Modellschulung von KI-Algorithmen im Agrarlebensmittelbereich

Der Schulungsdienst für KI-Modelle in der TEF-Infrastruktur deckt kritische Bedürfnisse im Agrar- und Lebensmittelsektor ab: Es ermöglicht die Verbesserung bestehender KI-Modelle und bietet die Rechenleistung, um bestehende Algorithmen in großem Maßstab auszuführen. Vor der Nutzung dieses Dienstes haben Kunden möglicherweise Algorithmen entwickelt, aber es fehlt ihnen die Rechenkapazität, um sie effektiv auf großen Datensätzen zu trainieren oder auszuführen. Nach der Nutzung dieses Dienstes können sie diese Einschränkungen überwinden. 

Der Schulungsservice für KI-Modelle in der TEF-Infrastruktur ist bereits verfügbar. Die Kundenanforderungen werden zunächst in einem Interview (online oder von Angesicht zu Angesicht) zwischen dem Dienstleister und dem Kunden erfasst. Dann können wir die Zeit einstellen, die benötigt wird, um es auszuführen (von etwa einem Monat bis zu mehreren Wochen). Der Service wird aus der Ferne in einer digitalen Infrastruktur in Vigo (Spanien) ausgeführt, sodass die Kunden unabhängig von ihrem Standort aus der Ferne auf den Service zugreifen können. Als Ergebnis erhält der Kunde eine Dokumentation über den Schulungsprozess, das KI-Modell selbst und ein Benutzerhandbuch, um zu wissen, wie man es benutzt. Der Kunde sollte die Daten bereitstellen, um das KI-Modell und optional einen Modellprototyp zu trainieren, den der Kunde bereits geschult hat. Wenn dem Kunden die benötigten Daten fehlen, könnte die TEF sie über einen Datensatzbereitstellungsdienst wie diesen bereitstellen (siehe Verwandte Dienste). 

Als allgemeines Beispiel kann ein Unternehmen, das ein prädiktives System entwickelt hat, um Landwirte in einem Agrarlebensmittelprozess zu unterstützen, das System mit neuen Daten unter Verwendung der TEF-Infrastruktur verbessern.Der Kunde sollte die Daten zur Verfügung stellen, um das Modell zu trainieren. Wenn der Kunde einen Modellprototyp zur Verfügung stellt, sollte er mit einer der wichtigsten Entwicklungstechnologien für maschinelles Lernen in der Python-Sprache wie Scikit-Learn, CatBoost, XGBoost, LightGBM, PyTorch, Keras, TensorFlow usw. geschult werden. Als konkreteres Beispiel hat die Firma VineGuard Analytics ein prädiktives System entwickelt, das Weinerzeugern hilft, ihren Traubenleseplan zu optimieren, indem sie das optimale Erntefenster 2 Wochen im Voraus vorhersagen. Das System analysiert Daten aus: Bodenfeuchtesensoren. -Lokale Messwerte der Wetterstation (Temperatur, Luftfeuchtigkeit, Niederschlag). -Historische Erntedaten und Qualitätsbewertungen. -Messungen des Rapszuckergehalts.Satellitenbilder der Gesundheit der Weinberge. Um die Genauigkeit ihres Modells zu verbessern, möchte VineGuard neue Daten aus den Weinbergen ihrer Kunden integrieren. Jeder Kunde bietet: -Drei Jahre historische Daten, einschließlich: Tägliche Sensormessungen im CSV-Format. -Erntedaten und entsprechende Weinqualitätswerte.Wöchentliche Ergebnisse der Traubenanalyse. -ein vortrainiertes XGBoost-Modell (Python 3.8+), das: Nimmt 14 Eingabemerkmale (Wetter-, Boden- und Traubenmetriken) auf. -Ergibt einen Erntebereitschaftswert (0-100). -Verwendet Standard-Scikit-Learn-Vorverarbeitungspipelines. -Ist die Version durch Git gesteuert. Das Modell wird auf der TEF-Infrastruktur unter Verwendung der kombinierten historischen Datensätze aus mehreren Weinbergen unter Wahrung des Datenschutzes zwischen den Kunden umgeschult. Das verbesserte Modell zielt darauf ab, Erntezeitfehler von ±5 Tagen auf ±3 Tage zu reduzieren.