첫 번째 AI 모델: 소규모 버섯 농장을 위한 기초 오염 위험 알고리즘 구축하기
버섯 재배자들은 큰 위험에 직면해 있습니다. 갑작스러운 오염 증가는 수확물 전체를 망가뜨릴 수 있으며, 이는 공들인 노력을 손실로 만듭니다. 많은 소규모 농장에서는 위험을 감지하기 위해 직감에 의존합니다. 여러분은 센서 로그를 위험 점수로 변환함으로써 이를 바꿀 수 있습니다. 이는 문제가 확산되기 전에 문제를 포착할 수 있도록 도와줍니다.
예측 모델은 원시 데이터를 피처(feature)로 변환하여 작동합니다. 이러한 피처는 평균적인 상태와 변화를 보여줍니다. 오염 위험의 경우, 온도, 습도, CO2의 일일 평균값을 계산하십시오. 최고 및 최저 온도와 같은 극단값을 추가하십시오. 온도 변화 폭과 습도가 90% 이상으로 유지되는 시간도 포함하십시오. 이러한 수치들은 물리적 스트레스를 모델이 이해할 수 있는 신호로 변환해 줍니다.
평균 습도가 85%인 하루를 가정해 봅시다. 센서 로그에 습도가 90%를 넘는 시간이 6시간으로 나타납니다. 여러분의 피처 세트는 이 높은 습도 지속 시간을 표시합니다. 과거의 발병 사례로 학습된 모델은 높은 위험 점수를 할당합니다. 이는 포자가 안착하기 전에 공기 흐름을 늘리라는 신호를 보내줍니다.
다음 단계에 따라 시스템을 구축하십시오:
데이터셋 준비: 6개월 치의 시간별 센서 데이터와 생산 기록을 내보냅니다. 과거 발병 사례를 바탕으로 각 날짜를 '오염' 또는 '정상'으로 라벨링합니다. 평균값 및 변화 폭과 같은 피처를 계산합니다.
기초 모델 학습: 라벨링된 테이블을 Google Vertex AI에 업로드합니다. 로지스틱 회귀(logistic regression)와 같은 간단한 분류 알고리즘을 선택합니다. 플랫폼이 피처 스케일링(feature scaling)과 모델 피팅(model fitting)을 대신 처리해 줍니다.
일일 보고서 배포: 최신 24시간 로그를 가져오는 스크립트를 설정합니다. 스크립트는 피처를 계산하고 모델로부터 위험 점수를 받은 뒤, 이메일 요약본을 보냅니다. 이 요약본에는 높은 습도나 온도 변화 폭과 같은 주요 위험 요인이 표시됩니다.
몇 가지 피처로 구축된 작은 모델부터 시작하십시오. 이를 통해 환경 패턴에 대한 통찰력을 얻을 수 있습니다. 더 많은 데이터를 수집하고 몇 달마다 모델을 재학습시키십시오. 이를 통해 원시 센서 스트림을 농장을 위한 신뢰할 수 있는 경고 시스템으로 바꿀 수 있습니다.
선택 사항 학습 커뮤니티: https://t.me/GyaanSetuAi