Formación de modelos de algoritmos relacionados con la IA agroalimentaria

El servicio de formación de modelos de IA en infraestructuras TEF aborda necesidades críticas en el sector agroalimentario: permite la mejora de los modelos de IA existentes y proporciona la potencia computacional para ejecutar algoritmos existentes a escala. Antes de usar este servicio, los clientes pueden haber desarrollado algoritmos pero carecen de la capacidad computacional para entrenarlos o ejecutarlos de manera efectiva en grandes conjuntos de datos. Después de utilizar este servicio, pueden superar estas limitaciones. 

El servicio de entrenamiento de modelos de IA en la infraestructura TEF ya está disponible para ejecutar. Los requisitos del cliente se capturan inicialmente en una entrevista (en línea o cara a cara) entre el proveedor de servicios y el cliente. Luego, podemos establecer el tiempo necesario para ejecutarlo (de aproximadamente un mes a varias semanas). El servicio se ejecuta de forma remota en una infraestructura digital ubicada en Vigo (España), por lo que los clientes pueden acceder al servicio de forma remota independientemente de su ubicación. Como resultado, el cliente recibirá documentación sobre el proceso de entrenamiento, el propio modelo de IA y un manual de usuario para saber cómo usarlo. El cliente debe proporcionar los datos para entrenar el modelo de IA y, opcionalmente, un prototipo de modelo que el cliente ya haya entrenado. Si el cliente carece de los datos necesarios, el TEF podría proporcionarlos a través de un servicio de provisión de conjuntos de datos, como estos (consulte Servicios relacionados). 

Como ejemplo genérico, una empresa que ha desarrollado un sistema predictivo para ayudar a los agricultores en algún proceso agroalimentario puede mejorar el sistema con nuevos datos utilizando la infraestructura TEF. El cliente debe proporcionar los datos para entrenar el modelo. En caso de que el cliente proporcione un prototipo de modelo, debe ser entrenado con una de las principales tecnologías de desarrollo de aprendizaje automático en el lenguaje Python, como scikit-learn, CatBoost, XGBoost, LightGBM, PyTorch, Keras, TensorFlow, etc. Como ejemplo más específico, la empresa VineGuard Analytics ha desarrollado un sistema predictivo que ayuda a los productores de vino a optimizar su calendario de vendimia al pronosticar la ventana de vendimia óptima con 2 semanas de anticipación. El sistema analiza datos de: Sensores de humedad del suelo. Lecturas de estaciones meteorológicas locales (temperatura, humedad, precipitaciones). -Fechas históricas de cosecha y clasificaciones de calidad. -Medidas del contenido de azúcar de la uva.Imágenes satelitales de la salud del viñedo. Para mejorar la precisión de su modelo, VineGuard quiere incorporar nuevos datos de los viñedos de sus clientes. Cada cliente proporciona: Tres años de datos históricos, incluyendo:Lecturas diarias del sensor en formato CSV. -Fechas de cosecha y puntuaciones de calidad del vino correspondientes.Resultados semanales del análisis de uva. -Un modelo XGBoost preentrenado (Python 3.8+) que: -Toma 14 características de entrada (clima, suelo y métricas de uva). -Resulta una puntuación de preparación para la cosecha (0-100). Utiliza tuberías de preprocesamiento estándar scikit-learn. -Se controla la versión a través de Git. El modelo se volverá a entrenar en la infraestructura de TEF utilizando los conjuntos de datos históricos combinados de múltiples viñedos mientras se mantiene la privacidad de los datos entre los clientes. El modelo mejorado tiene como objetivo reducir los errores de tiempo de cosecha de ±5 días a ±3 días.