செயற்கை நுண்ணறிவு விவசாயத்திற்கு எவ்வாறு உதவுகிறது? [காணொளி மற்றும் வினாவிடை]

சுருக்கமான பதில்: முதலில் எங்கு ஆய்வு செய்வது, எதற்கு சிகிச்சை அளிப்பது, எந்த விலங்குகளைக் கண்காணிப்பது போன்ற செயல்படக்கூடிய முடிவுகளாக, சிதறிக் கிடக்கும் பண்ணைத் தரவுகளை மாற்றுவதன் மூலம் செயற்கை நுண்ணறிவு விவசாயத்திற்கு உதவுகிறது. இது அன்றாடப் பண்ணை வேலைகளில் இயைந்து, தனது பரிந்துரைகளை விளக்கும்போது மிகவும் மதிப்புமிக்கதாகிறது; குறிப்பாக இணைய இணைப்பு சீராக இல்லாதபோதும் அல்லது சூழ்நிலைகள் மாறும்போதும் இது மிகவும் பயனுள்ளதாக அமைகிறது.

முக்கிய குறிப்புகள்:

முன்னுரிமை: சாரணர் பணிகளையும், மிகவும் சிக்கலான இடங்களை நோக்கி கவனத்தையும் செலுத்த AI ஐப் பயன்படுத்தவும்.

பணிப்பாய்வுப் பொருத்தம்: வண்டியின் உள்ளிருந்தே இயங்கும், விரைவாகச் செயல்படும், மற்றும் கூடுதல் உள்நுழைவுகளைக் கோராத கருவிகளைத் தேர்ந்தெடுக்கவும்.

வெளிப்படைத்தன்மை: முடிவுகள் நம்பகத்தன்மை வாய்ந்தவையாகவும், கேள்விக்குட்படுத்தக்கூடியவையாகவும் இருப்பதற்கு, 'ஏன்' என்பதை விளக்கும் அமைப்புகளையே விரும்புகிறோம்.

தரவு உரிமைகள்: ஏற்றுக்கொள்வதற்கு முன் உரிமை, அனுமதிகள், ஏற்றுமதி மற்றும் நீக்குதல் விதிமுறைகளைப் பூட்டவும்.

தவறாகப் பயன்படுத்த எதிர்ப்பு: கணிப்புகளை எச்சரிக்கைகளாகக் கருதுங்கள், எப்போதும் மனித தீர்ப்பைக் கொண்டு நல்லறிவுச் சரிபார்ப்பை மேற்கொள்ளுங்கள்.

இதில் பெரும்பாலானவை ஒரு விஷயத்திற்குக் கீழே வருகின்றன: குழப்பமான பண்ணைத் தரவை (படங்கள், சென்சார் அளவீடுகள், மகசூல் வரைபடங்கள், இயந்திரப் பதிவுகள், வானிலை சமிக்ஞைகள்) தெளிவான செயல்களாக மாற்றுவது. அந்த "செயல்களாக மாறுதல்" பகுதியே அடிப்படையில் வேளாண் முடிவு ஆதரவில் இயந்திரக் கற்றலின் முழுப் புள்ளியாகும். [1]

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:

🔗 பயிர் நோய்களைக் கண்டறிய AI எவ்வாறு உதவுகிறது
நோய்களை முன்கூட்டியே மற்றும் துல்லியமாக அடையாளம் காண AI பயிர் படங்களை பகுப்பாய்வு செய்கிறது.

🔗 செயற்கை நுண்ணறிவில் கணினி பார்வை என்றால் என்ன?
படங்கள், வீடியோக்கள் மற்றும் காட்சித் தரவை இயந்திரங்கள் எவ்வாறு புரிந்துகொள்கின்றன என்பதை விளக்குகிறது.

🔗 பணியமர்த்தலில் AI ஐ எவ்வாறு பயன்படுத்துவது
ஆட்சேர்ப்பு, தேர்வு மற்றும் வேட்பாளர் பொருத்தத்தை மேம்படுத்துவதற்கான நடைமுறை வழிகள் AI.

