กำไร:
- ความสามารถในการอธิบายแหล่งข้อมูลที่ใช้ในการทำนายผลผลิต และความแตกต่างระหว่างการเรียนรู้ของเครื่องและแบบจำลองกลไก
- ความสามารถในการกำหนดค่าการตั้งค่าการคาดการณ์ผลตอบแทน คุณลักษณะ และช่วงความไม่แน่นอนด้วย AI
- ความสามารถในการตรวจสอบเอาต์พุตของโมเดลด้วยผลตอบแทนในอดีต การวัดประสิทธิภาพ และการวัดภาคสนาม และป้องกันความมั่นใจมากเกินไป
"ฉันจะได้ผลิตภัณฑ์เท่าไรจากสาขานี้" นี่เป็นคำถามที่เก่าแก่และมีคุณค่าที่สุดในภาคเกษตรกรรม รู้คำตอบที่ถูกต้อง มันหมายถึงการวางแผนผู้ปฏิบัติงานเก็บเกี่ยว คลังสินค้า การขนส่ง สัญญาการขาย และการจัดหาเงินทุน การรู้ผิดหมายถึงการสิ้นเปลืองทรัพยากรหรือไม่สามารถตามทันได้ ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องจักร (ML ซึ่งเป็นวิธีการที่เรียนรู้รูปแบบของข้อมูลและคาดการณ์สถานการณ์ใหม่) สามารถสร้างคำตอบที่ทรงพลังแต่น่าเชื่อถือสำหรับคำถามนี้ หน่วยนี้จะสอนคุณเกี่ยวกับแหล่งข้อมูลของการทำนายผลผลิต ความแตกต่างระหว่างวิธีพื้นฐานสองวิธี แมชชีนเลิร์นนิงและแบบจำลองกลไก ช่วงของความไม่แน่นอนในการทำนาย และที่สำคัญที่สุดคือวิธีหลีกเลี่ยงความมั่นใจมากเกินไป
ประสิทธิภาพขึ้นอยู่กับอะไร? อินพุต
ผลผลิตไม่ได้ขึ้นอยู่กับสิ่งเดียวเท่านั้น เป็นผลผลิตจากหลายปัจจัย แหล่งอินพุตหลัก:
- สถานะของพืช: อนุกรมเวลา NDVI/NDRE (การพัฒนาชีวมวล) ข้ามฤดูกาล ความหนาแน่นของพืช สุขภาพ
- ดิน: pH, OM, KDK, การกักเก็บน้ำ, เขตการจัดการ
- สภาพอากาศ/ภูมิอากาศ: การสะสม GDD, ปริมาณฝนและอุณหภูมิในช่วงวิกฤต, เหตุการณ์น้ำค้างแข็ง/ลูกเห็บ
- การจัดการ: ความหลากหลาย วันที่ปลูก ปริมาณปุ๋ยและการชลประทาน การฉีดพ่น
- ประวัติ: อัตราผลตอบแทนของปีที่แล้วในสาขาเดียวกัน (หนึ่งในตัวชี้วัดเดี่ยวที่แข็งแกร่งที่สุด)
AI จะรวมอินพุต (คุณสมบัติ) เหล่านี้และสร้างการคาดการณ์ แต่สิ่งที่ไม่ควรลืม: โมเดลรู้เฉพาะข้อมูลที่ป้อนและรูปแบบที่เห็นในข้อมูลนั้น หากคุณไม่ระบุวันที่ในเดือนตุลาคม ระบบจะเพิกเฉยต่อปัจจัยนั้น
สองแนวทาง: การเรียนรู้ของเครื่องเทียบกับแบบจำลองกลไก
โมเดลการเรียนรู้ของเครื่องเรียนรู้รูปแบบทางสถิติจากตัวอย่าง "นี่คือผลลัพธ์ในเงื่อนไขเหล่านี้" ของปีที่ผ่านมา จุดแข็ง: จับตัวแปรได้มากมายและความสัมพันธ์ที่ซับซ้อน จุดอ่อน: ความเชื่อมั่นลดลงเมื่อเกินข้อมูลการฝึกอบรม (พันธุ์ใหม่ ความแห้งแล้งอย่างที่ไม่เคยเกิดขึ้นมาก่อน ภูมิภาคที่แตกต่างกัน) พยายามดิ้นรนเพื่ออธิบายว่าทำไม (“กล่องดำ”)
แบบจำลองกลไก (ตามกระบวนการ) เลียนแบบสรีรวิทยาการเจริญเติบโตของพืชด้วยสมการ (การสังเคราะห์ด้วยแสง ความสมดุลของสารอาหารและน้ำ) จุดแข็ง: เชื่อถือได้มากขึ้น อธิบายได้ภายใต้เงื่อนไขใหม่ จุดอ่อน: ต้องใช้อินพุตและการสอบเทียบจำนวนมาก ตั้งค่าได้ยาก
