𝗬𝗼𝘂𝗿 𝗙𝗶𝗿𝘀𝘁 𝗔𝗜 𝗠𝗼𝗱𝗲𝗹: 𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗮 𝗕𝗮𝘀𝗲𝗹𝗶𝗻𝗲 𝗖𝗼𝗻𝘁𝗮𝗺𝗶𝗻𝗮𝘁𝗶𝗼𝗻 𝗥𝗶𝘀𝗸 𝗔𝗹𝗴𝗼𝗿𝗶𝘁𝗵𝗺 𝗳𝗼𝗿 𝗦𝗺𝗮𝗹𝗹-𝗦𝗰𝗮𝗹𝗲 𝗠𝘂𝘀𝗵𝗿𝗼𝗼𝗺 𝗙𝗮𝗿𝗺𝘀

ผู้เพาะเห็ดต้องเผชิญกับความเสี่ยงมหาศาล การปนเปื้อนที่เพิ่มขึ้นอย่างกะทันหันสามารถทำลายผลผลิตทั้งหมดได้ ซึ่งเปลี่ยนความเหนื่อยยากให้กลายเป็นความสูญเสีย ฟาร์มขนาดเล็กจำนวนมากอาศัยเพียงสัญชาตญาณในการตรวจหาความเสี่ยง คุณสามารถเปลี่ยนสิ่งนี้ได้ด้วยการเปลี่ยนข้อมูลบันทึกจากเซนเซอร์ (sensor logs) ให้กลายเป็นคะแนนความเสี่ยง ซึ่งจะช่วยให้คุณตรวจพบปัญหาได้ก่อนที่จะแพร่กระจาย

โมเดลแบบคาดการณ์ (Predictive models) ทำงานโดยการเปลี่ยนข้อมูลดิบให้กลายเป็นคุณลักษณะ (features) ซึ่งคุณลักษณะเหล่านี้จะแสดงถึงสภาวะเฉลี่ยและการเปลี่ยนแปลง สำหรับความเสี่ยงจากการปนเปื้อน ให้คำนวณค่าเฉลี่ยรายวันของอุณหภูมิ ความชื้น และ CO2 เพิ่มเติมด้วยค่าสุดโต่ง เช่น อุณหภูมิสูงสุดและต่ำสุด รวมถึงความผันผวนของอุณหภูมิ (temperature swing) และจำนวนชั่วโมงที่ความชื้นสูงกว่า 90% ตัวเลขเหล่านี้จะเปลี่ยนสภาวะความเครียดทางกายภาพให้กลายเป็นสัญญาณที่โมเดลสามารถเข้าใจได้

ลองจินตนาการถึงวันที่ความชื้นเฉลี่ยอยู่ที่ 85% แต่ข้อมูลบันทึกจากเซนเซอร์ของคุณแสดงให้เห็นว่ามีช่วงเวลาที่ความชื้นสูงกว่า 90% นานถึงหกชั่วโมง ชุดคุณลักษณะ (feature set) ของคุณจะระบุระยะเวลาที่มีความชื้นสูงนี้ และโมเดลที่ผ่านการฝึกฝนจากเหตุการณ์การระบาดในอดีตจะกำหนดคะแนนความเสี่ยงให้สูง ซึ่งจะแจ้งให้คุณทราบว่าควรเพิ่มการไหลเวียนของอากาศก่อนที่สปอร์จะเริ่มเกาะตัว

ทำตามขั้นตอนเหล่านี้เพื่อสร้างระบบของคุณ:

  • เตรียมชุดข้อมูลของคุณ: ส่งออกข้อมูลเซนเซอร์รายชั่วโมงย้อนหลังหกเดือนพร้อมบันทึกการผลิต ระบุป้ายกำกับ (label) ให้แต่ละวันว่าเป็น "มีการปนเปื้อน" หรือ "สะอาด" โดยอ้างอิงจากเหตุการณ์การระบาดในอดีต จากนั้นคำนวณคุณลักษณะต่างๆ เช่น ค่าเฉลี่ยและความผันผวน

  • ฝึกฝนโมเดลพื้นฐาน: อัปโหลดตารางที่มีการระบุป้ายกำกับแล้วไปยัง Google Vertex AI เลือกอัลกอริทึมการจำแนกประเภท (classification algorithm) แบบง่าย เช่น logistic regression โดยแพลตฟอร์มจะจัดการเรื่องการปรับสเกลคุณลักษณะ (feature scaling) และการปรับจูนโมเดล (model fitting) ให้คุณเอง

  • ใช้งานรายงานรายวัน: ตั้งค่าสคริปต์เพื่อดึงข้อมูลบันทึกล่าสุดในรอบ 24 ชั่วโมง สคริปต์จะคำนวณคุณลักษณะ รับคะแนนความเสี่ยงจากโมเดลของคุณ และส่งสรุปทางอีเมล ซึ่งสรุปนี้จะแสดงปัจจัยเสี่ยงหลัก เช่น ความชื้นสูงหรือความผันผวนของอุณหภูมิ

เริ่มต้นด้วยโมเดลขนาดเล็กที่สร้างจากคุณลักษณะเพียงไม่กี่อย่าง วิธีนี้จะช่วยให้คุณเข้าใจรูปแบบของสภาพแวดล้อม สะสมข้อมูลให้มากขึ้นและฝึกฝนโมเดลใหม่ทุกๆ ไม่กี่เดือน สิ่งนี้จะเปลี่ยนกระแสข้อมูลดิบจากเซนเซอร์ให้กลายเป็นระบบเตือนภัยที่เชื่อถือได้สำหรับฟาร์มของคุณ

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