🔗 செயற்கை நுண்ணறிவை எவ்வாறு கற்றுக்கொள்வது
AI கருத்துகள் மற்றும் கருவிகளைக் கற்றுக்கொள்ள ஆரம்பநிலைக்கு ஏற்ற வழிகாட்டுதல்.

1) எளிமையான யோசனை: AI அவதானிப்புகளை முடிவுகளாக மாற்றுகிறது 🧠➡️🚜

பண்ணைகள் அபத்தமான அளவிலான தகவல்களை உருவாக்குகின்றன: மண் மாறுபாடு, பயிர் அழுத்த முறைகள், பூச்சி அழுத்தம், விலங்குகளின் நடத்தை, இயந்திர செயல்திறன் மற்றும் பல. மனிதர்கள் தவறவிடும் வடிவங்களைக் கண்டறிந்து, குறிப்பாக பெரிய, குழப்பமான தரவுத்தொகுப்புகளில், பின்னர் எங்கு தேடுவது, எதைக் கையாள்வது, எதைப் புறக்கணிப்பது போன்ற முடிவுகளை எடுப்பதன் மூலம் AI உதவுகிறது. [1]

இதைப்பற்றி சிந்திப்பதற்கான ஒரு மிக நடைமுறை வழி: செயற்கை நுண்ணறிவு என்பது ஒரு முன்னுரிமைப்படுத்தும் இயந்திரம். அது உங்களுக்காக மாயாஜாலமாக விவசாயம் செய்வதில்லை - மாறாக, உங்கள் நேரத்தையும் கவனத்தையும் உண்மையில் முக்கியத்துவம் வாய்ந்த இடங்களில் செலுத்த அது உதவுகிறது.

2) விவசாயத்திற்கான AI இன் நல்ல பதிப்பை உருவாக்குவது எது? ✅🌱

"விவசாயத்திற்கான அனைத்து AI"களும் சமமாக உருவாக்கப்படவில்லை. சில கருவிகள் உண்மையிலேயே உறுதியானவை; மற்றவை... அடிப்படையில் லோகோவுடன் கூடிய ஒரு ஆடம்பரமான வரைபடம்.

நிஜ வாழ்க்கையில் மிகவும் முக்கியமானவை இங்கே:

• உங்கள் உண்மையான பணிப்பாய்வுடன் வேலை செய்கிறது (டிராக்டர் வண்டி, சேற்று கையுறைகள், குறைந்த நேரம்)

• வெறும் மதிப்பெண்ணை மட்டும் தராமல், அதற்கான காரணத்தையும் விளக்குகிறது (இல்லையென்றால் நீங்கள் அதை நம்ப மாட்டீர்கள்).

• பண்ணை மாறுபாடுகளைக் கையாளுகிறது (மண், வானிலை, கலப்பினங்கள், சுழற்சிகள் - எல்லாம் மாறுகிறது)

• தரவு உரிமை + அனுமதிகளை அழிக்கவும் (யார் எதைப் பார்க்கலாம், எந்த நோக்கத்திற்காக) [5]

• மற்ற அமைப்புகளுடன் நன்றாக வேலை செய்கிறது (ஏனெனில் தரவு குழிகள் ஒரு நிலையான தலைவலி)

• சீரற்ற இணைப்புடன் கூட இன்னும் பயனுள்ளதாக இருக்கும் (கிராமப்புற உள்கட்டமைப்பு சீரற்றது, மேலும் "கிளவுட்-மட்டும்" ஒரு தடையாக இருக்கலாம்) [2]

நேர்மையாகச் சொல்லப் போனால்: மதிப்பைப் பெற மூன்று உள்நுழைவுகளும் ஒரு விரிதாள் ஏற்றுமதியும் தேவைப்பட்டால், அது “புத்திசாலித்தனமான விவசாயம்” அல்ல, அது தண்டனை 😬.

