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

शहरी बाजारपेठेतील बागायतदारांना एका सामान्य समस्येचा सामना करावा लागतो. लागवडचे वेळापत्रक कागदावर अगदी योग्य दिसते, परंतु प्रत्यक्षात ते अपयशी ठरते. अंकुरण (germination) किंवा हवामानातील किरकोळ बदल तुमच्या योजनांचे रूपांतर वाया गेलेल्या पिकांमध्ये किंवा गमावलेल्या विक्रीमध्ये करतात. तुमच्या कापणीच्या नोंदींना (harvest logs) तुमच्या AI योजनांसाठी 'फीडबॅक लूप'मध्ये रूपांतरित करून तुम्ही हे सुधारू शकता.

The Forecast Audit Framework

याचे मूळ तत्व साधे आहे. तुम्ही तुमच्या AI अंदाजांची तुलना प्रत्यक्षात काय घडले याच्याशी करता. तुम्ही त्यातील त्रुटी शोधता आणि त्या माहितीचा वापर तुमच्या मॉडेलमध्ये पुन्हा करता.

प्रत्येक कापणीच्या घटनेची नोंद करण्यासाठी HarvestLog Tracker वापरा. तुम्ही प्रत्यक्ष तारीख, अंतर (spacing), अंकुरण दर, वजन, बेड आयडी (bed ID) आणि पिकाचा प्रकार यांचा मागोवा घेतला पाहिजे. तुम्हाला हवामान आणि कीड याबद्दलच्या नोंदींची देखील आवश्यकता आहे.

या नोंदींमधून, तुम्ही दोन मोजमापे (metrics) काढू शकता:

  • उत्पादन त्रुटी (Yield Error): (प्रत्यक्ष उत्पादन - अंदाज) भागिले अंदाज.
  • वेळेची त्रुटी (Timing Error): प्रत्यक्ष कापणीची तारीख - अंदाजित कापणीची तारीख.

या त्रुटींचे पिकांच्या कुटुंबांनुसार (crop family) किंवा बेडच्या स्थानानुसार गट केल्यास काही नमुने (patterns) दिसून येतात. तुम्हाला सावलीत असलेल्या ब्रॅसिका (brassicas) पिकांसाठी १५% कमी अंदाज किंवा वसंत ऋतूतील गाजरांसाठी ७ दिवसांचा विलंब आढळू शकतो. अंकुरण दर किंवा परिपक्वतेचे दिवस यांसारख्या तुमच्या AI गृहितकांमध्ये बदल केल्यास, पुढील हंगाम तुमच्या वास्तविक परिस्थितीशी सुसंगत होईल.

गेल्या वसंत ऋतूत, तुमच्या AI ने बेड ४ मधून ३० पाउंड लेट्यूसचे भाकीत केले होते. तुमच्या HarvestLog Tracker ने दाखवले की केवळ २२ पाउंड उत्पादन झाले आणि तेही दहा दिवस उशिरा. या त्रुटीवरून असे दिसून आले की तुमच्या मॉडेलने वास्तवापेक्षा उबदार माती आणि चांगले अंकुरण गृहीत धरले होते.

How to Implement This

  • डेटा गोळा करा: तुमचा AI मास्टर प्लॅन आणि उत्पादन अंदाज HarvestLog Tracker मध्ये आणा. प्रत्येक बेड आणि पिकाच्या प्रकारासाठी तुमचा प्रत्यक्ष कापणीचा डेटा जोडा.

  • त्रुटींचे विश्लेषण करा: उत्पादन आणि वेळेच्या त्रुटी शोधण्यासाठी ट्रॅकरचा वापर करा. पिकांच्या कुटुंबांमध्ये किंवा लागवडच्या कालावधीमध्ये तुमच्या त्रुटींच्या मर्यादेपेक्षा जास्त असलेले नमुने शोधा.

  • पॅरामीटर्स अपडेट करा: तुमच्या AI इनपुट व्हेरिएबल्समध्ये बदल करण्यासाठी या नमुन्यांचा वापर करा. तुमच्या निष्कर्षांच्या आधारे अंकुरण दर किंवा परिपक्वतेचे दिवस समायोजित करा आणि नंतर नवीन योजना तयार करा.

Summary

  • साप्ताहिक कापणी नोंद कच्च्या डेटाचे रूपांतर चांगल्या अंदाजांमध्ये करते.
  • पिकांनुसार आणि बेडनुसार उत्पादन आणि वेळेच्या त्रुटी मोजल्यामुळे मॉडेलमधील पूर्वग्रह (bias) दिसून येतात.
  • या त्रुटी पुन्हा तुमच्या AI मध्ये फीड केल्यामुळे एक नियोजन चक्र तयार होते जे तुमच्या शेतीशी सुसंगत असते.

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