ในทางปฏิบัติ ทั้งสองอย่างจะรวมกันและทั้งสองอย่างได้รับการตรวจสอบโดยการวัดภาคสนาม ปัญญาประดิษฐ์ช่วยเร่งการตั้งค่า คุณลักษณะ และการรายงานของทั้งสองแนวทาง
ขนาด
การเรียนรู้ของเครื่อง
แบบจำลองทางกล
ขั้นพื้นฐาน
รูปแบบข้อมูลทางประวัติศาสตร์
สมการทางสรีรวิทยา
สภาพใหม่
อ่อนแอ (เสี่ยงต่อการคาดการณ์)
แข็งแกร่งขึ้น
อธิบายได้
ต่ำ (กล่องดำ)
สูง
ความต้องการข้อมูล
ตัวอย่างที่ผ่านมานาน
หลายพารามิเตอร์/การสอบเทียบ
บทบาทของเอไอ
ฟีเจอร์+โมเดลนิยาย
การเตรียมตัวเข้าแสดงความคิดเห็น
เคล็ดลับ: ก่อนที่จะเชื่อถือการคาดการณ์อัตราผลตอบแทน ให้ถาม: “เงื่อนไขของปีนี้คล้ายกับที่โมเดลได้เรียนรู้ในอดีตหรือไม่” ความแห้งแล้งที่ผิดปกติ พันธุ์ใหม่ หรือภูมิภาคอื่น ทำให้การประมาณค่า ML ไม่น่าเชื่อถือ ในกรณีเช่นนี้ ให้ขยายช่วงความไม่แน่นอน
ช่วงความไม่แน่นอน: ทำไมต้องเป็นช่วงและไม่ชี้?
การประมาณผลผลิตที่ดีไม่ได้บอกว่า "620 กิโลกรัมต่อเดแคร์"; เขาบอกว่า "560-680 กก. ต่อเดแคร์ เป็นไปได้มากที่สุดคือ 620 ความเชื่อมั่นอยู่ในระดับปานกลาง" เพราะอนาคตเป็นสิ่งที่ไม่แน่นอนและเลขคี่สร้างความแน่นอนที่ผิดพลาด ธันวาคม; ช่วยให้สามารถตั้งค่าสถานการณ์ (แย่/ปานกลาง/ดี) และจัดการความเสี่ยงในการวางแผน ควรถามถึงระยะและระดับความมั่นใจเสมอเมื่อทำการทำนายโดย AI จงสงสัยโมเดลที่ให้เลขคี่
คดีเล็กๆ สามคดี: ตามตัวเลข
กรณีที่ 1 - การวางแผนช่วง ผู้ผลิตข้าวสาลีรายหนึ่งได้จัดเตรียมแรงงานในการเก็บเกี่ยวและการขนส่งตามการประมาณการจุดเดียว (500 กิโลกรัมต่อเดแคร์) เมื่อโมเดลที่รองรับ AI ให้คะแนน 430-560 กก. และ "ไวต่อปริมาณน้ำฝนในช่วงวิกฤติ" ผู้ผลิตจึงจัดทำแผนพนักงานที่ยืดหยุ่น น้ำหนักจริงคือ 445 กก. แม้ว่าการวางแผนที่เข้มงวดจะทำให้เกิดค่าใช้จ่ายมาก แต่การเว้นระยะห่างก็ช่วยรักษาความยืดหยุ่นไว้
กรณีที่ 2 - กับดักการคาดการณ์ แบบจำลองหนึ่งทำนายผลตอบแทนสูงโดยอิงจากข้อมูลในอดีตในช่วงปีแล้งซึ่งมีความรุนแรงอย่างที่ไม่เคยเกิดขึ้นมาก่อน วิศวกรตระหนักว่าเงื่อนไขอยู่นอกเหนือข้อมูลการฝึกอบรม และปฏิเสธการคาดการณ์ และกลับสู่การวัดภาคสนาม (ความหนาแน่นของพืช จำนวนหู) มันจะเป็นข้อผิดพลาดในการวางแผนที่ร้ายแรงหากฟังแบบจำลองเพียงลำพัง
กรณีที่ 3 - คุณสมบัติที่ขาดหายไป ประมาณการหนึ่งสูงกว่าที่คาดไว้ เมื่อตรวจสอบพบว่าไม่มีเหตุการณ์ลูกเห็บเข้ามาในแบบจำลอง เมื่อป้อนข้อมูลเสร็จสิ้น การทำนายก็ลดลงตามความเป็นจริง บทเรียน: โมเดลจะรู้มากเท่าที่คุณให้เท่านั้น การลืมเหตุการณ์สำคัญจะทำให้ค่าประมาณสูงขึ้น
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ฉันจะได้รับผลตอบแทนเท่าไรจากสาขานี้? ให้เบอร์มาครับ.