3) ஒப்பீட்டு அட்டவணை: விவசாயிகள் உண்மையில் பயன்படுத்தும் பொதுவான AI-ish கருவி வகைகள் 🧾✨

விலைகள் மாறுகின்றன மற்றும் தொகுப்புகள் மாறுபடும், எனவே இவற்றை நற்செய்தியாகக் கருதுவதற்குப் பதிலாக "விலையுயர்ந்த" வரம்புகளாகக் கருதுங்கள்.

சிறிய வடிவமைப்பு ஒப்புதல் வாக்குமூலம்: "price vibe" என்பது நான் இப்போது கண்டுபிடித்த ஒரு தொழில்நுட்ப சொல்... ஆனால் நான் சொல்வது உங்களுக்குப் புரிகிறது 😄.

4) பயிர் ஆய்வு: சீரற்ற நடைப்பயணத்தை விட AI சிக்கல்களை வேகமாகக் கண்டுபிடிக்கும் 🚶♂️🌾

மிகப்பெரிய வெற்றிகளில் ஒன்று முன்னுரிமைப்படுத்துதல். எல்லா இடங்களிலும் சமமாக ஆய்வு செய்வதற்குப் பதிலாக, AI ஆனது படங்கள் மற்றும் கள வரலாற்றைப் பயன்படுத்தி, சிக்கல் ஏற்படக்கூடிய இடங்களை உங்களுக்குச் சுட்டிக்காட்டுகிறது. இந்த அணுகுமுறைகள் ஆராய்ச்சி இலக்கியங்களில் தொடர்ந்து காணப்படுகின்றன - நோய் கண்டறிதல், களை கண்டறிதல், பயிர் கண்காணிப்பு - ஏனெனில் அவை இயந்திர கற்றல் (ML) சிறப்பாகச் செய்யக்கூடிய வடிவ-அடையாள சிக்கலாகும். [1]

பொதுவான AI-இயக்கப்படும் ஸ்கவுட்டிங் உள்ளீடுகள்:

• செயற்கைக்கோள் அல்லது ட்ரோன் படங்கள் (பயிர் வீரிய சமிக்ஞைகள், மாற்றத்தைக் கண்டறிதல்) [1]

• பூச்சி/நோய் ஐடிக்கான ஸ்மார்ட்போன் புகைப்படங்கள் (பயனுள்ளவை, ஆனால் இன்னும் மனித மூளை இணைக்கப்பட வேண்டும்) [1]

• வரலாற்று மகசூல் + மண் அடுக்குகள் (எனவே நீங்கள் "சாதாரண பலவீனமான இடங்களை" புதிய சிக்கல்களுடன் குழப்பிக் கொள்ள வேண்டாம்)

செயற்கை நுண்ணறிவு விவசாயத்திற்கு எவ்வாறு உதவுகிறது? என்பது மிகவும் நேரடியான பொருளைக் கொடுக்கும் இடம் இதுதான் : நீங்கள் தவறவிடவிருந்ததை கவனிக்க இது உதவுகிறது 👀. [1]

5) துல்லியமான உள்ளீடுகள்: சிறந்த தெளித்தல், உரமிடுதல், நீர்ப்பாசனம் 💧🌿

உள்ளீடுகள் விலை உயர்ந்தவை. தவறுகள் வலியை ஏற்படுத்தும். எனவே, உங்கள் தரவு மற்றும் அமைப்பு உறுதியாக இருந்தால் , AI உண்மையான, அளவிடக்கூடிய ROI போல உணரக்கூடிய இடம் இதுதான் . [1]

சிறந்த தெளித்தல் (குறிவைக்கப்பட்ட பயன்பாடுகள் உட்பட)

