예측 모델 보정하기: 지난 시즌 데이터를 활용한 정확도 향상
도시 시장 정원사들은 공통적인 문제에 직면합니다. 식재 계획은 서류상으로는 완벽해 보이지만, 실제 현장에서는 실패하기 일쑤입니다. 발아율이나 날씨의 미세한 변화가 계획을 낭비된 작물이나 판매 기회 상실로 이어지게 만듭니다. 수확 기록을 AI 계획을 위한 피드백 루프로 전환함으로써 이 문제를 해결할 수 있습니다.
예측 감사 프레임워크 (The Forecast Audit Framework)
핵심 원리는 간단합니다. AI 예측값과 실제 발생한 상황을 비교하는 것입니다. 그 차이를 찾아내고, 해당 통찰을 다시 모델에 반영합니다.
HarvestLog Tracker를 사용하여 모든 수확 이벤트를 기록하십시오. 실제 날짜, 재식 거리, 발아율, 무게, 베드 ID, 작물 품종을 추적해야 합니다. 또한 날씨와 해충에 대한 메모도 필요합니다.
이 로그를 통해 두 가지 지표를 계산합니다:
- 수확량 오차 (Yield Error): (실제값 - 예측값) / 예측값
- 타이밍 오차 (Timing Error): 실제 수확일 - 예측 수확일
이러한 오차를 작물군(crop family)이나 베드 위치별로 그룹화하면 패턴이 나타납니다. 예를 들어, 그늘진 곳의 십자화과(brassicas) 작물에 대해 예측치가 15% 낮게 나타나거나, 봄철 당근 수확이 7일 지연되는 패턴을 발견할 수 있습니다. 발아율이나 성숙 일수와 같은 AI 가정을 조정하면 다음 시즌을 실제 환경에 맞게 일치시킬 수 있습니다.
지난 봄, AI는 4번 베드에서 상추 30lb를 수확할 것으로 예측했습니다. 하지만 HarvestLog Tracker 결과, 실제로는 10일 늦게 22lb만 수확되었습니다. 이 오차는 모델이 실제보다 토양 온도가 더 높고 발아율이 더 좋을 것이라고 가정했음을 보여줍니다.
구현 방법
데이터 수집: AI 마스터 플랜과 수확량 예측치를 HarvestLog Tracker로 가져옵니다. 모든 베드와 품종에 대한 실제 수확 데이터를 추가합니다.
격차 분석: 트래커를 사용하여 수확량 및 타이밍 오차를 찾습니다. 오차 허용 범위를 초과하는 작물군이나 식재 시기의 패턴을 확인합니다.
매개변수 업데이트: 이러한 패턴을 사용하여 AI 입력 변수를 변경합니다. 분석 결과를 바탕으로 발아율이나 성숙 일수를 조정하고, 새로운 계획을 생성합니다.
요약
- 주간 수확 로그는 가공되지 않은 데이터를 더 나은 예측으로 전환합니다.
- 작물 및 베드별 수확량과 타이밍 오차를 측정하면 모델의 편향(bias)을 발견할 수 있습니다.
- 이러한 편향을 AI에 다시 반영하면 농장 환경에 최적화된 계획 사이클을 만들 수 있습니다.
선택 사항 학습 커뮤니티: https://t.me/GyaanSetuAi