Dobički:
- Sposobnost razlage podatkovnih virov, uporabljenih pri napovedovanju donosa, in razlike med strojnim učenjem in mehaničnimi modeli
- Zmožnost konfiguracije nastavitve napovedi donosa, funkcij in obsega negotovosti z AI
- Sposobnost preverjanja rezultatov modela s preteklim donosom, primerjalnimi vrednostmi in meritvami na terenu ter preprečevanje pretirane samozavesti
"Koliko izdelkov bom dobil s tega področja?" To je najstarejše in najdragocenejše vprašanje v kmetijstvu. Poznavanje pravilnega odgovora; Pomeni načrtovanje trgatve, skladišča, transporta, prodajne pogodbe in financiranja. Če veste, da je napačno, pomeni zapravljanje virov ali nezmožnost slediti. Umetna inteligenca in strojno učenje (ML, metoda, ki se uči vzorcev v podatkih in napoveduje nove situacije) lahko ustvari močne, a nevarno prepričljive odgovore na to vprašanje. Ta enota vas nauči podatkovnih virov za napoved donosa, razlike med dvema osnovnima pristopoma, strojnim učenjem in mehaničnimi modeli, razpon negotovosti v napovedi in – kar je najpomembneje – kako se izogniti pretirani samozavesti.
Od česa je odvisna učinkovitost? vložki
Donos ni odvisen samo od ene stvari; je produkt številnih dejavnikov. Glavni vhodni viri:
- Status rastline: časovne vrste NDVI/NDRE (razvoj biomase) skozi sezono, gostota rastlin, zdravje.
- Tla: pH, OM, KDK, zadrževanje vode, območje upravljanja.
- Vreme/podnebje: kopičenje GDD, padavine in temperatura v kritičnem obdobju, zmrzal/toča.
- Upravljanje: Sorta, datum sajenja, količina gnojila in namakanja, škropljenje.
- Zgodovina: Pridelki istega polja prejšnjega leta (eden najmočnejših posameznih kazalnikov).
AI združuje te vnose (funkcije) in ustvari napoved. Vendar česa ne smemo pozabiti: model pozna le podatke, ki so mu dobavljeni, in vzorce, ki jih vidi v teh podatkih. Če ne navedete oktobrskega datuma, bo ta dejavnik prezrl.
Dva pristopa: strojno učenje proti mehaničnemu modelu
Model strojnega učenja se statističnih vzorcev uči iz primerov "to je donos v teh pogojih" iz preteklih let. Njegova moč: zajame številne spremenljivke in zapletene odnose. Slabost: zaupanje pade, ko so preseženi podatki za usposabljanje (nova sorta, suša brez primere, drugačna regija); težko pojasni, zakaj (»črna skrinjica«).
Mehaniški (na procesu temelječ) model posnema fiziologijo rasti rastlin z enačbami (fotosinteza, ravnotežje med vodo in hranili). Prednosti: bolj zanesljiv, razložljiv v novih razmerah. Slabost: zahteva veliko vnosa in kalibracije, težko ga je nastaviti.
V praksi se to dvoje kombinira in oboje se preveri z meritvijo na terenu. Umetna inteligenca pospeši nastavitev, funkcije in poročanje obeh pristopov.
Velikost
strojno učenje
Mehanski model
Osnovno
Vzorec zgodovinskih podatkov
Fiziološke enačbe
novo stanje
Šibko (tveganje ekstrapolacije)
močnejši
Razložljivost
Nizka (črna škatla)
visoka
Potreba po podatkih
davno pretekli primer
Več parametrov/kalibracija
Vloga AI
Igra + model fikcija
Priprava vpisa, komentar
Nasvet: Preden zaupate napovedi donosa, vprašajte: "Ali so letošnje razmere podobne preteklim, iz katerih se je model učil?" Zaradi nenavadne suše, nove sorte ali druge regije je ocena ML nezanesljiva. V takih primerih razširite območje negotovosti.
Razpon negotovosti: zakaj interval in ne točka?
Dobra ocena pridelka ne pravi "620 kg na hektar"; Pravi "560-680 kg na dekar, najverjetneje 620, zaupanje je srednje." Ker je prihodnost negotova in liho število ustvarja lažno gotovost. december; Omogoča postavitev scenarijev (slab/srednji/dober) in obvladovanje tveganj pri načrtovanju. Pri predvidevanju z umetno inteligenco vedno zahtevajte obseg in stopnjo zaupanja; Bodite skeptični do modela, ki daje liho število.
Trije mini kovčki: po številkah
Primer 1 - Intervalno načrtovanje. Pridelovalec pšenice je imel urejeno delo pri žetvi in prevoz na podlagi enotne ocene (500 kg na hektar). Ko je model, podprt z umetno inteligenco, dal oceno 430-560 kg in "občutljiv na padavine v kritičnem obdobju", je proizvajalec naredil prilagodljiv načrt delavcev. Dejanska teža je bila 445 kg; Čeprav bi togo načrtovanje povzročilo veliko stroškov, je razmik prihranil fleksibilnost.
Primer 2 – Ekstrapolacijska past. En model je napovedal visoke donose na podlagi zgodovinskih podatkov v sušnem letu brez primere. Inženir je ugotovil, da so bili pogoji zunaj podatkov o usposabljanju, in zavrnil napoved ter se vrnil k meritvam na terenu (gostota rastlin, število klasov). Če bi prisluhnili samo modelu, bi bila resna napaka pri načrtovanju.
