Syfte och omfattning
AI och robotteknik förändrar jordbruket, men lösningar som fungerar bra i demonstrationer kan kämpa när de används på fältet. Begränsade datorresurser, heterogen hårdvara, otillförlitlig anslutning och ofullständig sensordata kan alla påverka systemets prestanda och tillförlitlighet.
Genom agrifoodTEF erbjuder FBK benchmarking- och valideringstjänster för små och medelstora företag och uppstartsföretag för att bedöma deras teknik under realistiska driftsförhållanden, identifiera begränsningar och vägleda förbättringar före införandet på fältet.
Presentationen kommer att bygga på tre ansökningar: ett fruktodlingssystem för räkning och storlekssortering av äpplen, en lösning för beslutsstöd för bevattning av vinodlingar och ett AI-system för upptäckt av turfgrass-sjukdomar. Dessa fall illustrerar kompletterande valideringsmetoder, från programvaruprestanda och stresstester till fältbaserad sensorjämförelse. För mjukvaruintensiva applikationer har FBK utvecklat en benchmarking-verktygslåda baserad på verktyg med öppen källkod som möjliggör repeterbara experiment på äkta kantmaskinvara, identifierar bearbetningsflaskhalsar och avslöjar tillförlitlighetsrisker vid ökande arbetsbelastningar.
Genom att dela med sig av praktiska resultat och lärdomar kommer presentationen att visa hur evidensbaserad validering inom agrifoodTEF hjälper företag att fatta bättre beslut om utformning och införande.
Lärandemål
- Utmaningar i fråga om beredskap på fältet: förstå de viktigaste faktorerna, såsom begränsad databehandling, heterogen hårdvara, instabil konnektivitet och bullriga sensordata, som gör att AI- och robottekniklösningar underpresterar utanför laboratoriet.
- Valideringsmetoder: undersöka kompletterande metoder för bedömning av jordbruks- och livsmedelsteknik, inbegripet benchmarking av programvara, stresstester och fältbaserad sensorjämförelse.
- Benchmarking på kanten: Lär dig hur repeterbara experiment på äkta kantmaskinvara kan exponera bearbetningsflaskhalsar och tillförlitlighetsrisker under ökande arbetsbelastningar.
- Stöd från TEF för jordbruksbaserade livsmedel: Upptäck de riktmärknings- och valideringstjänster som FBK erbjuder genom agrifoodTEF och hur små och medelstora företag och nystartade företag kan få tillgång till dem.
Läranderesultat
- Riskmedvetenhet: identifiera de tekniska begränsningar som mest sannolikt påverkar en AI- eller robotlösning vid övergången från demonstration till verkliga driftsförhållanden.
- Val av metod: Välj den valideringsmetod som är bäst lämpad för en viss tillämpning, oavsett om den är programvaruintensiv, sensorbaserad eller båda.
- Evidensbaserade beslut: tolka benchmarking- och testresultat för att vägleda konstruktionsförbättringar, maskinvaruval och implementeringsstrategier.
- Lärdomar från praktiken: tillämpa insikter från fruktträdgården, vingården och turfgrass tjänster för att förutse och undvika vanliga fallgropar i dina egna projekt.
Vem bör delta?
- Uppstartsföretag och små och medelstora företag inom jordbruksteknik
- Utvecklare av AI och robotteknik
- Produkt- och teknikchefer
- Forskare och innovationsrådgivare
AI-genomförande
Data (dataområde/bigdata)
Programvara / AI-modell