਗਤਾ
ਨੀਵਾਂ (ਕਾਲਾ ਬਾਕਸ)
ਉੱਚ
ਡਾਟਾ ਦੀ ਲੋੜ ਹੈ
ਪਿਛਲੇ ਲੰਬੇ ਉਦਾਹਰਨ
ਮਲਟੀ-ਪੈਰਾਮੀਟਰ/ਕੈਲੀਬ੍ਰੇਸ਼ਨ
ਏਆਈ ਦੀ ਭੂਮਿਕਾ
ਵਿਸ਼ੇਸ਼ਤਾ + ਮਾਡਲ ਗਲਪ
ਦਾਖਲੇ ਦੀ ਤਿਆਰੀ, ਟਿੱਪਣੀ
ਨੁਕਤਾ: ਉਪਜ ਦੀ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਪੁੱਛੋ: "ਕੀ ਇਸ ਸਾਲ ਦੀਆਂ ਸਥਿਤੀਆਂ ਅਤੀਤ ਦੇ ਸਮਾਨ ਹਨ ਜੋ ਮਾਡਲ ਨੇ ਸਿੱਖਿਆ ਹੈ?" ਇੱਕ ਅਸਾਧਾਰਨ ਸੋਕਾ, ਇੱਕ ਨਵੀਂ ਕਿਸਮ, ਜਾਂ ਇੱਕ ਵੱਖਰਾ ਖੇਤਰ ML ਅਨੁਮਾਨ ਨੂੰ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਬਣਾਉਂਦਾ। ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰੇਂਜ ਦਾ ਵਿਸਤਾਰ ਕਰੋ।
ਅਨਿਸ਼ਚਿਤਤਾ ਰੇਂਜ: ਅੰਤਰਾਲ ਅਤੇ ਬਿੰਦੂ ਕਿਉਂ ਨਹੀਂ?
ਚੰਗੀ ਪੈਦਾਵਾਰ ਦਾ ਅੰਦਾਜ਼ਾ "620 ਕਿਲੋਗ੍ਰਾਮ ਪ੍ਰਤੀ ਡੇਕੇਅਰ" ਨਹੀਂ ਕਹਿੰਦਾ; ਉਹ ਕਹਿੰਦਾ ਹੈ "560-680 ਕਿਲੋਗ੍ਰਾਮ ਪ੍ਰਤੀ ਡੇਕੇਅਰ, ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ 620 ਹੈ, ਵਿਸ਼ਵਾਸ ਮੱਧਮ ਹੈ।" ਕਿਉਂਕਿ ਭਵਿੱਖ ਅਨਿਸ਼ਚਿਤ ਹੈ ਅਤੇ ਇੱਕ ਬੇਜੋੜ ਸੰਖਿਆ ਇੱਕ ਗਲਤ ਨਿਸ਼ਚਿਤਤਾ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਦਸੰਬਰ; ਇਹ ਦ੍ਰਿਸ਼ਾਂ (ਬੁਰਾ/ਦਰਮਿਆਨਾ/ਚੰਗਾ) ਸਥਾਪਤ ਕਰਨ ਅਤੇ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ ਜੋਖਮ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। AI ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਸਮੇਂ ਹਮੇਸ਼ਾਂ ਸੀਮਾ ਅਤੇ ਭਰੋਸੇ ਦੇ ਪੱਧਰ ਦੀ ਮੰਗ ਕਰੋ; ਇੱਕ ਅਜਿਹੇ ਮਾਡਲ ਬਾਰੇ ਸ਼ੱਕੀ ਬਣੋ ਜੋ ਇੱਕ ਅਜੀਬ ਨੰਬਰ ਦਿੰਦਾ ਹੈ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 - ਅੰਤਰਾਲ ਦੀ ਯੋਜਨਾਬੰਦੀ। ਇੱਕ ਕਣਕ ਉਤਪਾਦਕ ਨੇ ਇੱਕ ਸਿੰਗਲ ਪੁਆਇੰਟ ਅਨੁਮਾਨ (500 ਕਿਲੋ ਪ੍ਰਤੀ ਡੇਕੇਅਰ) ਦੇ ਅਧਾਰ ਤੇ ਵਾਢੀ ਦੀ ਮਜ਼ਦੂਰੀ ਅਤੇ ਆਵਾਜਾਈ ਦਾ ਪ੍ਰਬੰਧ ਕੀਤਾ ਸੀ। ਜਦੋਂ AI-ਸਮਰਥਿਤ ਮਾਡਲ ਨੇ 430-560 ਕਿਲੋਗ੍ਰਾਮ ਅਤੇ "ਨਾਜ਼ੁਕ ਸਮੇਂ ਦੀ ਬਾਰਿਸ਼ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲ" ਦੀ ਰੇਟਿੰਗ ਦਿੱਤੀ, ਤਾਂ ਨਿਰਮਾਤਾ ਨੇ ਇੱਕ ਲਚਕਦਾਰ ਕਰਮਚਾਰੀ ਯੋਜਨਾ ਬਣਾਈ। ਅਸਲ ਭਾਰ 445 ਕਿਲੋ ਸੀ; ਹਾਲਾਂਕਿ ਸਖ਼ਤ ਯੋਜਨਾਬੰਦੀ ਨੇ ਬਹੁਤ ਖਰਚਾ ਪੈਦਾ ਕੀਤਾ ਹੋਵੇਗਾ, ਸਪੇਸਿੰਗ ਨੇ ਲਚਕਤਾ ਨੂੰ ਬਚਾਇਆ ਹੈ।
ਕੇਸ 2 - ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਟਰੈਪ। ਇੱਕ ਮਾਡਲ ਨੇ ਬੇਮਿਸਾਲ ਗੰਭੀਰਤਾ ਦੇ ਸੋਕੇ ਦੇ ਸਾਲ ਦੌਰਾਨ ਇਤਿਹਾਸਕ ਅੰਕੜਿਆਂ ਦੇ ਅਧਾਰ ਤੇ ਉੱਚ ਉਪਜ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ। ਇੰਜੀਨੀਅਰ ਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ ਹਾਲਾਤ ਸਿਖਲਾਈ ਡੇਟਾ ਤੋਂ ਬਾਹਰ ਸਨ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਅਤੇ ਫੀਲਡ ਮਾਪ (ਪੌਦੇ ਦੀ ਘਣਤਾ, ਕੰਨਾਂ ਦੀ ਗਿਣਤੀ) ਤੇ ਵਾਪਸ ਆ ਗਿਆ। ਜੇ ਮਾਡਲ ਨੂੰ ਇਕੱਲੇ ਸੁਣਿਆ ਗਿਆ ਹੁੰਦਾ ਤਾਂ ਇਹ ਇੱਕ ਗੰਭੀਰ ਯੋਜਨਾਬੰਦੀ ਦੀ ਗਲਤੀ ਹੋਣੀ ਸੀ।
ਕੇਸ 3 - ਵਿਸ਼ੇਸ਼ਤਾ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਇੱਕ ਅਨੁਮਾਨ ਉਮੀਦ ਨਾਲੋਂ ਵੱਧ ਸੀ; ਜਦੋਂ ਜਾਂਚ ਕੀਤੀ ਗਈ, ਤਾਂ ਇਹ ਦੇਖਿਆ ਗਿਆ ਕਿ ਮਾਡਲ ਵਿੱਚ ਇੱਕ ਗੜੇ ਦੀ ਘਟਨਾ ਦਾਖਲ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ. ਇੱਕ ਵਾਰ ਇੰਪੁੱਟ ਪੂਰਾ ਹੋ ਗਿਆ, ਭਵਿੱਖਬਾਣੀ ਅਸਲ ਵਿੱਚ ਡਿੱਗ ਗਈ. ਸਬਕ: ਮਾਡਲ ਸਿਰਫ ਓਨਾ ਹੀ ਜਾਣਦਾ ਹੈ ਜਿੰਨਾ ਤੁਸੀਂ ਇਸਨੂੰ ਦਿੰਦੇ ਹੋ; ਕਿਸੇ ਨਾਜ਼ੁਕ ਘਟਨਾ ਨੂੰ ਭੁੱਲਣਾ ਅੰਦਾਜ਼ੇ ਨੂੰ ਵਧਾ ਦਿੰਦਾ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੈਨੂੰ ਇਸ ਖੇਤ ਤੋਂ ਕਿੰਨੀ ਉਪਜ ਮਿਲੇਗੀ? ਮੈਨੂੰ ਇੱਕ ਨੰਬਰ ਦਿਓ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਖੇਤੀਬਾੜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ। ਉਪਜ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਇੱਕ ਪਹੁੰਚ ਤਿਆਰ ਕਰੋ (ਮਾਡਲ ਬਿਲਡਿੰਗ ਨਹੀਂ, ਪਰ ਗਲਪ ਅਤੇ ਵਿਆਖਿਆ)। ਮੇਰੇ ਕੋਲ ਇਨਪੁਟਸ ਹਨ: [NDVI ਲੜੀ, ਮਿੱਟੀ, GDD, ਲਾਉਣ ਦੀ ਮਿਤੀ, ਇਤਿਹਾਸਕ ਉਪਜ...]। ਕਾਰਜ:- ਸਮਝਾਓ ਕਿ ਮੈਨੂੰ ਕਿਹੜੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਜੋ ਸਭ ਤੋਂ ਨਿਰਣਾਇਕ ਹਨ, - ਅੰਦਾਜ਼ੇ ਨੂੰ ਇੱਕ ਅੰਤਰਾਲ ਅਤੇ ਵਿਸ਼ਵਾਸ ਪੱਧਰ ਵਜੋਂ ਪੁੱਛੋ, ਨਾ ਕਿ ਇੱਕ ਬਿੰਦੂ ਵਜੋਂ।