พรอมต์อันทรงพลัง:
บทบาทของคุณ: นักวิเคราะห์ข้อมูลการเกษตร ออกแบบวิธีการทำนายผลตอบแทน (ไม่ใช่การสร้างแบบจำลอง แต่เป็นนิยายและการตีความ) ฉันมีข้อมูลเข้า: [ซีรีส์ NDVI, ดิน, GDD, วันที่ปลูก, ผลผลิตในอดีต...] ภารกิจ:- อธิบายว่าฉันควรใช้ฟีเจอร์ใดซึ่งเป็นการตัดสินใจที่ชัดเจนที่สุด - ขอค่าประมาณเป็น INTERVAL และระดับความเชื่อมั่น ไม่ใช่ POINT- เงื่อนไขของปีนี้คล้ายกับอดีตหรือไม่ ประเมินว่ามีความเสี่ยงของการคาดการณ์หรือไม่ - ถามเกี่ยวกับข้อมูลสำคัญที่อาจขาดหายไป (ลูกเห็บ น้ำค้างแข็ง โรค) - เขียนวิธีการตรวจสอบการวัดภาคสนามโดยประมาณ (จำนวนหู/ผล)
พรอมต์ที่มีประสิทธิภาพบังคับใช้การเว้นวรรค การตรวจสอบการประมาณค่า การตรวจจับอินพุตที่ขาดหายไป และการตรวจสอบภาคสนาม
เทมเพลตที่คัดลอกได้สี่แบบ
1) การจัดลำดับความสำคัญของคุณสมบัติ:
รายการตามลำดับการตัดสินใจ คุณลักษณะที่สามารถใช้เพื่อประมาณผลผลิตสำหรับผลิตภัณฑ์ต่อไปนี้ อธิบายสั้นๆ ว่าเหตุใดแต่ละข้อจึงมีความสำคัญ ทำเครื่องหมายแยกข้อมูลที่ฉันไม่มีแต่จะมีคุณค่า
2) ช่วงความไม่แน่นอน:
ให้ค่าประมาณนี้ไม่ใช่เป็นจุด แต่ให้ประเมินเป็นช่วงบน-ล่าง และระดับความเชื่อมั่น (สูง/กลาง/ต่ำ) เขียนปัจจัยที่ทำให้ช่วงแคบลงและกว้างขึ้น
3) การตรวจสอบการคาดการณ์:
เปรียบเทียบสภาวะของปีนี้ (สภาพอากาศ ความหลากหลาย การจัดการ) กับปีที่ผ่านมาโดยทั่วไป โมเดลเบี่ยงเบนไปจากข้อมูลการฝึกหรือไม่ ถ้าเป็นเช่นนั้นฉันควรเชื่อคำทำนายได้มากแค่ไหน?
