𝗖𝗮𝗹𝗶𝗯𝗿𝗮𝘁𝗶𝗻𝗴 𝗬𝗼𝘂𝗿 𝗙𝗼𝗿𝗲𝗰𝗮𝘀𝘁𝘀: 𝗨𝘀𝗶𝗻𝗴 𝗟𝗮𝘀𝘁 𝗦𝗲𝗮𝘀𝗼𝗻'𝘀 𝗗𝗮𝘁𝗮 𝘁𝗼 𝗜𝗺𝗽𝗿𝗼𝘃𝗲 𝗔𝗰𝗰𝘂𝗿𝗮𝗰𝘆

ನಗರ ಪ್ರದೇಶದ ಮಾರುಕಟ್ಟೆ ತೋಟಗಾರರು ಒಂದು ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಯನ್ನು ಎದುರಿಸುತ್ತಾರೆ. ಬೆಳೆ ಬಿಡುವ ವೇಳಾಪಟ್ಟಿ ಕಾಗದದ ಮೇಲೆ ಪರಿಪೂರ್ಣವಾಗಿ ಕಾಣಿಸಬಹುದು ಆದರೆ ಹೊಲದಲ್ಲಿ ಅದು ವಿಫಲವಾಗಬಹುದು. ಮೊಳಕೆಯೊಡೆಯುವಿಕೆ ಅಥವಾ ಹವಾಮಾನದಲ್ಲಿನ ಸಣ್ಣ ಬದಲಾವಣೆಗಳು ನಿಮ್ಮ ಯೋಜನೆಗಳನ್ನು ವ್ಯರ್ಥ ಬೆಳೆ ಅಥವಾ ತಪ್ಪಿದ ಮಾರಾಟವಾಗಿ ಪರಿವರ್ತಿಸಬಹುದು. ನಿಮ್ಮ ಕೊಯ್ಲು ಲಾಗ್‌ಗಳನ್ನು (harvest logs) ನಿಮ್ಮ AI ಯೋಜನೆಗಳಿಗಾಗಿ ಫೀಡ್‌ಬ್ಯಾಕ್ ಲೂಪ್ ಆಗಿ ಪರಿವರ್ತಿಸುವ ಮೂಲಕ ನೀವು ಇದನ್ನು ಸರಿಪಡಿಸಬಹುದು.

The Forecast Audit Framework

ಇದರ ಮೂಲ ತತ್ವ ಸರಳವಾಗಿದೆ. ನೀವು ನಿಮ್ಮ AI ಮುನ್ಸೂಚನೆಗಳನ್ನು ವಾಸ್ತವದಲ್ಲಿ ನಡೆದ ಘಟನೆಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತೀರಿ. ನೀವು ಅಂತರಗಳನ್ನು (gaps) ಪತ್ತೆಹಚ್ಚುತ್ತೀರಿ ಮತ್ತು ಆ ಒಳನೋಟಗಳನ್ನು ನಿಮ್ಮ ಮಾಡೆಲ್‌ಗೆ ಮರಳಿ ನೀಡುತ್ತೀರಿ.

ಪ್ರತಿ ಕೊಯ್ಲಿನ ಘಟನೆಯನ್ನು ದಾಖಲಿಸಲು HarvestLog Tracker ಅನ್ನು ಬಳಸಿ. ನೀವು ನೈಜ ದಿನಾಂಕ, ಅಂತರ (spacing), ಮೊಳಕೆಯೊಡೆಯುವಿಕೆಯ ದರ, ತೂಕ, ಬೆಡ್ ಐಡಿ (bed ID) ಮತ್ತು ಬೆಳೆಯ ತಳಿಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಬೇಕು. ಹವಾಮಾನ ಮತ್ತು ಕೀಟಗಳ ಬಗ್ಗೆಯೂ ನೀವು ಟಿಪ್ಪಣಿಗಳನ್ನು ಮಾಡಿಕೊಳ್ಳಬೇಕು.

ಈ ಲಾಗ್‌ನಿಂದ, ನೀವು ಎರಡು ಮಾಪನಗಳನ್ನು (metrics) ಲೆಕ್ಕಹಾಕುತ್ತೀರಿ:

  • Yield Error: (ನೈಜ - ಮುನ್ಸೂಚನೆ) ಭಾಗಲಾಕಾರದಲ್ಲಿ ಮುನ್ಸೂಚನೆ.
  • Timing Error: ನೈಜ ಕೊಯ್ಲಿನ ದಿನಾಂಕ - ಮುನ್ಸೂಚಿತ ಕೊಯ್ಲಿನ ದಿನಾಂಕ.

