人工智能和农场数据分析 Akhdar

想法和原因很重要

该模型从过去的数据中学习;因此,记录的质量比算法的复杂性更重要. 每个预测都应该与灌溉时间或感染概率等具体决定联系起来,并应当显示信任水平.

实际应用

将字段名称,单位,以及时间标准化,清理任何缺失值,然后从简单的基线开始,并将其与模型进行比较. 测试一个尚未进入训练的季节,并保留关键决定的人力审查.

衡量什么?

跟踪实际错误、错误的提醒、节省和不同类别和不同地点的性能一致性。当气候或管理风格发生变化时,监测数据漂移。

错误和风险,以避免

统计上健全的模型实际上可能毫无用处,而关联性并不能证明因果关系。 避免输入不必要的个人数据,不允许系统在没有安全防范的情况下进行高风险程序。

可操作摘要

将天气、灌溉和生产记录转化为可以理解的预测,并明确限制模型所能知道的。 开始小幅,记录基线,然后在衡量结果和审查成本和风险后扩大解决方案。

相关图片