Formazione su modelli di algoritmi relativi all'IA nel settore agroalimentare

Il servizio di formazione sul modello di IA nell'infrastruttura TEF risponde a esigenze critiche nel settore agroalimentare: consente il miglioramento dei modelli di IA esistenti e fornisce la potenza di calcolo per eseguire algoritmi esistenti su larga scala. Prima di utilizzare questo servizio, i clienti potrebbero aver sviluppato algoritmi ma non hanno la capacità computazionale per addestrarli o eseguirli in modo efficace su set di dati di grandi dimensioni. Dopo aver utilizzato questo servizio, possono superare queste limitazioni. 

Il servizio di formazione sul modello di IA nell'infrastruttura TEF è già disponibile per l'esecuzione. I requisiti del cliente vengono inizialmente catturati in un'intervista (online o faccia a faccia) tra il fornitore di servizi e il cliente. Quindi, possiamo impostare il tempo necessario per eseguirlo (da circa un mese a diverse settimane). Il servizio viene eseguito da remoto in un'infrastruttura digitale situata a Vigo (Spagna), in modo che i clienti possano accedere al servizio da remoto indipendentemente dalla loro posizione. Di conseguenza, il cliente riceverà la documentazione sul processo di formazione, il modello di IA stesso e un manuale utente per sapere come usarlo. Il cliente dovrebbe fornire i dati per addestrare il modello di IA e, facoltativamente, un prototipo di modello che il cliente ha già addestrato. Se al cliente mancano i dati necessari, il TEF potrebbe fornirli attraverso un servizio di fornitura di set di dati, come questi (vedere Servizi correlati). 

Come esempio generico, un'azienda che ha sviluppato un sistema predittivo per assistere gli agricoltori in alcuni processi agroalimentari può migliorare il sistema con nuovi dati utilizzando l'infrastruttura TEF. Il cliente dovrebbe fornire i dati per addestrare il modello. Nel caso in cui il cliente fornisca un prototipo di modello, dovrebbe essere addestrato con una delle principali tecnologie di sviluppo del machine learning in linguaggio Python, come scikit-learn, CatBoost, XGBoost, LightGBM, PyTorch, Keras, TensorFlow, ecc. Come esempio più specifico, l'azienda VineGuard Analytics ha sviluppato un sistema predittivo che aiuta i produttori di vino a ottimizzare il loro programma di raccolta delle uve prevedendo la finestra di raccolta ottimale con 2 settimane di anticipo. Il sistema analizza i dati provenienti da: Sensori di umidità del suolo. letture locali della stazione meteorologica (temperatura, umidità, precipitazioni). -Date storiche del raccolto e valutazioni della qualità. -Misurazioni del tenore di zucchero nell'uva.Immagini satellitari della salute dei vigneti. Per migliorare l'accuratezza del loro modello, VineGuard vuole incorporare nuovi dati dai vigneti dei loro clienti. Ogni cliente fornisce: Tre anni di dati storici, tra cui: letture giornaliere dei sensori in formato CSV. -Date di vendemmia e corrispondenti punteggi di qualità del vino.Risultati dell'analisi settimanale dell'uva. -Un modello XGBoost pre-addestrato (Python 3.8+) che: -Prende 14 caratteristiche di input (tempo, suolo e metriche dell'uva). -Utilizza un punteggio di prontezza al raccolto (0-100). -Utilizza tubazioni standard di pre-elaborazione scikit-learn. -La versione è controllata tramite Git. Il modello sarà riqualificato sull'infrastruttura TEF utilizzando i set di dati storici combinati di più vigneti, mantenendo al contempo la privacy dei dati tra i clienti. Il modello migliorato mira a ridurre gli errori di temporizzazione del raccolto da ± 5 giorni a ± 3 giorni.