உங்கள் கணிப்புகளைச் சரிசெய்தல்: துல்லியத்தை மேம்படுத்த கடந்த பருவத்தின் தரவைப் பயன்படுத்துதல்

நகர்ப்புற சந்தை தோட்டக்காரர்கள் ஒரு பொதுவான பிரச்சனையை எதிர்கொள்கின்றனர். ஒரு நடவுத் திட்டம் காகிதத்தில் சரியாகத் தோன்றலாம், ஆனால் களத்தில் அது தோல்வியடையலாம். முளைப்பு அல்லது வானிலையில் ஏற்படும் சிறிய மாற்றங்கள் உங்கள் திட்டங்களை வீணான பயிர்களாகவோ அல்லது தவறவிட்ட விற்பனையாகவோ மாற்றிவிடும். உங்கள் அறுவடைப் பதிவுகளை (harvest logs) உங்கள் AI திட்டங்களுக்கான ஒரு பின்னூட்டச் சுழற்சியாக (feedback loop) மாற்றுவதன் மூலம் இதை நீங்கள் சரிசெய்யலாம்.

The Forecast Audit Framework

இதன் அடிப்படைத் தத்துவம் எளிமையானது. உங்கள் AI கணிப்புகளை உண்மையில் என்ன நடந்தது என்பதோடு நீங்கள் ஒப்பிடுகிறீர்கள். இடைவெளிகளைக் கண்டறிந்து, அந்தத் தகவல்களை உங்கள் மாதிரியில் (model) மீண்டும் உள்ளிடுகிறீர்கள்.

ஒவ்வொரு அறுவடை நிகழ்வையும் பதிவு செய்ய HarvestLog Tracker ஐப் பயன்படுத்தவும். உண்மையான தேதி, இடைவெளி, முளைப்பு விகிதம், எடை, பெட் ஐடி (bed ID) மற்றும் பயிர் வகை ஆகியவற்றை நீங்கள் கண்காணிக்க வேண்டும். வானிலை மற்றும் பூச்சிகள் பற்றிய குறிப்புகளும் உங்களுக்குத் தேவைப்படும்.

இந்தத் தரவிலிருந்து, நீங்கள் இரண்டு அளவீடுகளைக் கணக்கிடுகிறீர்கள்:

  • விளைச்சல் பிழை (Yield Error): (உண்மையானது - கணிப்பு) / கணிப்பு.
  • காலத் தவறு (Timing Error): உண்மையான அறுவடைத் தேதி - கணிக்கப்பட்ட அறுவடைத் தேதி.

இந்தத் தவறுகளை பயிர் குடும்பம் அல்லது பெட் இருப்பிடத்தின் அடிப்படையில் குழுவாக்குவது முறைகளைக் (patterns) வெளிப்படுத்தும். நிழலில் வளரும் பிராசிகா (brassicas) பயிர்களுக்கு 15% குறைவான கணிப்பு அல்லது வசந்த கால கேரட்டுகளுக்கு 7 நாட்கள் தாமதம் போன்றவற்றை நீங்கள் கண்டறியலாம். முளைப்பு விகிதங்கள் அல்லது முதிர்ச்சியடையும் நாட்கள் போன்ற உங்கள் AI அனுமானங்களைச் சரிசெய்வதன் மூலம், அடுத்த பருவத்தை உங்கள் நிஜ நிலைகளுடன் ஒத்துப்போகச் செய்யலாம்.

கடந்த வசந்த காலத்தில், உங்கள் AI பெட் 4-லிருந்து 30 பவுண்டு லெட்டியூஸை (lettuce) கணித்தது. ஆனால் உங்கள் HarvestLog Tracker பத்து நாட்கள் தாமதமாக அறுவடை செய்யப்பட்ட 22 பவுண்டுகளை மட்டுமே காட்டியது. இந்தத் தவறு, உங்கள் மாதிரி (model) நிஜத்தை விட வெப்பமான மண் மற்றும் சிறந்த முளைப்பு இருக்கும் என்று கருதியதைக் காட்டியது.

How to Implement This

  • தரவைச் சேகரித்தல்: உங்கள் AI முதன்மைத் திட்டம் மற்றும் விளைச்சல் கணிப்புகளை HarvestLog Tracker into கொண்டு வரவும். ஒவ்வொரு பெட் மற்றும் வகைகளுக்கான உங்கள் உண்மையான அறுவடைத் தரவைச் சேர்க்கவும்.

  • இடைவெளிகளை ஆய்வு செய்தல்: விளைச்சல் மற்றும் காலத் தவறுகளைக் கண்டறிய ட்ராக்கரைப் பயன்படுத்தவும். உங்கள் பிழை வரம்புகளைத் தாண்டும் பயிர் குடும்பங்கள் அல்லது நடவு காலங்களில் உள்ள முறைகளைத் தேடுங்கள்.

  • அளவுருக்களைப் புதுப்பித்தல்: உங்கள் AI உள்ளீட்டு மாறிகளை (input variables) மாற்ற இந்த முறைகளைப் பயன்படுத்தவும். உங்கள் கண்டுபிடிப்புகளின் அடிப்படையில் முளைப்பு விகிதங்கள் அல்லது முதிர்ச்சியடையும் நாட்களைச் சரிசெய்து, பின்னர் ஒரு புதிய திட்டத்தை உருவாக்கவும்.

Summary

  • வாராந்திர அறுவடைப் பதிவு மூலத் தரவைச் சிறந்த கணிப்புகளாக மாற்றுகிறது.
  • பயிர் மற்றும் பெட் வாரியாக விளைச்சல் மற்றும் காலத் தவறுகளை அளவிடுவது மாதிரியின் சார்புநிலையை (model bias) வெளிப்படுத்துகிறது.
  • இந்தச் சார்புநிலைகளை உங்கள் AI-க்குள் மீண்டும் செலுத்துவது உங்கள் பண்ணைக்குப் பொருந்தக்கூடிய ஒரு திட்டமிடல் சுழற்சியை உருவாக்குகிறது.

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