இது "பணத்தைக் காட்டு" என்பதற்கான மிகத் தெளிவான எடுத்துக்காட்டுகளில் ஒன்றாகும்: கணினிப் பார்வை + இயந்திரக் கற்றல் எல்லாவற்றையும் கண்மூடித்தனமாகத் தெளிப்பதற்குப் பதிலாக களைகளை மட்டும் குறிவைத்துத் தெளிக்க உதவும் . [3]

முக்கியமான நம்பிக்கை குறிப்பு: இந்த அமைப்புகளை விற்கும் நிறுவனங்கள் கூட, களை அழுத்தம், பயிர் வகை, அமைப்புகள் மற்றும் நிலைமைகளைப் பொறுத்து முடிவுகள் மாறுபடும் என்று வெளிப்படையாகக் கூறுகின்றன - எனவே இதை ஒரு கருவியாகக் கருதுங்கள், உத்தரவாதமாக அல்ல. [3]

மாறுபடும் விகித விதைப்பு மற்றும் மருந்துச்சீட்டுகள்

மண்டலங்களை வரையறுக்கவும், அடுக்குகளை இணைக்கவும், ஸ்கிரிப்ட்களை உருவாக்கவும், பின்னர் உண்மையில் என்ன நடந்தது என்பதை மதிப்பீடு செய்யவும் மருந்துக் கருவிகள் உங்களுக்கு உதவும். அந்த "என்ன நடந்தது என்பதை மதிப்பிடும்" லூப் முக்கியமானது - ஒரு முறை அழகான வரைபடத்தை உருவாக்குவது மட்டுமல்லாமல், பருவத்திற்கு ஏற்றவாறு கற்றுக்கொள்ளும்போது ML in ag சிறந்தது. [1]

ஆம், சில நேரங்களில் முதல் வெற்றி வெறுமனே: "கடைசியாக என்ன நடந்தது என்பதை என்னால் பார்க்க முடிகிறது." கவர்ச்சியாக இல்லை. மிகவும் உண்மையானது.

6) பூச்சி மற்றும் நோய் கணிப்பு: முன் எச்சரிக்கைகள், குறைவான ஆச்சரியங்கள் 🐛⚠️

கணிப்பு தந்திரமானது (உயிரியல் குழப்பத்தை விரும்புகிறது), ஆனால் நோய் கண்டறிதல் மற்றும் மகசூல் தொடர்பான முன்னறிவிப்பு போன்ற விஷயங்களுக்கு ML அணுகுமுறைகள் பரவலாக ஆய்வு செய்யப்படுகின்றன - பெரும்பாலும் வானிலை சமிக்ஞைகள், படங்கள் மற்றும் கள வரலாறு ஆகியவற்றை இணைப்பதன் மூலம். [1]

யதார்த்த சரிபார்ப்பு: ஒரு கணிப்பு என்பது ஒரு தீர்க்கதரிசனம் அல்ல. அதை ஒரு புகை அலாரம் போல நடத்துங்கள் - அது எப்போதாவது எரிச்சலூட்டும் போது கூட பயனுள்ளதாக இருக்கும் 🔔.

7) கால்நடைகள்: AI நடத்தை, ஆரோக்கியம் மற்றும் நலனைக் கண்காணிக்கிறது 🐄📊

கால்நடை செயற்கை நுண்ணறிவு பிரபலமடைந்து வருவதற்குக் காரணம், 'எல்லா விலங்குகளையும் எல்லா நேரங்களிலும் கண்காணிக்க முடியாது' என்ற ஒரு எளிய யதார்த்தத்தை அது கையாள்வதே ஆகும் .

