আপনার পূর্বাভাস ক্যালিব্রেট করা: নির্ভুলতা বৃদ্ধির জন্য গত মৌসুমের ডেটা ব্যবহার করা
নগর বাজারের মালিরা একটি সাধারণ সমস্যার সম্মুখীন হন। একটি রোপণ পরিকল্পনা কাগজে নিখুঁত মনে হলেও বাস্তবে তা ব্যর্থ হতে পারে। অঙ্কুরোদগম বা আবহাওয়ার সামান্য পরিবর্তন আপনার পরিকল্পনাকে নষ্ট করা ফসল বা হাতছাড়া হওয়া বিক্রয়ে পরিণত করতে পারে। আপনার ফসল সংগ্রহের লগগুলোকে (harvest logs) আপনার AI পরিকল্পনার জন্য একটি ফিডব্যাক লুপে রূপান্তর করার মাধ্যমে আপনি এটি সমাধান করতে পারেন।
The Forecast Audit Framework
এর মূল নীতিটি সহজ। আপনি আপনার AI পূর্বাভাসগুলোকে প্রকৃত ফলাফলের সাথে তুলনা করবেন। আপনি ব্যবধানগুলো খুঁজে বের করবেন এবং সেই অন্তর্দৃষ্টিগুলো আপনার মডেলে পুনরায় ইনপুট হিসেবে দেবেন।
প্রতিটি ফসল সংগ্রহের ঘটনা রেকর্ড করতে HarvestLog Tracker ব্যবহার করুন। আপনার প্রকৃত তারিখ, স্পেসিং (spacing), অঙ্কুরোদগম হার, ওজন, বেড আইডি (bed ID) এবং ফসলের জাত ট্র্যাক করা উচিত। আবহাওয়া এবং পোকামাকড়ের বিষয়েও আপনার নোট থাকা প্রয়োজন।
এই লগ থেকে, আপনি দুটি মেট্রিক গণনা করবেন:
- Yield Error: (প্রকৃত পরিমাণ - পূর্বাভাস) / পূর্বাভাস।
- Timing Error: প্রকৃত সংগ্রহের তারিখ - পূর্বাভাসিত সংগ্রহের তারিখ।
ফসলের পরিবার বা বেড লোকেশন অনুযায়ী এই ত্রুটিগুলোকে গ্রুপ করলে কিছু প্যাটার্ন বা ধরন প্রকাশ পায়। আপনি হয়তো দেখতে পাবেন যে ছায়াযুক্ত স্থানে ব্রাসিকা (brassicas) ফসলের ক্ষেত্রে ১৫% কম পূর্বাভাস দেওয়া হয়েছে অথবা বসন্তকালীন গাজরের ক্ষেত্রে ৭ দিনের বিলম্ব হয়েছে। অঙ্কুরোদগম হার বা পরিপক্কতার দিনগুলোর মতো আপনার AI-এর অনুমানগুলো সমন্বয় করার মাধ্যমে পরবর্তী মৌসুমকে আপনার বাস্তব অবস্থার সাথে সামঞ্জস্যপূর্ণ করে তোলা সম্ভব।
গত বসন্তে, আপনার AI বেড ৪ থেকে ৩০ পাউন্ড লেটুস হওয়ার পূর্বাভাস দিয়েছিল। আপনার HarvestLog Tracker দেখিয়েছে যে মাত্র ২২ পাউন্ড লেটুস সংগ্রহ করা হয়েছে এবং তা ছিল দশ দিন দেরিতে। এই ত্রুটিটি নির্দেশ করে যে আপনার মডেলটি বাস্তবের তুলনায় উষ্ণ মাটি এবং উন্নত অঙ্কুরোদগমের কথা ধরে নিয়েছিল।
How to Implement This
ডেটা সংগ্রহ করুন: আপনার AI মাস্টার প্ল্যান এবং ফলন পূর্বাভাসগুলোকে HarvestLog Tracker-এ নিয়ে আসুন। প্রতিটি বেড এবং জাতের জন্য আপনার প্রকৃত ফসল সংগ্রহের ডেটা যোগ করুন।
ব্যবধান বিশ্লেষণ করুন: ফলন এবং সময়ের ত্রুটিগুলো খুঁজে পেতে ট্র্যাকারটি ব্যবহার করুন। ফসলের পরিবার বা রোপণের সময়কাল এমন কোনো প্যাটার্ন আছে কিনা তা দেখুন যা আপনার ত্রুটির সীমা অতিক্রম করে।
প্যারামিটার আপডেট করুন: এই প্যাটার্নগুলো ব্যবহার করে আপনার AI-এর ইনপুট ভেরিয়েবলগুলো পরিবর্তন করুন। আপনার প্রাপ্ত ফলাফলের ভিত্তিতে অঙ্কুরোদগম হার বা পরিপক্কতার দিনগুলো সমন্বয় করুন, তারপর একটি নতুন পরিকল্পনা তৈরি করুন।
Summary
- একটি সাপ্তাহিক ফসল সংগ্রহের লগ কাঁচা ডেটাকে উন্নত পূর্বাভাসে রূপান্তরিত করে।
- ফসল এবং বেড অনুযায়ী ফলন ও সময়ের ত্রুটি পরিমাপ করলে মডেলের পক্ষপাত (model bias) প্রকাশ পায়।
- এই পক্ষপাতগুলোকে পুনরায় আপনার AI-তে ইনপুট হিসেবে দিলে একটি পরিকল্পনা চক্র তৈরি হয় যা আপনার খামারের সাথে সামঞ্জস্যপূর্ণ।
Optional learning community: https://t.me/GyaanSetuAi