予測のキャリブレーション：前シーズンのデータを使用して精度を向上させる方法
都市部のマーケットガーデナーは、共通の課題に直面しています。栽培計画は机上では完璧に見えても、実際の現場ではうまくいかないことがあります。発芽率や天候のわずかな変化が、作物の廃棄や販売機会の損失を招いてしまいます。これを解決するには、収穫ログをAI計画のフィードバックループへと変えることが有効です。
予測監査フレームワーク
基本的な原則はシンプルです。AIによる予測と、実際に起こったことを比較します。その差異を見つけ出し、得られた知見をモデルにフィードバックします。
HarvestLog Trackerを使用して、すべての収穫イベントを記録してください。実際の収穫日、株間、発芽率、重量、栽培区画（bed ID）、作物の品種を記録する必要があります。また、天候や害虫に関するメモも必要です。
このログから、次の2つの指標を算出します。
- 収量誤差 (Yield Error): (実績 - 予測) ÷ 予測
- タイミング誤差 (Timing Error): 実際の収穫日 - 予測収穫日
これらの誤差を作物科や栽培区画の場所ごとにグループ化すると、パターンが見えてきます。例えば、「日陰でのアブラナ科の予測が15%過小であった」とか、「春キャロットの収穫が7日遅れた」といったことが判明するかもしれません。発芽率や成熟日数などのAIの前提条件を調整することで、次シーズンの計画を実際の条件に合わせることができます。
去年の春、AIは区画4（Bed 4）から30ポンドのレタスが収穫できると予測しました。しかし、HarvestLog Trackerの結果では、収穫量はわずか22ポンドで、予定より10日遅れました。この誤差は、モデルが現実よりも土壌温度が高く、発芽率が良いと想定していたことを示しています。
実装方法
データの収集: AIのマスタープランと収量予測をHarvestLog Trackerに取り込みます。すべての区画と品種について、実際の収穫データを追加してください。
差異の分析: トラッカーを使用して、収量誤差とタイミング誤差を特定します。誤差の許容範囲を超えるような、作物科や作付け時期のパターンを探します。
パラメータの更新: これらのパターンを利用して、AIの入力変数を変更します。分析結果に基づいて発芽率や成熟日数を調整し、新しい計画を生成します。
まとめ
- 週次の収穫ログにより、生のデータがより精度の高い予測へと変わります。
- 作物や区画ごとに収量とタイミングの誤差を測定することで、モデルのバイアスが明らかになります。
- これらのバイアスをAIにフィードバックすることで、農場の実態に即した計画サイクルが構築されます。
学習コミュニティ（任意）: https://t.me/GyaanSetuAi