מודל ה-AI הראשון שלך: בניית אלגוריתם בסיסי לסיכון זיהום עבור חוות פטריות בקנה מידה קטן

מגדלי פטריות מתמודדים עם סיכון עצום. עלייה פתאומית בזיהום עלולה להשמיד יבול שלם. זה הופך עבודה קשה להפסד. חוות קטנות רבות מסתמכות על תחושת בטן כדי לזהות סיכונים. אתם יכולים לשנות זאת על ידי הפיכת יומני חיישנים לציון סיכון. זה עוזר לכם לזהות בעיות לפני שהן מתפשטות.

מודלים של חיזוי עובדים על ידי הפיכת נתונים גולמיים למאפיינים (features). מאפיינים אלו מציגים תנאים ממוצעים ושינויים. עבור סיכון לזיהום, חשבו ממוצעים יומיים של טמפרטורה, לחות ו-CO2. הוסיפו ערכים קיצוניים כמו הטמפרטורה הגבוהה והנמוכה ביותר. כללו את תנודות הטמפרטורה ואת מספר השעות שבהן הלחות נשארת מעל 90%. המספרים הללו הופכים עקה פיזיקלית לאות שהמודל יכול להבין.

דמיינו יום עם לחות ממוצעת של 85%. יומני החיישנים שלכם מראים שש שעות היו מעל 90%. סט המאפיינים שלכם מסמן את משך זמן הלחות הגבוהה הזה. מודל שאומן על התפרצויות עבר יקצה ציון סיכון גבוה. זה יאותת לכם להגדיל את זרימת האוויר לפני שהנבגים מתיישבים.

בצעו את השלבים הבאים כדי לבנות את המערכת שלכם:

  • הכינו את מערך הנתונים שלכם: ייצאו נתוני חיישנים שעתיים משישה חודשים ורשימות ייצור. סמנו כל יום כ"זיהום" או "נקי" בהתבסס על התפרצויות עבר. חשבו את המאפיינים שלכם, כמו ממוצעים ותנודות.

  • אשרו מודל בסיס: העלו את הטבלה המסומנת שלכם ל-Google Vertex AI. בחרו אלגוריתם סיווג פשוט כמו logistic regression. הפלטפורמה מטפלת עבורכם ב-feature scaling ובהתאמת המודל.

  • הפעילו דוח יומי: הגדירו סקריפט ששואב את יומני 24 השעות האחרונים. הסקריפט מחשב מאפיינים, מקבל ציון סיכון מהמודל שלכם ושולח סיכום במייל. סיכום זה מציג את גורמי הסיכון העיקריים, כמו לחות גבוהה או תנודות טמפרטורה.

התחילו עם מודל קטן הבנוי ממספר מאפיינים בודדים. זה ייתן לכם תובנה לגבי דפוסים סביבתיים. אספו יותר נתונים ואמנו מחדש את המודל שלכם מדי כמה חודשים. זה יהפוך זרמי חיישנים גולמיים למערכת התרעה אמינה עבור החווה שלכם.

Source: https://dev.to/ken_deng_ai/your-first-ai-model-building-a-baseline-contamination-risk-algorithm-for-small-scale-mushroom-farms-255f

Optional learning community: https://t.me/GyaanSetuAi