3. primer – Manjkajoča funkcija. Ena ocena je bila višja od pričakovane; Pri pregledu je bilo razvidno, da dogodek toče ni bil vpisan v model. Ko je bil vnos končan, je napoved realno padla. Nauk: model ve toliko, kolikor mu daš; Pozaba kritičnega dogodka poveča oceno.
Šibek poziv / močan poziv
Šibek poziv:
Koliko donosa bom dobil s tega polja? Daj mi številko.
Močan poziv:
Vaša vloga: Analitik kmetijskih podatkov. DESIGN pristop za napovedovanje donosa (ne izdelava modela, ampak fikcija in interpretacija). Imam vnose: [serija NDVI, tla, GDD, datum sajenja, zgodovinski donos ...]. Naloga:- Pojasnite, katere lastnosti naj uporabim, katere so najbolj odločilne, - Zahtevajte oceno kot INTERVAL in stopnjo zaupanja, ne kot TOČKO.- Ali so letošnje razmere podobne preteklim; Ocenite, ali obstaja nevarnost ekstrapolacije. - Vprašajte o kritičnih vnosih, ki morda manjkajo (toča, zmrzal, bolezen). - Napišite, kako preveriti ocenjeno terensko meritev (število klasov/plodov).
Zmogljiv poziv uveljavlja razmik, preverjanje ekstrapolacije, zaznavanje manjkajočega vnosa in preverjanje polja.
Štiri kopirane predloge
1) Določanje prednosti funkcij:
Po vrstnem redu določitve navedite značilnosti, ki se lahko uporabijo za oceno donosa za naslednji izdelek; Na kratko pojasnite, zakaj je vsak pomemben. Ločeno označite podatke, ki jih nimam, a bodo dragoceni.
2) Razpon negotovosti:
Te ocene ne navedite kot točke, temveč kot spodnji-zgornji obseg in stopnjo zaupanja (visoka/srednja/nizka). Napišite dejavnike, ki zožujejo in širijo obseg.
3) Preverjanje ekstrapolacije:
Primerjajte letošnje razmere (vreme, raznolikost, gospodarjenje) s tipičnimi preteklimi leti. Ali model odstopa od podatkov o usposabljanju? Če da, koliko naj zaupam napovedi?
4) Načrt preverjanja na terenu:
Kako naj izvedem katero meritev (število klasov/plodov na polje, teža zrna), da preverim to oceno pridelka na polju pred žetvijo? Predlagajte načrt vzorčenja.
Pogoste napake
- Zaupanje eni sami številki. Točkovna ocena je lažna natančnost; Vprašajte za obseg in stopnjo zaupanja.
- Neupoštevanje ekstrapolacije. Ocena ML v neobičajnem letu je nezanesljiva; Primerjaj stanje s preteklim.
- Pozabljanje kritičnega vnosa. Če ne vnesete dogodkov, kot so toča, zmrzal in bolezen, bo napoved napihnjena.
- Zapiranje modela na polje. Neposredna meritev, kot je štetje klasov/plodov, je končno sidro; Ne preskočite ga.
- Slepo zaupanje črni skrinjici. Napoved, katere razloga ni mogoče razložiti, ne bi smela postati odločitev, ne da bi bila pod vprašajem.
Pozor: napoved donosa sproži finančne in operativne odločitve (pogodba, posojilo, zaposleni). Zaveza, ki temelji na preveč optimistični napovedi, povzroči resno škodo, če se ne uresniči. Oceno predstavite kot vrsto možnosti in sprejmite kritične zaveze na podlagi previdnega scenarija.
Če povzamem
Napoved donosa je kombinacija številnih vhodnih podatkov (rastlina, prst, vreme, upravljanje, zgodovina). Strojno učenje zajema zapletene vzorce, vendar se njegovo zaupanje zruši, ko preseže podatke o usposabljanju; Mehanski model je bolj zanesljiv v novih pogojih, vendar ga je težko vzpostaviti. Umetna inteligenca pospešuje gradnjo obeh pristopov. Dobra ocena je interval, ne točka, predstavljena s stopnjo zaupanja, preverjena glede tveganja ekstrapolacije in potrjena z meritvijo na terenu. Pretirana samozavest je najdražja napaka; Napoved je možnost, ne zaveza.
Aplikacijska naloga
Navedite (reprezentativne) vnose, ki jih imate za pridelek: večletni pretekli donos, trend NDVI, datum sajenja, padavine v kritičnem obdobju. Pridobite umetno inteligenco za napoved donosa s predlogama »določanje prednosti funkcij« in »vrzel negotovosti« v tej enoti. Nato namenoma odstranite kritični vnos (na primer dogodek toče) in znova vprašajte ter opazujte, kako se napoved spreminja. V enem odstavku napiši, kako boš preveril napoved na njivi pred žetvijo.
kontrolni seznam
- [ ] Želel sem ocenjeno točko, ne obsega in stopnje zaupanja.
- [ ] Primerjal sem letošnje razmere s preteklimi in preveril tveganje ekstrapolacije.
- [ ] Preveril sem, da kritični vnosi (toča, zmrzal, bolezen) ne manjkajo.
- [ ] Primerjal sem ocenjeno preteklo donosnost in primerjalno vrednost.
- [ ] Pripravil sem načrt preverjanja z meritvami na terenu (štetje klasov/plodov).