Formål og omfang
AI og robotteknologi transformerer landbruget, men løsninger, der klarer sig godt i demonstrationer, kan kæmpe, når de implementeres i marken. Begrænsede computerressourcer, heterogen hardware, upålidelige tilslutningsmuligheder og ufuldkomne sensordata kan alle påvirke systemets ydeevne og pålidelighed.
Gennem agrifoodTEF tilbyder FBK benchmarking- og valideringstjenester til SMV'er og startups for at vurdere deres teknologier under realistiske driftsforhold, identificere begrænsninger og vejlede forbedringer før implementering i marken.
Præsentationen vil trække på tre ansøgninger: et frugtplantagesystem til æbletælling og -størrelse, en beslutningsstøtteløsning til vanding af vinmarker og et kant-AI-system til påvisning af græsgræssygdomme. Disse cases illustrerer komplementære valideringsmetoder, fra softwareydelse og stresstest til feltbaseret sensorsammenligning. For softwareintensive applikationer har FBK udviklet et benchmarkingværktøjssæt baseret på open source-værktøjer, der muliggør gentagelige eksperimenter på ægte edge-hardware, identificerer behandlingsflaskehalse og afslører pålidelighedsrisici under stigende arbejdsbelastninger.
Ved at dele praktiske resultater og erfaringer vil præsentationen vise, hvordan evidensbaseret validering inden for agrifoodTEF hjælper virksomheder med at træffe bedre design- og implementeringsbeslutninger.
Læringsmål
- Udfordringer med hensyn til parathed i marken: forstå de vigtigste faktorer, såsom begrænset databehandling, heterogen hardware, ustabil forbindelse og støjende sensordata, der forårsager, at AI- og robotteknologiløsninger underpræsterer uden for laboratoriet.
- Valideringstilgange: undersøge supplerende metoder til vurdering af landbrugsfødevareteknologier, herunder softwarebenchmarking, stresstest og feltbaseret sensorsammenligning.
- Benchmarking på kanten: Lær, hvordan gentagelige eksperimenter på ægte kanthardware kan afsløre behandlingsflaskehalse og pålidelighedsrisici under stigende arbejdsbelastninger.
- støtte til landbrugsfødevare-TEF: finde ud af, hvilke benchmarking- og valideringstjenester FBK tilbyder gennem agrifoodTEF, og hvordan SMV'er og nystartede virksomheder kan få adgang til dem.
Læringsudbytte
- Risikobevidsthed: identificere de tekniske begrænsninger, der med størst sandsynlighed vil påvirke en AI- eller robotløsning, når man går fra demonstration til reelle driftsforhold.
- Valg af metode: vælge den valideringsmetode, der passer bedst til en given applikation, uanset om den er softwareintensiv, sensorbaseret eller begge dele.
- Evidensbaserede afgørelser: fortolke benchmarking- og testresultater for at guide designforbedringer, hardwarevalg og implementeringsstrategier.
- Erfaringer fra praksis: anvende indsigter fra frugtplantager, vinmarker og græsarealer for at forudse og undgå almindelige faldgruber i dine egne projekter.
Hvem bør deltage?
- Nystartede landbrugsteknologiske virksomheder og SMV'er
- AI- og robotteknologiudviklere
- Produkt- og tekniske ledere
- Forskere og innovationsrådgivere
Gennemførelse af kunstig intelligens
Data (dataområde/bigdata)
Software-/AI-model