- ਕੀ ਇਸ ਸਾਲ ਦੀਆਂ ਸਥਿਤੀਆਂ ਪਿਛਲੇ ਸਮਾਨ ਹਨ; ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਦਾ ਖਤਰਾ ਹੈ। - ਨਾਜ਼ੁਕ ਇਨਪੁਟਸ ਬਾਰੇ ਪੁੱਛੋ ਜੋ ਗੁੰਮ ਹੋ ਸਕਦੇ ਹਨ (ਗੜੇ, ਠੰਡ, ਬਿਮਾਰੀ)। - ਅਨੁਮਾਨਿਤ ਫੀਲਡ ਮਾਪ (ਕੰਨ/ਫਲਾਂ ਦੀ ਗਿਣਤੀ) ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦਾ ਤਰੀਕਾ ਲਿਖੋ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਸਪੇਸਿੰਗ, ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਚੈਕਿੰਗ, ਗੁੰਮ ਇਨਪੁਟ ਖੋਜ ਅਤੇ ਫੀਲਡ ਵੈਰੀਫਿਕੇਸ਼ਨ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਵਿਸ਼ੇਸ਼ਤਾ ਤਰਜੀਹ:
ਸੂਚੀ, ਨਿਰਧਾਰਨ ਦੇ ਕ੍ਰਮ ਵਿੱਚ, ਉਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਉਤਪਾਦ ਲਈ ਉਪਜ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਵਰਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ; ਸੰਖੇਪ ਵਿੱਚ ਦੱਸੋ ਕਿ ਹਰ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ। ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਉਸ ਡੇਟਾ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜੋ ਮੇਰੇ ਕੋਲ ਨਹੀਂ ਹੈ ਪਰ ਕੀਮਤੀ ਹੋਵੇਗਾ।
2) ਅਨਿਸ਼ਚਿਤਤਾ ਸੀਮਾ:
ਇਸ ਅੰਦਾਜ਼ੇ ਨੂੰ ਬਿੰਦੂ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਹੇਠਲੇ-ਉੱਪਰੀ ਰੇਂਜ ਅਤੇ ਭਰੋਸੇ ਦੇ ਪੱਧਰ (ਉੱਚ/ਮੱਧਮ/ਘੱਟ) ਵਜੋਂ ਦਿਓ। ਉਹਨਾਂ ਕਾਰਕਾਂ ਨੂੰ ਲਿਖੋ ਜੋ ਸੀਮਾ ਨੂੰ ਤੰਗ ਅਤੇ ਚੌੜਾ ਕਰਦੇ ਹਨ।
3) ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਜਾਂਚ:
ਇਸ ਸਾਲ ਦੀਆਂ ਸਥਿਤੀਆਂ (ਮੌਸਮ, ਵਿਭਿੰਨਤਾ, ਪ੍ਰਬੰਧਨ) ਦੀ ਆਮ ਪਿਛਲੇ ਸਾਲਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਕੀ ਮਾਡਲ ਸਿਖਲਾਈ ਡੇਟਾ ਤੋਂ ਭਟਕਦਾ ਹੈ? ਜੇਕਰ ਹਾਂ, ਤਾਂ ਮੈਨੂੰ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਕਿੰਨਾ ਭਰੋਸਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?
