Modeltræning af AI-landbrugsfødevarerelaterede algoritmer

AI-modeluddannelsestjenesten i TEF-infrastruktur imødekommer kritiske behov i landbrugsfødevaresektoren: Det gør det muligt at forbedre eksisterende AI-modeller og giver computerkraft til at køre eksisterende algoritmer i stor skala. Før du bruger denne tjeneste, kan kunderne have udviklet algoritmer, men mangler den beregningsmæssige kapacitet til at træne eller køre dem effektivt på store datasæt. Efter at have brugt denne service, kan de overvinde disse begrænsninger. 

AI-modeluddannelsestjenesten i TEF-infrastrukturen er allerede tilgængelig til udførelse. Kundekrav indfanges i første omgang i et interview (online eller ansigt til ansigt) mellem tjenesteudbyderen og kunden. Derefter kan vi indstille den tid, der er nødvendig for at udføre det (fra ca. en måned til flere uger). Tjenesten udføres eksternt i digital infrastruktur beliggende i Vigo (Spanien), så kunderne kunne få adgang til tjenesten eksternt uanset deres placering. Som følge heraf vil kunden modtage dokumentation om træningsprocessen, selve AI-modellen og en brugervejledning for at vide, hvordan man bruger den. Kunden bør levere de data, der er nødvendige for at træne AI-modellen, og eventuelt en modelprototype, som kunden allerede har trænet. Hvis kunden mangler de nødvendige data, kan TEF'en levere dem gennem en datasætleveringstjeneste som disse (se Relaterede tjenester). 

Som et generisk eksempel kan en virksomhed, der har udviklet et prædiktivt system til at hjælpe landbrugere i nogle landbrugsfødevareprocesser, forbedre systemet med nye data ved hjælp af TEF-infrastruktur. Hvis kunden leverer en modelprototype, skal den trænes med en af de vigtigste maskinlæringsudviklingsteknologier i Python-sproget, som scikit-lær, CatBoost, XGBoost, LightGBM, PyTorch, Keras, TensorFlow osv. Som et mere specifikt eksempel har virksomheden VineGuard Analytics udviklet et prædiktivt system, der hjælper vinproducenterne med at optimere deres druehøstplan ved at forudsige det optimale høstvindue 2 uger i forvejen. Systemet analyserer data fra: Jordfugtighedssensorer. Lokale vejrstationers aflæsninger (temperatur, fugtighed, nedbør). Historiske høstdatoer og kvalitetsvurderinger. Målinger af sukkerindholdet i druer.Satellitbilleder af vinmarkernes sundhedstilstand. For at forbedre deres model nøjagtighed, VineGuard ønsker at indarbejde nye data fra deres kunders vinmarker. Hver kunde tilbyder: Tre års historiske data, herunder: Daglige sensoraflæsninger i CSV-format. -Høstdatoer og tilsvarende vinkvalitetsscorer.Ugentlige drueanalyseresultater. -En forududdannet XGBoost-model (Python 3.8+), der: Tager 14 input funktioner (vejr, jord og drue målinger). Udleder en score for høstparathed (0-100). -Bruger standard scikit-lær forbehandling rørledninger. Er versionen styres gennem Git. Modellen vil blive omskolet til TEF-infrastruktur ved hjælp af de kombinerede historiske datasæt fra flere vinmarker, samtidig med at datafortroligheden mellem kunderne bevares. Den forbedrede model har til formål at reducere høsttidsfejl fra ±5 dage til ±3 dage.