Modellutbildning av AI-algoritmer för jordbruksbaserade livsmedel

AI-modellutbildningstjänsten i TEF-infrastrukturen tillgodoser kritiska behov inom den jordbruksbaserade livsmedelssektorn: Det gör det möjligt att förbättra befintliga AI-modeller och ger beräkningskraft för att köra befintliga algoritmer i stor skala. Innan du använder den här tjänsten kan kunderna ha utvecklat algoritmer men saknar beräkningskapacitet för att träna eller köra dem effektivt på stora datamängder. Efter att ha använt denna tjänst kan de övervinna dessa begränsningar. 

AI-modellutbildningstjänsten i TEF-infrastrukturen är redan tillgänglig att utföra. Kundens krav fångas initialt i en intervju (online eller ansikte mot ansikte) mellan tjänsteleverantören och kunden. Sedan kan vi ställa in den tid som behövs för att utföra det (från ungefär en månad till flera veckor). Tjänsten utförs på distans i digital infrastruktur i Vigo (Spanien), så att kunderna kan komma åt tjänsten på distans oavsett var de befinner sig. Som ett resultat kommer kunden att få dokumentation om träningsprocessen, själva AI-modellen och en användarmanual för att veta hur man använder den. Kunden bör tillhandahålla data för att träna AI-modellen och, eventuellt, en modellprototyp som kunden redan har utbildat. Om kunden saknar de data som behövs kan TEF tillhandahålla dem genom en tjänst för tillhandahållande av dataset, som dessa (se Relaterade tjänster). 

Som ett generiskt exempel kan ett företag som har utvecklat ett prediktivt system för att hjälpa jordbrukare i vissa jordbruksbaserade livsmedelsprocesser förbättra systemet med nya data med hjälp av TEF-infrastruktur.Kunden bör tillhandahålla data för att träna modellen. Om kunden tillhandahåller en modellprototyp bör den utbildas med en av de viktigaste teknikerna för maskininlärning i Python-språket, som scikit-learn, CatBoost, XGBoost, LightGBM, PyTorch, Keras, TensorFlow, etc. Som ett mer specifikt exempel har företaget VineGuard Analytics utvecklat ett prediktivt system som hjälper vinproducenter att optimera sitt skördeschema genom att prognostisera det optimala skördefönstret 2 veckor i förväg. Systemet analyserar data från: Fuktsensorer för mark. -Lokala väderstationsavläsningar (temperatur, fuktighet, nederbörd). Historiska skördedatum och kvalitetsklassificeringar. Mätningar av druvsockerhalt.Satellitbilder av vingårdens hälsa. För att förbättra modellens noggrannhet vill VineGuard införliva nya data från sina kunders vingårdar. Varje kund tillhandahåller: -Tre års historiska data, inklusive:Dagliga sensoravläsningar i CSV-format. -Skördedatum och motsvarande vinkvalitetspoäng.Resultat från veckans druvanalys. -En förtränad XGBoost-modell (Python 3.8+) som: Tar 14 inmatningsfunktioner (väder, jord och druvvärden). -Utför en skördeberedskapspoäng (0-100). -Använder standard scikit-lära förbehandling rörledningar. -Är versionen styrd genom Git. Modellen kommer att omskolas på TEF-infrastruktur med hjälp av de kombinerade historiska dataseten från flera vingårdar samtidigt som datasekretessen mellan kunderna upprätthålls. Den förbättrade modellen syftar till att minska fel vid skörd från ±5 dagar till ±3 dagar.