4) ਫੀਲਡ ਪੁਸ਼ਟੀਕਰਨ ਯੋਜਨਾ:
ਵਾਢੀ ਤੋਂ ਪਹਿਲਾਂ ਖੇਤ ਵਿੱਚ ਇਸ ਝਾੜ ਦੇ ਅੰਦਾਜ਼ੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਮੈਂ ਕਿਹੜਾ ਮਾਪ (ਪ੍ਰਤੀ ਖੇਤ ਵਿੱਚ ਕੰਨਾਂ/ਫਲਾਂ ਦੀ ਗਿਣਤੀ, ਅਨਾਜ ਦਾ ਭਾਰ) ਕਿਵੇਂ ਲੈ ਸਕਦਾ ਹਾਂ? ਨਮੂਨਾ ਲੈਣ ਦੀ ਯੋਜਨਾ ਦਾ ਸੁਝਾਅ ਦਿਓ।
ਆਮ ਗਲਤੀਆਂ
- ਇੱਕ ਨੰਬਰ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। ਇੱਕ ਬਿੰਦੂ ਅਨੁਮਾਨ ਗਲਤ ਸ਼ੁੱਧਤਾ ਹੈ; ਸੀਮਾ ਅਤੇ ਭਰੋਸੇ ਦੇ ਪੱਧਰ ਲਈ ਪੁੱਛੋ।
- ਐਕਸਟਰਪੋਲੇਸ਼ਨ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਇੱਕ ਅਸਾਧਾਰਨ ਸਾਲ ਵਿੱਚ ML ਅਨੁਮਾਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ; ਅਤੀਤ ਨਾਲ ਸਥਿਤੀ ਦੀ ਤੁਲਨਾ ਕਰੋ.
- ਨਾਜ਼ੁਕ ਇੰਪੁੱਟ ਨੂੰ ਭੁੱਲਣਾ। ਜੇਕਰ ਤੁਸੀਂ ਗੜੇ, ਠੰਡ ਅਤੇ ਬਿਮਾਰੀ ਵਰਗੀਆਂ ਘਟਨਾਵਾਂ ਨੂੰ ਦਾਖਲ ਨਹੀਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਪੂਰਵ ਅਨੁਮਾਨ ਵਧਾਇਆ ਜਾਵੇਗਾ।
- ਮਾਡਲ ਨੂੰ ਖੇਤਰ ਵਿੱਚ ਬੰਦ ਕਰਨਾ। ਸਿੱਧੇ ਮਾਪ ਜਿਵੇਂ ਕਿ ਸਪਾਈਕ/ਫਲਾਂ ਦੀ ਗਿਣਤੀ ਅੰਤਮ ਐਂਕਰ ਹੈ; ਇਸ ਨੂੰ ਨਾ ਛੱਡੋ।
- ਬਲੈਕ ਬਾਕਸ 'ਤੇ ਅੰਨ੍ਹਾ ਭਰੋਸਾ ਕਰਨਾ। ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਜਿਸਦਾ ਕਾਰਨ ਸਮਝਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਹੈ, ਸਵਾਲ ਕੀਤੇ ਬਿਨਾਂ ਫੈਸਲਾ ਨਹੀਂ ਬਣਨਾ ਚਾਹੀਦਾ।
ਸਾਵਧਾਨ: ਉਪਜ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਤੀ ਅਤੇ ਕਾਰਜਸ਼ੀਲ ਫੈਸਲਿਆਂ (ਇਕਰਾਰਨਾਮੇ, ਕਰਜ਼ਾ, ਕਰਮਚਾਰੀ) ਨੂੰ ਚਾਲੂ ਕਰਦੀ ਹੈ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਸ਼ਾਵਾਦੀ ਪੂਰਵ-ਅਨੁਮਾਨ 'ਤੇ ਆਧਾਰਿਤ ਵਚਨਬੱਧਤਾ ਗੰਭੀਰ ਨੁਕਸਾਨ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ ਜੇਕਰ ਇਹ ਸੱਚ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। ਅਨੁਮਾਨ ਨੂੰ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਇੱਕ ਸੀਮਾ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕਰੋ ਅਤੇ ਸਾਵਧਾਨ ਦ੍ਰਿਸ਼ ਦੇ ਅਧਾਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਵਚਨਬੱਧਤਾਵਾਂ ਕਰੋ।
ਸੰਖੇਪ ਵਿੱਚ