துல்லியமான கால்நடை வளர்ப்பு (PLF) என்பது அடிப்படையில் தொடர்ச்சியான கண்காணிப்பு மற்றும் முன்கூட்டிய எச்சரிக்கையை மையமாகக் கொண்டது - இந்த அமைப்பின் வேலை, தற்போதே கவனம் தேவைப்படும் விலங்குகளின் மீது உங்கள் கவனத்தை ஈர்ப்பதாகும் . [4]

நீங்கள் காட்டில் காணக்கூடிய உதாரணங்கள்:

• அணியக்கூடிய பொருட்கள் (காலர்கள், காது குறிச்சொற்கள், கால் உணரிகள்)

• போலஸ் வகை உணரிகள்

• கேமரா அடிப்படையிலான கண்காணிப்பு (இயக்கம்/நடத்தை முறைகள்)

எனவே, விவசாயத்திற்கு செயற்கை நுண்ணறிவு எவ்வாறு உதவுகிறது என்று நீங்கள் கேட்டால் , சில சமயங்களில் அதன் பதில் மிகவும் எளிமையானது: நிலைமை மோசமடைவதற்கு முன்பு, எந்த விலங்கை முதலில் சோதிக்க வேண்டும் என்று அது உங்களுக்குச் சொல்கிறது 🧊. [4]

8) ஆட்டோமேஷன் மற்றும் ரோபாட்டிக்ஸ்: திரும்பத் திரும்பச் செய்யும் வேலைகளைச் செய்தல் (மற்றும் அவற்றைத் தொடர்ந்து செய்தல்) 🤖🔁

தானியங்குமயமாக்கல் என்பது "உதவிகரமான உதவி" முதல் "முழுமையான தன்னாட்சி" வரை உள்ளது, மேலும் பெரும்பாலான பண்ணைகள் இவ்விரண்டிற்கும் இடையில் எங்கோ அமைந்துள்ளன. பெரிய அளவிலான பார்வையில், FAO இந்த முழுப் பகுதியையும் இயந்திரங்கள் முதல் AI வரை அனைத்தையும் உள்ளடக்கிய ஒரு பரந்த தானியங்குமயமாக்கல் அலையின் ஒரு பகுதியாகக் கருதுகிறது, இதில் சாத்தியமான நன்மைகள் மற்றும் சீரற்ற தத்தெடுப்பு அபாயங்கள் இரண்டும் உள்ளன. [2]

ரோபோக்கள் மாயாஜாலங்கள் அல்ல, ஆனால் அவை சோர்வடையாத... அல்லது புகார் செய்யாத... அல்லது தேநீர் இடைவேளை தேவைப்படாத (சரி, லேசான மிகைப்படுத்தல்) இரண்டாவது ஜோடி கைகளைப் போல இருக்கலாம் ☕.

9) பண்ணை மேலாண்மை + முடிவெடுக்கும் ஆதரவு: "அமைதியான" வல்லரசு 📚🧩

இதுவே பெரும்பாலும் நீண்ட கால மதிப்பை இயக்கும் கவர்ச்சியற்ற பகுதி: சிறந்த பதிவுகள், சிறந்த ஒப்பீடுகள், சிறந்த முடிவுகள்.

பயிர், கால்நடைகள், மண் மற்றும் நீர் மேலாண்மை ஆராய்ச்சி முழுவதும் ML-இயக்கப்படும் முடிவெடுக்கும் ஆதரவு வெளிப்படுகிறது, ஏனெனில் பல பண்ணை முடிவுகள் பின்வருமாறு சுருக்கப்பட்டுள்ளன: நேரம், வயல்கள் மற்றும் நிலைமைகள் முழுவதும் புள்ளிகளை இணைக்க முடியுமா? [1]

நீங்கள் எப்போதாவது இரண்டு பருவங்களை ஒப்பிட்டுப் பார்த்து, "ஏன் எதுவும் வரிசையாக இல்லை?" என்று நினைத்திருந்தால் - ஆம். இதுதான் காரணம்.

