Modeltraining van AI-algoritmen op het gebied van agrovoeding

De opleidingsdienst voor AI-modellen in TEF-infrastructuur voorziet in kritieke behoeften in de agrovoedingssector: het maakt de verbetering van bestaande AI-modellen mogelijk en biedt de rekenkracht om bestaande algoritmen op grote schaal uit te voeren. Voordat ze deze service gebruiken, hebben klanten mogelijk algoritmen ontwikkeld, maar missen ze de rekencapaciteit om ze effectief te trainen of uit te voeren op grote datasets. Na gebruik te hebben gemaakt van deze service, kunnen ze deze beperkingen overwinnen. 

De trainingsdienst voor AI-modellen in de TEF-infrastructuur is al beschikbaar om uit te voeren. De eisen van de klant worden in eerste instantie vastgelegd in een interview (online of face to face) tussen de dienstverlener en de klant. Vervolgens kunnen we de tijd instellen die nodig is om het uit te voeren (van ongeveer een maand tot enkele weken). De service wordt op afstand uitgevoerd in digitale infrastructuur in Vigo (Spanje), zodat de klanten op afstand toegang kunnen krijgen tot de service, ongeacht hun locatie. Als gevolg hiervan ontvangt de klant documentatie over het trainingsproces, het AI-model zelf en een gebruikershandleiding om te weten hoe het te gebruiken. De klant moet de gegevens verstrekken om het AI-model te trainen en, optioneel, een modelprototype dat de klant al heeft getraind. Als de klant niet over de benodigde gegevens beschikt, kan de TEF deze verstrekken via een datasetdienst, zoals deze (zie Gerelateerde diensten). 

Als algemeen voorbeeld kan een bedrijf dat een voorspellend systeem heeft ontwikkeld om landbouwers te helpen bij een bepaald agrovoedingsproces, het systeem verbeteren met nieuwe gegevens met behulp van de TEF-infrastructuur. In het geval dat de klant een modelprototype levert, moet het worden getraind met een van de belangrijkste machine learning-ontwikkelingstechnologieën in de Python-taal, zoals scikit-learn, CatBoost, XGBoost, LightGBM, PyTorch, Keras, TensorFlow, enz. Als meer specifiek voorbeeld heeft het bedrijf VineGuard Analytics een voorspellend systeem ontwikkeld dat wijnproducenten helpt hun druivenoogstschema te optimaliseren door het optimale oogstvenster 2 weken van tevoren te voorspellen. Het systeem analyseert gegevens van: -Bodemvochtigheidssensoren. -Lokale metingen van het weerstation (temperatuur, vochtigheid, regenval). Historische oogstdata en kwaliteitsbeoordelingen. -Metingen van het gehalte aan druivensuiker.Satellietbeelden van de gezondheid van wijngaarden. Om de nauwkeurigheid van hun model te verbeteren, wil VineGuard nieuwe gegevens van de wijngaarden van hun klanten opnemen. Elke klant biedt: Drie jaar aan historische gegevens, waaronder: Dagelijkse sensormetingen in CSV-formaat. -oogstdata en bijbehorende wijnkwaliteitsscores.Wekelijkse resultaten van de druivenanalyse. -Een voorgetraind XGBoost-model (Python 3.8+) dat: -Neemt 14 invoerfuncties (weer, bodem en druivenstatistieken). -Uitvoert een oogstbereidheidsscore (0-100). -Gebruikt standaard scikit-leer voorbewerkingspijpleidingen. -Is versie gecontroleerd via Git. Het model zal worden omgeschoold op TEF-infrastructuur met behulp van de gecombineerde historische datasets van meerdere wijngaarden met behoud van gegevensprivacy tussen klanten. Het verbeterde model is bedoeld om fouten in de oogsttijd te verminderen van ± 5 dagen tot ± 3 dagen.