તમારા અનુમાનોનું કેલિબ્રેશન: ચોકસાઈ સુધારવા માટે ગયા સીઝનના ડેટાનો ઉપયોગ કરવો

શહેરી માર્કેટ ગાર્ડનર્સ (બાગાયતકારો) એક સામાન્ય સમસ્યાનો સામનો કરે છે. વાવવાની યોજના કાગળ પર સંપૂર્ણ લાગે છે પરંતુ ખેતરમાં નિષ્ફળ જાય છે. અંકુરણ (germination) અથવા હવામાનમાં નાના ફેરફારો તમારી યોજનાઓને બગડેલા પાક અથવા વેચાણમાં નુકસાનમાં બદલી શકે છે. તમે તમારા લણણી લોગ્સ (harvest logs) ને તમારા AI પ્લાન્સ માટે ફીડબેક લૂપમાં ફેરવીને આ સમસ્યા સુધારી શકો છો.

ફોરકાસ્ટ ઓડિટ ફ્રેમવર્ક

તેનો મુખ્ય સિદ્ધાંત સરળ છે. તમે તમારા AI અનુમાનોની સરખામણી વાસ્તવિક પરિણામો સાથે કરો છો. તમે તફાવતો શોધો છો અને તે માહિતી (insights) તમારા મોડેલમાં ફરીથી દાખલ કરો છો.

દરેક લણણીની ઘટનાને રેકોર્ડ કરવા માટે HarvestLog Tracker નો ઉપયોગ કરો. તમારે વાસ્તવિક તારીખ, અંતર (spacing), અંકુરણ દર, વજન, બેડ ID, અને પાકની વિવિધતાને ટ્રેક કરવી જોઈએ. તમારે હવામાન અને જીવાત વિશેની નોંધોની પણ જરૂર પડશે.

આ લોગમાંથી, તમે બે મેટ્રિક્સ (માપદંડો) ની ગણતરી કરો છો:

  • Yield Error (ઉપજની ભૂલ): (વાસ્તવિક - અનુમાનિત) ભાગ્યા અનુમાનિત.
  • Timing Error (સમયની ભૂલ): વાસ્તવિક લણણીની તારીખ - અનુમાનિત લણણીની તારીખ.

આ ભૂલોને પાકના પ્રકાર (crop family) અથવા બેડના સ્થાન મુજબ જૂથબદ્ધ કરવાથી પેટર્ન જોવા મળે છે. તમને છાયડામાં રહેલા બ્રેસિકા (brassicas) માટે 15% ઓછું અનુમાન અથવા વસંતકાળના ગાજર માટે 7 દિવસનો વિલંબ જોવા મળી શકે છે. અંકુરણ દર અથવા પરિપક્વતાના દિવસો જેવા તમારા AI ધારણાઓમાં ફેરફાર કરવાથી આગામી સીઝનને તમારી વાસ્તવિક પરિસ્થિતિઓ સાથે સુસંગત બનાવી શકાય છે.

ગયા વસંતકાળમાં, તમારા AI એ Bed 4 માંથી 30 lb લેટીસનું અનુમાન લગાવ્યું હતું. તમારા HarvestLog Tracker એ દર્શાવ્યું કે માત્ર 22 lb લણણી થઈ હતી અને તે પણ દસ દિવસ મોડી હતી. આ ભૂલ દર્શાવે છે કે તમારા મોડેલે વાસ્તવિકતા કરતા વધુ ગરમ માટી અને વધુ સારા અંકુરણનું અનુમાન લગાવ્યું હતું.

આ કેવી રીતે અમલમાં મૂકવું

  • ડેટા એકત્રિત કરો: તમારા AI માસ્ટર પ્લાન અને ઉપજના અનુમાનોને HarvestLog Tracker માં લાવો. દરેક બેડ અને વિવિધતા માટે તમારો વાસ્તવિક લણણી ડેટા ઉમેરો.

  • તફાવતોનું વિશ્લેષણ કરો: ઉપજ અને સમયની ભૂલો શોધવા માટે ટ્રેકરનો ઉપયોગ કરો. પાકના પ્રકાર અથવા વાવવાની વિન્ડોમાં એવી પેટર્ન શોધો જે તમારી ભૂલની મર્યાદા કરતા વધારે હોય.

  • પેરામીટર્સ અપડેટ કરો: તમારા AI ઇનપુટ વેરિએબલ્સ બદલવા માટે આ પેટર્નનો ઉપયોગ કરો. તમારા તારણોના આધારે અંકુરણ દર અથવા પરિપક્વતાના દિવસોમાં ફેરફાર કરો, અને પછી નવો પ્લાન તૈયાર કરો.

સારાંશ

  • સાપ્તાહિક લણણી લોગ કાચા ડેટાને વધુ સારા અનુમાનોમાં ફેરવે છે.
  • પાક અને બેડ મુજબ ઉપજ અને સમયની ભૂલો માપવાથી મોડેલના પક્ષપાત (bias) નો ખ્યાલ આવે છે.
  • આ પક્ષપાતોને તમારા AI માં ફરીથી દાખલ કરવાથી એક એવું પ્લાનિંગ સાયકલ બને છે જે તમારા ખેતર સાથે સુસંગત હોય છે.

સ્ત્રોત: https://dev.to/ken_deng_ai/calibrating-your-forecasts-using-last-seasons-data-to-improve-this-seasons-accuracy-31b6

વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi