మీ అంచనాలను సరిదిద్దుకోవడం: ఖచ్చితత్వాన్ని మెరుగుపరచడానికి గత సీజన్ డేటాను ఉపయోగించడం

పట్టణ మార్కెట్ తోటమాలిలు (Urban market gardeners) ఒక సాధారణ సమస్యను ఎదుర్కొంటారు. ఒక మొక్కల నాటకం షెడ్యూల్ కాగితంపై పరిపూర్ణంగా కనిపిస్తుంది కానీ క్షేత్రస్థాయిలో విఫలమవుతుంది. మొలకెత్తడంలో లేదా వాతావరణంలో వచ్చే చిన్న మార్పులు మీ ప్రణాళికలను వృధా పంటలుగా లేదా కోల్పోయిన అమ్మకాలగా మారుస్తాయి. మీ పంట సేకరణ లాగ్‌లను (harvest logs) మీ AI ప్రణాళికల కోసం ఫీడ్‌బ్యాక్ లూప్‌గా మార్చడం ద్వారా మీరు దీనిని సరిదిద్దవచ్చు.

ఫోర్‌కాస్ట్ ఆడిట్ ఫ్రేమ్‌వర్క్ (The Forecast Audit Framework)

దీని ప్రధాన సూత్రం సరళమైనది. మీరు మీ AI అంచనాలను (forecasts) వాస్తవంగా ఏమి జరిగిందో దానితో పోల్చి చూస్తారు. మీరు ఆ తేడాలను (gaps) గుర్తించి, ఆ అంతర్దృష్టులను (insights) తిరిగి మీ మోడల్‌లోకి పంపిస్తారు.

ప్రతి పంట సేకరణ సంఘటనను నమోదు చేయడానికి HarvestLog Trackerని ఉపయోగించండి. మీరు వాస్తవ తేదీ, దూరం (spacing), మొలకల రేటు, బరువు, బెడ్ ID మరియు పంట రకాన్ని ట్రాక్ చేయాలి. వాతావరణం మరియు తెగుళ్ల గురించి కూడా మీరు నోట్స్ తీసుకోవాలి.

ఈ లాగ్ నుండి, మీరు రెండు కొలమానాలను (metrics) లెక్కిస్తారు:

• దిగుబడి లోపం (Yield Error): (వాస్తవమైనది మైనస్ అంచనా) ని అంచనాతో భాగించడం.
• సమయ లోపం (Timing Error): వాస్తవ పంట సేకరణ తేదీ మైనస్ అంచనా వేసిన పంట సేకరణ తేదీ.

ఈ లోపాలను పంట కుటుంబం లేదా బెడ్ లొకేషన్ ఆధారంగా వర్గీకరించడం ద్వారా నమూనాలను (patterns) గుర్తించవచ్చు. నీడలో ఉండే బ్రాసికా (brassicas) పంటలకు 15% తక్కువ అంచనా లేదా వసంతకాలపు క్యారెట్‌లకు 7 రోజుల ఆలస్యం వంటివి మీరు గమనించవచ్చు. మొలకల రేట్లు లేదా పక్వానికి వచ్చే రోజులు వంటి మీ AI ఊహలను (assumptions) సర్దుబాటు చేయడం ద్వారా, వచ్చే సీజన్‌ను మీ వాస్తవ పరిస్థితులకు అనుగుణంగా మార్చుకోవచ్చు.

గత వసంతకాలంలో, మీ AI బెడ్ 4 నుండి 30 lb లెట్యూస్‌ను అంచనా వేసింది. మీ HarvestLog Tracker ప్రకారం కేవలం 22 lb మాత్రమే పది రోజుల ఆలస్యంగా సేకరించబడింది. ఈ లోపం మీ మోడల్ వాస్తవం కంటే వెచ్చని నేల మరియు మెరుగైన మొలకలను ఊహించిందని చూపింది.

దీనిని ఎలా అమలు చేయాలి

• డేటాను సేకరించండి: మీ AI మాస్టర్ ప్లాన్ మరియు దిగుబడి అంచనాలను HarvestLog Trackerలోకి తీసుకోండి. ప్రతి బెడ్ మరియు రకం కోసం మీ వాస్తవ పంట సేకరణ డేటాను జోడించండి.

• తేడాలను విశ్లేషించండి: దిగుబడి మరియు సమయ లోపాలను కనుగొనడానికి ట్రాకర్‌ని ఉపయోగించండి. మీ లోప పరిమితులను మించిపోయే పంట కుటుంబాలు లేదా నాటడం యొక్క సమయ వ్యవధతులలో (planting windows) నమూనాలను వెతకండి.

• పారామితులను అప్‌డేట్ చేయండి: మీ AI ఇన్‌పుట్ వేరియబుల్స్‌ను మార్చడానికి ఈ నమూనాలను ఉపయోగించండి. మీ పరిశీలనల ఆధారంగా మొలకల రేట్లు లేదా పక్వానికి వచ్చే రోజులను సర్దుబాటు చేయండి, ఆపై కొత్త ప్రణాళికను రూపొందించండి.

సారాంశం

• వారపు పంట సేకరణ లాగ్ ముడి డేటాను మెరుగైన అంచనాలుగా మారుస్తుంది.
• పంట మరియు బెడ్ ఆధారంగా దిగుబడి మరియు సమయ లోపాలను కొలవడం వల్ల మోడల్ పక్షపాతాన్ని (model bias) గుర్తించవచ్చు.
• ఈ పక్షపాతాలను తిరిగి మీ AIలోకి పంపడం ద్వారా మీ వ్యవసాయానికి సరిపోయే ప్రణాళికా చక్రం (planning cycle) ఏర్పడుతుంది.

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