ಈ ದೋಷಗಳನ್ನು ಬೆಳೆ ಕುಟುಂಬ ಅಥವಾ ಬೆಡ್ ಸ್ಥಳದ ಆಧಾರದ ಮೇಲೆ ಗುಂಪು ಮಾಡುವುದರಿಂದ ಮಾದರಿಗಳು (patterns) ತಿಳಿಯುತ್ತವೆ. ನೆರಳಿನಲ್ಲಿರುವ ಬ್ರಾಸಿಕಾಗಳು (brassicas) ಗಾಗಿ 15% ಕಡಿಮೆ ಮುನ್ಸೂಚನೆ ಅಥವಾ ವಸಂತಕಾಲದ ಕ್ಯಾರೆಟ್‌ಗಳಿಗೆ 7 ದಿನಗಳ ವಿಳಂಬವನ್ನು ನೀವು ಕಂಡುಕೊಳ್ಳಬಹುದು. ಮೊಳಕೆಯೊಡೆಯುವಿಕೆಯ ದರ ಅಥವಾ ಪಕ್ವವಾಗುವ ದಿನಗಳಂತಹ ನಿಮ್ಮ AI ಊಹೆಗಳನ್ನು (assumptions) ಹೊಂದಿಸುವುದರಿಂದ ಮುಂದಿನ ಸೀಸನ್ ಅನ್ನು ನಿಮ್ಮ ನೈಜ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಮಾಡಬಹುದು.

ಕಳೆದ ವಸಂತಕಾಲದಲ್ಲಿ, ನಿಮ್ಮ AI ಬೆಡ್ 4 ರಿಂದ 30 ಪೌಂಡ್ ಲೆಟಿಸ್ ಅನ್ನು ಮುನ್ಸೂಚಿಸಿತ್ತು. ಆದರೆ ನಿಮ್ಮ HarvestLog Tracker ಕೇವಲ 22 ಪೌಂಡ್ ಮಾತ್ರ ಕೊಯ್ಲು ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಅದು ಹತ್ತು ದಿನಗಳ ವಿಳಂಬವಾಗಿದೆ ಎಂದು ತೋರಿಸಿದೆ. ಈ ದೋಷವು ನಿಮ್ಮ ಮಾಡೆಲ್ ವಾಸ್ತವಕ್ಕಿಂತ ಬೆಚ್ಚಗಿನ ಮಣ್ಣು ಮತ್ತು ಉತ್ತಮ ಮೊಳಕೆಯೊಡೆಯುವಿಕೆಯನ್ನು ಊಹಿಸಿತ್ತು ಎಂಬುದನ್ನು ತೋರಿಸಿಕೊಟ್ಟಿತು.

How to Implement This

  • Gather Data: ನಿಮ್ಮ AI ಮಾಸ್ಟರ್ ಪ್ಲಾನ್ ಮತ್ತು ಇಳುವರಿ ಮುನ್ಸೂಚನೆಗಳನ್ನು HarvestLog Tracker ಗೆ ತನ್ನಿ. ಪ್ರತಿ ಬೆಡ್ ಮತ್ತು ತಳಿಯ ನೈಜ ಕೊಯ್ಲು ಡೇಟಾವನ್ನು ಸೇರಿಸಿ.

  • Analyze Gaps: ಇಳುವರಿ ಮತ್ತು ಸಮಯದ ದೋಷಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಟ್ರ್ಯಾಕರ್ ಬಳಸಿ. ನಿಮ್ಮ ದೋಷದ ಮಿತಿಗಳನ್ನು ಮೀರಿದ ಬೆಳೆ ಕುಟುಂಬಗಳು ಅಥವಾ ಬಿತ್ತನೆ ಅವಧಿಗಳ ಮಾದರಿಗಳನ್ನು ಗಮನಿಸಿ.

  • Update Parameters: ನಿಮ್ಮ AI ಇನ್‌ಪುಟ್ ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು ಬದಲಾಯಿಸಲು ಈ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ. ನಿಮ್ಮ ಸಂಶೋಧನೆಗಳ ಆಧಾರದ ಮೇಲೆ ಮೊಳಕೆಯೊಡೆಯುವಿಕೆಯ ದರ ಅಥವಾ ಪಕ್ವವಾಗುವ ದಿನಗಳನ್ನು ಹೊಂದಿಸಿ, ನಂತರ ಹೊಸ ಯೋಜನೆಯನ್ನು ಸಿದ್ಧಪಡಿಸಿ.

Summary

  • ವಾರದ ಕೊಯ್ಲು ಲಾಗ್ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಉತ್ತಮ ಮುನ್ಸೂಚನೆಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.
  • ಬೆಳೆ ಮತ್ತು ಬೆಡ್ ಆಧಾರದ ಮೇಲೆ ಇಳುವರಿ ಮತ್ತು ಸಮಯದ ದೋಷಗಳನ್ನು ಅಳೆಯುವುದು ಮಾಡೆಲ್‌ನ ಪೂರ್ವಾಗ್ರಹವನ್ನು (bias) ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.
  • ಈ ಪೂರ್ವಾಗ್ರಹಗಳನ್ನು ನಿಮ್ಮ AI ಗೆ ಮರಳಿ ನೀಡುವುದರಿಂದ ನಿಮ್ಮ ಫಾರ್ಮ್‌ಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಯೋಜನಾ ಚಕ್ರವನ್ನು (planning cycle) ಸೃಷ್ಟಿಸಬಹುದು.

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

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