Modelowe szkolenie algorytmów związanych ze sztuczną inteligencją w sektorze rolno-spożywczym

Usługa szkoleniowa w zakresie modelu sztucznej inteligencji w infrastrukturze TEF zaspokaja krytyczne potrzeby w sektorze rolno-spożywczym: umożliwia udoskonalenie istniejących modeli sztucznej inteligencji i zapewnia moc obliczeniową umożliwiającą uruchamianie istniejących algorytmów na dużą skalę. Przed skorzystaniem z tej usługi klienci mogli opracować algorytmy, ale nie mają zdolności obliczeniowej do ich skutecznego trenowania lub uruchamiania na dużych zbiorach danych. Po skorzystaniu z tej usługi mogą przezwyciężyć te ograniczenia. 

Usługa szkolenia w zakresie modelu sztucznej inteligencji w infrastrukturze TEF jest już dostępna do wykonania. Wymagania klienta są początkowo uchwycone w wywiadzie (online lub twarzą w twarz) między usługodawcą a klientem. Następnie możemy ustawić czas potrzebny na jego wykonanie (od około jednego miesiąca do kilku tygodni). Usługa jest realizowana zdalnie w infrastrukturze cyfrowej zlokalizowanej w Vigo (Hiszpania), dzięki czemu klienci mogą uzyskać dostęp do usługi zdalnie, niezależnie od ich lokalizacji. W rezultacie klient otrzyma dokumentację dotyczącą procesu szkolenia, samego modelu AI oraz instrukcję obsługi, aby wiedzieć, jak z niego korzystać. Klient powinien dostarczyć dane w celu przeszkolenia modelu sztucznej inteligencji oraz, opcjonalnie, prototyp modelu, który klient już przeszkolił. Jeśli klientowi brakuje potrzebnych danych, TEF może je dostarczyć za pośrednictwem usługi dostarczania zbiorów danych, takiej jak te (zob. usługi powiązane). 

Jako ogólny przykład firma, która opracowała system predykcyjny, aby pomóc rolnikom w niektórych procesach rolno-spożywczych, może ulepszyć system za pomocą nowych danych za pomocą infrastruktury TEF. Klient powinien dostarczyć dane do przeszkolenia modelu. Jeśli klient dostarczy prototyp modelu, powinien zostać przeszkolony z jednej z głównych technologii rozwoju uczenia maszynowego w języku Python, takich jak scikit-learn, CatBoost, XGBoost, LightGBM, PyTorch, Keras, TensorFlow itp. Jako bardziej szczegółowy przykład firma VineGuard Analytics opracowała system predykcyjny, który pomaga producentom wina zoptymalizować harmonogram zbiorów winogron, prognozując optymalne okno zbiorów z 2-tygodniowym wyprzedzeniem. System analizuje dane z: Czujniki wilgotności gleby. Lokalne odczyty stacji meteorologicznych (temperatura, wilgotność, opady). Historyczne daty zbiorów i oceny jakości. -Pomiary zawartości cukru w winogronach.Satelitarne obrazy zdrowia winnic. Aby poprawić dokładność swojego modelu, VineGuard chce włączyć nowe dane z winnic swoich klientów. Każdy klient zapewnia: -Trzy lata danych historycznych, w tym:Codzienne odczyty czujników w formacie CSV. -Daty zbiorów i odpowiadające im wyniki jakości wina.Wyniki tygodniowej analizy winogron. -Wstępnie przeszkolony model XGBoost (Python 3.8+), który: -Bierze 14 funkcji wejściowych (pogoda, gleba i mierniki winogron). -Wydaje wynik gotowości do zbiorów (0-100). Wykorzystuje standardowe rurociągi przetwarzania wstępnego scikit-learn. -Czy wersja jest kontrolowana przez Git. Model zostanie przekwalifikowany w infrastrukturze TEF przy użyciu połączonych zbiorów danych historycznych z wielu winnic, przy jednoczesnym zachowaniu prywatności danych między klientami. Ulepszony model ma na celu zmniejszenie błędów czasowych zbiorów z ±5 dni do ±3 dni.