ਉਪਜ ਪੂਰਵ-ਅਨੁਮਾਨ ਬਹੁਤ ਸਾਰੇ ਨਿਵੇਸ਼ਾਂ (ਪੌਦਾ, ਮਿੱਟੀ, ਮੌਸਮ, ਪ੍ਰਬੰਧਨ, ਇਤਿਹਾਸ) ਦਾ ਸੁਮੇਲ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਗੁੰਝਲਦਾਰ ਪੈਟਰਨਾਂ ਨੂੰ ਹਾਸਲ ਕਰਦੀ ਹੈ, ਪਰ ਜਦੋਂ ਇਹ ਸਿਖਲਾਈ ਦੇ ਅੰਕੜਿਆਂ ਤੋਂ ਪਰੇ ਜਾਂਦੀ ਹੈ ਤਾਂ ਇਸਦਾ ਵਿਸ਼ਵਾਸ ਟੁੱਟ ਜਾਂਦਾ ਹੈ; ਮਸ਼ੀਨੀ ਮਾਡਲ ਨਵੀਂ ਸਥਿਤੀ ਵਿੱਚ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਹੈ ਪਰ ਸਥਾਪਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਦੋਵਾਂ ਪਹੁੰਚਾਂ ਦੇ ਨਿਰਮਾਣ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ। ਇੱਕ ਚੰਗਾ ਅਨੁਮਾਨ ਇੱਕ ਅੰਤਰਾਲ ਹੁੰਦਾ ਹੈ, ਇੱਕ ਬਿੰਦੂ ਨਹੀਂ, ਇੱਕ ਭਰੋਸੇ ਦੇ ਪੱਧਰ ਦੇ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਦੇ ਜੋਖਮ ਲਈ ਜਾਂਚਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਫੀਲਡ ਮਾਪ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਹੁੰਦਾ ਹੈ। ਜ਼ਿਆਦਾ ਆਤਮ-ਵਿਸ਼ਵਾਸ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਗਲਤੀ ਹੈ; ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਇੱਕ ਸੰਭਾਵਨਾ ਹੈ, ਇੱਕ ਵਚਨਬੱਧਤਾ ਨਹੀਂ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਫਸਲ ਲਈ ਤੁਹਾਡੇ ਕੋਲ (ਪ੍ਰਤੀਨਿਧੀ) ਇਨਪੁਟਸ ਦੀ ਸੂਚੀ ਬਣਾਓ: ਕਈ ਸਾਲਾਂ ਦੀ ਇਤਿਹਾਸਕ ਉਪਜ, ਇੱਕ NDVI ਰੁਝਾਨ, ਬੀਜਣ ਦੀ ਮਿਤੀ, ਨਾਜ਼ੁਕ ਸਮਾਂ ਬਾਰਿਸ਼। ਇਸ ਯੂਨਿਟ ਵਿੱਚ "ਵਿਸ਼ੇਸ਼ਤਾ ਤਰਜੀਹ" ਅਤੇ "ਅਨਿਸ਼ਚਿਤਤਾ ਅੰਤਰ" ਟੈਮਪਲੇਟਸ ਦੇ ਨਾਲ ਉਪਜ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ AI ਪ੍ਰਾਪਤ ਕਰੋ। ਫਿਰ ਜਾਣਬੁੱਝ ਕੇ ਇੱਕ ਨਾਜ਼ੁਕ ਇੰਪੁੱਟ (ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਗੜੇ ਦੀ ਘਟਨਾ) ਨੂੰ ਹਟਾਓ ਅਤੇ ਦੁਬਾਰਾ ਪੁੱਛੋ ਅਤੇ ਵੇਖੋ ਕਿ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਬਦਲਦੀ ਹੈ। ਇੱਕ ਪੈਰੇ ਵਿੱਚ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਵਾਢੀ ਤੋਂ ਪਹਿਲਾਂ ਖੇਤ ਵਿੱਚ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕਰੋਗੇ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਅਨੁਮਾਨਿਤ ਬਿੰਦੂ ਚਾਹੁੰਦਾ ਸੀ, ਨਾ ਕਿ ਸੀਮਾ ਅਤੇ ਭਰੋਸੇ ਦਾ ਪੱਧਰ।
- [ ] ਮੈਂ ਇਸ ਸਾਲ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੀ ਅਤੀਤ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ ਅਤੇ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਦੇ ਜੋਖਮ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਜਾਂਚ ਕੀਤੀ ਕਿ ਨਾਜ਼ੁਕ ਇਨਪੁਟਸ (ਗੜੇ, ਠੰਡ, ਬਿਮਾਰੀ) ਗਾਇਬ ਨਹੀਂ ਹਨ।
- [ ] ਮੈਂ ਅਨੁਮਾਨਿਤ ਇਤਿਹਾਸਕ ਉਪਜ ਅਤੇ ਬੈਂਚਮਾਰਕ ਦੀ ਤੁਲਨਾ ਕੀਤੀ।
- [ ] ਮੈਂ ਫੀਲਡ ਮਾਪ (ਕੰਨ/ਫਲਾਂ ਦੀ ਗਿਣਤੀ) ਦੇ ਨਾਲ ਇੱਕ ਪੁਸ਼ਟੀਕਰਨ ਯੋਜਨਾ ਸਥਾਪਤ ਕੀਤੀ ਹੈ।