𝗧𝗮𝗵𝗺𝗶𝗻𝗹𝗲𝗿𝗶𝗻𝗶𝘇𝗶 𝗞𝗮𝗹𝗶𝗯𝗿𝗲 𝗘𝘁𝗺𝗲𝗸: 𝗗𝗼ğ𝗿𝘂𝗹𝘂ğ𝘂 𝗔𝗿𝘁ı𝗿𝗺𝗮𝗸 𝗜ç𝗶𝗻 𝗚𝗲ç𝗲𝗻 𝗦𝗲𝘇𝗼𝗻𝘂𝗻 𝗩𝗲𝗿𝗶𝗹𝗲𝗿𝗶𝗻𝗶 𝗞𝘂𝗹𝗹𝗮𝗻𝗺𝗮𝗸

Kentsel pazar bahçıvanları yaygın bir sorunla karşı karşıyadır. Bir ekim programı kağıt üzerinde mükemmel görünür ancak sahada başarısız olur. Çimlenme veya hava durumundaki küçük değişiklikler, planlarınızı boşa giden mahsullere veya kaçırılan satışlara dönüştürür. Hasat kayıtlarınızı yapay zeka planlarınız için bir geri bildirim döngüsüne dönüştürerek bunu düzeltebilirsiniz.

Tahmin Denetim Çerçevesi

Temel ilke basittir. Yapay zeka tahminlerinizi gerçekte olanlarla karşılaştırırsınız. Boşlukları bulur ve bu içgörüleri modelinize geri beslersiniz.

Her hasat olayını kaydetmek için HarvestLog Tracker'ı kullanın. Gerçek tarihi, aralıkları, çimlenme oranını, ağırlığı, yatak kimliğini (bed ID) ve ürün çeşidini takip etmelisiniz. Ayrıca hava durumu ve zararlılar hakkında notlara da ihtiyacınız vardır.

Bu kayıttan iki metrik hesaplarsınız:

  • Verim Hatası: (Gerçek - Tahmin) / Tahmin.
  • Zamanlama Hatası: Gerçek Hasat Tarihi - Tahmin Edilen Hasat Tarihi.

Bu hataları ürün ailesine veya yatak konumuna göre gruplandırmak kalıpları ortaya çıkarır. Gölgedeki lahanagiller (brassicas) için %15'lik bir düşük tahmin veya bahar havuçları için 7 günlük bir gecikme bulabilirsiniz. Çimlenme oranları veya olgunlaşma günleri gibi yapay zeka varsayımlarınızı ayarlamak, gelecek sezonu gerçek koşullarınızla uyumlu hale getirir.

Geçen bahar, yapay zekanız 4 numaralı yatakta 30 lb marul tahmin etmişti. HarvestLog Tracker'ınız ise on gün gecikmeyle sadece 22 lb hasat edildiğini gösterdi. Bu hata, modelinizin gerçeklikten daha sıcak toprak ve daha iyi çimlenme varsaydığını gösterdi.

Bu Nasıl Uygulanır

  • Veri Toplayın: Yapay zeka ana planınızı ve verim tahminlerinizi HarvestLog Tracker'a aktarın. Her yatak ve çeşit için gerçek hasat verilerinizi ekleyin.

  • Boşlukları Analiz Edin: Verim ve zamanlama hatalarını bulmak için takipçiyi kullanın. Hata sınırlarınızı aşan ürün aileleri veya ekim pencerelerindeki kalıpları arayın.

  • Parametreleri Güncelleyin: Bu kalıpları yapay zeka girdi değişkenlerinizi değiştirmek için kullanın. Bulgularınıza dayanarak çimlenme oranlarını veya olgunlaşma günlerini ayarlayın ve ardından yeni bir plan oluşturun.

Özet

  • Haftalık bir hasat günlüğü, ham verileri daha iyi tahminlere dönüştürür.
  • Verim ve zamanlama hatalarını ürün ve yatağa göre ölçmek, model yanlılığını (bias) ortaya çıkarır.
  • Bu yanlılıkları yapay zekanıza geri beslemek, çiftliğinizle eşleşen bir planlama döngüsü oluşturur.

Kaynak: https://dev.to/ken_deng_ai/calibrating-your-forecasts-using-last-seasons-data-to-improve-this-seasons-accuracy-31b6

İsteğe bağlı öğrenme topluluğu: https://t.me/GyaanSetuAi