Datavalidering og -behandling

Generering af store mængder data er et almindeligt biprodukt af eksperimentel aktivitet på AI- eller robotbaserede systemer. For at blive værdifulde, f.eks. for at blive brugt til at fokusere produktudvikling, kræver rådata ofte validering (for at verificere deres egnethed til opgaven) og behandling (for at øge dem på en måde, der forbereder deres optimale udnyttelse). Sådanne aktiviteter kan kræve en meget bred vifte af specialiseret ekspertise, der omfatter forskellige elementer såsom knowhow om, hvad der kan forventes af en given type sensor i en specifik eksperimentel tilstand (f.eks. for at opdage, om den tekniske kvalitet af sensorstrømme er underordnet), agronomisk knowhow (f.eks. for at identificere, hvilke af de planter, der optræder i en videostrøm, der i deres vækstfase eller sygdomsstatus svarer til det brugstilfælde, som kunden er mål for), eller evnen til at skrive brugerdefineret omkodningssoftware (f.eks. for at gøre dataene kompatible med en given softwarepakke). Denne service giver kunden adgang til en ekspertgruppe af ingeniører og agronomer, der kollektivt besidder hele spektret af evner til at udføre alle de ovennævnte dataoperationer og meget mere. Når det er nødvendigt, leverer tjenesten også de behandlingsressourcer, der er nødvendige for udførelsen af komplekse databehandlingsopgaver.

Varigheden af denne tjeneste afhænger i høj grad af den type behandling, som kunden kræver, samt af mængden af data, der skal behandles. Som en retningslinje, i typiske tilfælde tjenesten kan kræve 3-4 uger.Forberedelsesfasen af tjenesten indebærer en eller flere interviews, hvor kunden deler med agrifoodTEF oplysninger om de data, der skal behandles, og de mål, de har brug for at nå gennem en sådan behandling. Der kan anmodes om yderligere oplysninger (f.eks. de tekniske specifikationer for de (del)systemer, der anvendes til at generere dataene) for at muliggøre aktiviteterne i agrifoodTEF. alle fortrolige oplysninger vil blive delt under NDA. Den foreløbige udveksling af oplysninger efterfølges af fremsendelsen til agrifoodTEF af de data, der skal behandles. Fremsendelse kan f.eks. ske ved at give agrifoodTEF enten en kopi af dataene eller adgang til et register, hvor dataene er lagret.Ved tjenestens afslutning modtager kunden de behandlede data og en rapport med en detaljeret beskrivelse af alle problemer, der er konstateret i de oprindelige data (hvis nogen), og den indvirkning, de har haft på de udvidede data, der leveres af tjenesten.

Denne servicebeskrivelse er bevidst generisk. Hvert tilfælde af denne service er faktisk tilpasset for at tilpasse den til den specifikke kundes behov og krav. Følgende er et eksempel på en tjenesteforekomst.Eksempeltjeneste: I forbindelse med autonom overvågning af vinstokkenes hydriske stress har kunden allerede indsamlet hyperspektrale og RGB-billeder af Red Globe-klaser i deres lokaler. Kunden anmoder om service S00115 (datavalidering og -behandling) for at forberede dataene til brug i AI-træning.Ved at analysere dette datasæt bemærker vi, at 10 % af de leverede rammer er beskadiget; Derfor fortsætter vi med at filtrere de beskadigede rammer, så de ikke påvirker inferensmodellen negativt. For at forbedre kvaliteten af de hyperspektrale data anvender vi hensigtsmæssige støjreduktionsmetoder på dataene. Derudover lad os antage, at kundedataene alle blev indsamlet i et enkelt løb kl. 9:00. I dette tilfælde ville vi diversificere lysstyrken af RGB-billeder i efterbehandling for at opnå et mere heterogent og rigt sæt, der ligner forskellige lysforhold.