هوش مصنوعی و تجزیه و تحلیل داده های مزرعه - تکنولوژی کشاورزی Akhdar
تبدیل هوا، آبیاری و سوابق تولید به پیش بینی های قابل درک، با محدودیت های روشن به آنچه که مدل می تواند بداند.
ایده و چرا اهمیت دارد
مدل از داده های گذشته یاد می گیرد؛ بنابراین کیفیت رکورد مهم تر از پیچیدگی الگوریتم است.هر پیش بینی باید با یک تصمیم خاص، مانند زمان آبیاری یا احتمال عفونت ارتباط برقرار کند و باید سطح اعتماد را نشان دهد.
کاربرد عملی
استاندارد کردن نام های میدانی، واحدها و زمان بندی ها، تمیز کردن هر گونه ارزش های از دست رفته و سپس با یک پایه ساده شروع کنید و آن را با آزمون در یک فصل مقایسه کنید که هنوز وارد آموزش نشده و بررسی انسانی برای تصمیم گیری های انتقادی را حفظ کرده است.
چه باید اندازه گیری شود؟
پیگیری خطاهای واقعی، زنگ هشدار های کاذب، پس انداز و سازگاری عملکرد در دسته ها و مکان ها. مانیتور داده ها در هنگام تغییرات سبک آب و هوا یا مدیریت حرکت می کند.
اشتباهات و خطرات برای جلوگیری از
یک مدل صوتی آماری ممکن است به طور عملی بی فایده باشد و همبستگی ثابت نمی کند که از ورود به اطلاعات شخصی غیر ضروری اجتناب می کند و به سیستم اجازه نمی دهد تا بدون احتیاط، یک روش پرخطر را انجام دهد.
خلاصه اکشن
تغییرات آب و هوا، آبیاری و سوابق تولید به پیش بینی های قابل درک، با محدودیت های روشن برای آنچه که مدل می تواند بداند، شروع کوچک، ثبت پایه، سپس مقیاس راه حل پس از اندازه گیری نتیجه و بررسی هزینه ها و خطرات.
تصاویر مرتبط