4) แผนการตรวจสอบภาคสนาม:
ฉันจะใช้การวัดแบบใด (จำนวนรวง/ผลไม้ต่อแปลง น้ำหนักเมล็ดพืช) เพื่อตรวจสอบประมาณการผลผลิตในแปลงก่อนเก็บเกี่ยวได้อย่างไร เสนอแนะแผนการสุ่มตัวอย่าง
ข้อผิดพลาดทั่วไป
- เชื่อเลขเดียว.. การประมาณจุดเป็นความแม่นยำที่ผิดพลาด ขอระยะและระดับความมั่นใจ
- ละเลยการคาดการณ์ การประมาณการ ML ในปีที่ผิดปกตินั้นไม่น่าเชื่อถือ เปรียบเทียบสภาพกับอดีต
- ลืมอินพุตที่สำคัญ หากคุณไม่เข้าร่วมเหตุการณ์ต่างๆ เช่น ลูกเห็บ น้ำค้างแข็ง และโรคภัยไข้เจ็บ การคาดการณ์จะสูงเกินจริง
- ปิดโมเดลลงสนาม การวัดโดยตรง เช่น การนับจำนวนต้น/ผล ถือเป็นจุดยึดสุดท้าย อย่าข้ามมัน
- สุ่มสี่สุ่มห้าเชื่อกล่องดำ การทำนายที่ไม่สามารถอธิบายเหตุผลได้ไม่ควรถือเป็นการตัดสินใจโดยไม่ถูกตั้งคำถาม
ข้อควรระวัง: การคาดการณ์ผลตอบแทนจะกระตุ้นให้เกิดการตัดสินใจทางการเงินและการดำเนินงาน (สัญญา เงินกู้ พนักงาน) ความมุ่งมั่นบนพื้นฐานของการคาดการณ์ในแง่ดีมากเกินไปจะทำให้เกิดความเสียหายร้ายแรงหากไม่เป็นจริง นำเสนอการประมาณการตามความเป็นไปได้ต่างๆ และให้ข้อผูกพันที่สำคัญตามสถานการณ์ที่ต้องระมัดระวัง
โดยสรุป
การทำนายผลผลิตเป็นการผสมผสานปัจจัยหลายอย่างเข้าด้วยกัน (พืช ดิน สภาพอากาศ การจัดการ ประวัติศาสตร์) การเรียนรู้ของเครื่องจับรูปแบบที่ซับซ้อน แต่ความมั่นใจกลับพังทลายลงเมื่อไปไกลกว่าข้อมูลการฝึกอบรม แบบจำลองทางกลไกมีความน่าเชื่อถือมากกว่าในสภาพใหม่แต่สร้างได้ยาก ปัญญาประดิษฐ์ช่วยเร่งการสร้างทั้งสองแนวทาง การประมาณการที่ดีคือช่วง ไม่ใช่จุด ซึ่งแสดงด้วยระดับความเชื่อมั่น ตรวจสอบความเสี่ยงของการประมาณค่า และตรวจสอบโดยการวัดภาคสนาม ความมั่นใจมากเกินไปเป็นความผิดพลาดที่แพงที่สุด การทำนายคือความเป็นไปได้ ไม่ใช่ข้อผูกมัด
งานสมัคร
แสดงรายการปัจจัยการผลิต (ตัวแทน) ที่คุณมีสำหรับการเพาะปลูก: ผลผลิตในอดีตหลายปี แนวโน้ม NDVI วันที่ปลูก ปริมาณน้ำฝนในช่วงวิกฤต ให้ AI คาดการณ์ผลตอบแทนด้วยเทมเพลต "การจัดลำดับความสำคัญของคุณลักษณะ" และ "ช่องว่างความไม่แน่นอน" ในหน่วยนี้ จากนั้น จงใจลบข้อมูลที่สำคัญ (เช่น เหตุการณ์ลูกเห็บ) และถามอีกครั้งและสังเกตว่าการทำนายเปลี่ยนแปลงไปอย่างไร เขียนในหนึ่งย่อหน้าว่าคุณจะตรวจสอบการคาดการณ์ในทุ่งนาก่อนเก็บเกี่ยวอย่างไร
รายการตรวจสอบ
- [ ] ฉันต้องการจุดประมาณ ไม่ใช่ช่วงและระดับความเชื่อมั่น
- [ ] ฉันเปรียบเทียบเงื่อนไขของปีนี้กับอดีตและตรวจสอบความเสี่ยงของการคาดการณ์
- [ ] ฉันตรวจสอบว่าข้อมูลสำคัญ (ลูกเห็บ น้ำค้างแข็ง โรค) ไม่หายไป
- [ ] ฉันเปรียบเทียบผลตอบแทนในอดีตโดยประมาณกับเกณฑ์มาตรฐาน
- [ ] ฉันจัดทำแผนการตรวจสอบด้วยการวัดภาคสนาม (จำนวนหู/ผล)