初めてのAIモデル：小規模キノコ農園向けベースライン汚染リスク・アルゴリズムの構築
キノコ栽培農家は大きなリスクに直面しています。汚染が突然急増すると、収穫物全体が台無しになってしまいます。これにより、これまでの努力が損失へと変わってしまいます。多くの小規模農家は、リスクを察知するために経験や勘に頼っています。センサーのログをリスクスコアに変換することで、その状況を変えることができます。これにより、問題が広がる前に察知することが可能になります。
予測モデルは、生のデータを特徴量（features）に変換することで機能します。これらの特徴量は、平均的な状態や変化を示します。汚染リスクの場合、温度、湿度、CO2の1日あたりの平均値を算出します。最高温度や最低温度などの極値も追加します。さらに、温度の変化幅や、湿度が90%を超えている時間も含めます。これらの数値は、物理的なストレスをモデルが理解できる信号へと変換します。
平均湿度が85%の日を想像してみてください。センサーのログを見ると、6時間は90%を超えています。特徴量セットがこの高湿度状態の継続時間をフラグとして検出します。過去の発生事例に基づいて学習したモデルは、高いリスクスコアを割り当てます。これにより、胞子が定着する前に空気の流れを強めるべきであることがわかります。
以下の手順に従ってシステムを構築してください：
データセットの準備：6ヶ月分の1時間ごとのセンサーデータと生産記録をエクスポートします。過去の発生事例に基づき、各日を「汚染あり」または「清潔」としてラベル付けします。平均値や変化幅などの特徴量を算出します。
ベースラインモデルの学習：ラベル付けしたテーブルを Google Vertex AI にアップロードします。ロジスティック回帰のようなシンプルな分類アルゴリズムを選択します。プラットフォームが特徴量のスケーリングやモデルの適合を自動で行ってくれます。
日次レポートの展開：最新24時間のログを取得するスクリプトを設定します。スクリプトが特徴量を計算し、モデルからリスクスコアを取得して、メールで要約を送信します。この要約には、高湿度や温度変化などの主なリスク要因が表示されます。
まずは、いくつかの特徴量から構築された小さなモデルから始めましょう。これにより、環境パターンの洞察を得ることができます。より多くのデータを収集し、数ヶ月ごとにモデルを再学習させてください。これにより、生のセンサーデータストリームを、農園のための信頼できる警告システムへと変えることができます。
Optional learning community: https://t.me/GyaanSetuAi