Twój pierwszy model AI: Budowa bazowego algorytmu ryzyka zakażenia dla małych upraw grzybów

Hodowcy grzybów mierzą się z ogromnym ryzykiem. Nagły wzrost zakażeń może zniszczyć całe zbiory, zamieniając ciężką pracę w stratę. Wiele małych gospodarstw polega na intuicji, aby wykryć zagrożenia. Możesz to zmienić, przekształcając logi z czujników w wynik ryzyka. Pozwala to wykryć problemy, zanim się rozprzestrzenią.

Modele predykcyjne działają poprzez przekształcanie surowych danych w cechy. Cechy te pokazują średnie warunki oraz zmiany. W przypadku ryzyka zakażenia obliczaj dobowe średnie temperatury, wilgotności i poziomu CO2. Dodaj wartości ekstremalne, takie jak najwyższa i najniższa temperatura. Uwzględnij wahania temperatury oraz liczbę godzin, w których wilgotność utrzymuje się powyżej 90%. Te liczby zamieniają stres fizyczny w sygnał, który model potrafi zrozumieć.

Wyobraź sobie dzień ze średnią wilgotnością na poziomie 85%. Twoje logi z czujników pokazują sześć godzin powyżej 90%. Twój zestaw cech flaguje ten czas trwania wysokiej wilgotności. Model wytrenowany na danych z przeszłych zakażeń przypisuje wysoki wynik ryzyka. Informuje Cię to o konieczności zwiększenia przepływu powietrza, zanim zarodniki się osiądą.

Postępuj zgodnie z poniższymi krokami, aby zbudować swój system:

  • Przygotuj swój zbiór danych: Wyeksportuj sześć miesięcy danych godzinowych z czujników oraz notatki produkcyjne. Oznacz każdy dzień jako „zakażony” lub „czysty” na podstawie przeszłych zakażeń. Oblicz swoje cechy, takie jak średnie i wahania.

  • Wytrenuj model bazowy: Prześlij swoją otagowaną tabelę do Google Vertex AI. Wybierz prosty algorytm klasyfikacji, taki jak regresja logistyczna. Platforma zajmie się skalowaniem cech i dopasowaniem modelu za Ciebie.

  • Wdróż raport dzienny: Skonfiguruj skrypt, który będzie pobierał najnowsze logi z ostatnich 24 godzin. Skrypt obliczy cechy, pobierze wynik ryzyka z Twojego modelu i wyśle podsumowanie e-mailem. Podsumowanie to wskaże główne czynniki ryzyka, takie jak wysoka wilgotność lub wahania temperatury.

Zacznij od małego modelu zbudowanego na podstawie kilku cech. Da Ci to wgląd w wzorce środowiskowe. Zbieraj więcej danych i dotrenowuj swój model co kilka miesięcy. Dzięki temu surowe strumienie danych z czujników zamienią się w niezawodny system ostrzegania dla Twojego gospodarstwa.

Source: https://dev.to/ken_deng_ai/your-first-ai-model-building-a-baseline-contamination-risk-algorithm-for-small-scale-mushroom-farms-255f

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