10) விநியோகச் சங்கிலி, காப்பீடு மற்றும் நிலைத்தன்மை: திரைக்குப் பின்னால் உள்ள AI 📦🌍

விவசாயத்தில் AI என்பது பண்ணையில் மட்டுமல்ல. "வேளாண் உணவு அமைப்புகள்" பற்றிய FAO-வின் பார்வை, வயலை விட வெளிப்படையாக பெரியது - இது மதிப்புச் சங்கிலிகள் மற்றும் உற்பத்தியைச் சுற்றியுள்ள பரந்த அமைப்பை உள்ளடக்கியது, அங்குதான் முன்னறிவிப்பு மற்றும் சரிபார்ப்பு கருவிகள் பொதுவாகக் காண்பிக்கப்படுகின்றன. [2]

இங்குதான் விஷயங்கள் ஒரே நேரத்தில் விசித்திரமாக அரசியல் மற்றும் தொழில்நுட்ப ரீதியாக மாறுகின்றன - எப்போதும் வேடிக்கையாக இருக்காது, ஆனால் பெருகிய முறையில் பொருத்தமானவை.

11) ஆபத்துகள்: தரவு உரிமைகள், சார்பு, இணைப்பு மற்றும் “யாரும் பயன்படுத்தாத அருமையான தொழில்நுட்பம்” 🧯😬

சலிப்பூட்டும் விஷயங்களை நீங்கள் புறக்கணித்தால் AI முற்றிலும் பின்வாங்கும்:

• தரவு நிர்வாகம்: உரிமை, கட்டுப்பாடு, ஒப்புதல், பெயர்வுத்திறன் மற்றும் நீக்கம் ஆகியவை ஒப்பந்த மொழியில் தெளிவாக இருக்க வேண்டும் (சட்ட மூடுபனியில் புதைக்கப்படக்கூடாது) [5]

• இணைப்பு + உள்கட்டமைப்பை செயல்படுத்துதல்: தத்தெடுப்பு சீரற்றது, மேலும் கிராமப்புற உள்கட்டமைப்பு இடைவெளிகள் உண்மையானவை [2]

• சார்பு மற்றும் சமமற்ற பலன்: சில பண்ணை வகைகள்/பிராந்தியங்களுக்கு கருவிகள் மற்றவற்றை விட சிறப்பாக செயல்படக்கூடும், குறிப்பாக பயிற்சி தரவு உங்கள் யதார்த்தத்துடன் பொருந்தவில்லை என்றால் [1]

• பார்க்க நேர்த்தியாகத் தெரிகிறது, ஆனால் பயனுள்ளதாக இல்லை: அது பணி ஓட்டத்திற்குப் பொருந்தவில்லை என்றால், அது பயன்படுத்தப்படாது (டெமோ எவ்வளவு அருமையாக இருந்தாலும் சரி).

AI ஒரு டிராக்டர் என்றால், டேட்டா தரம் டீசல். மோசமான எரிபொருள், மோசமான நாள்.

12) தொடங்குதல்: ஒரு குறைந்த நாடகத் திட்டம் 🗺️✅

பணத்தை எரியவிடாமல் AI-ஐ முயற்சிக்க விரும்பினால்:

1. ஒரு வலி புள்ளியைத் தேர்ந்தெடுக்கவும் (களைகள், நீர்ப்பாசன நேரம், வேவு பார்க்கும் நேரம், மந்தை சுகாதார எச்சரிக்கைகள்)

2. முழு ஆட்டோமேஷனுக்கு முன் தெரிவுநிலையுடன் (மேப்பிங் + கண்காணிப்பு) தொடங்கவும் [1]

3. ஒரு எளிய சோதனையை இயக்கவும்: ஒரு வயல், ஒரு மந்தை குழு, ஒரு பணிப்பாய்வு.

4. ஒரு அளவீட்டைக் கண்காணிக்கவும் (ஸ்ப்ரே அளவு, சேமிக்கப்பட்ட நேரம், மறு சிகிச்சைகள், மகசூல் நிலைத்தன்மை)

5. நீங்கள் [5] செய்வதற்கு முன் தரவு உரிமைகள் + ஏற்றுமதி விருப்பங்களைச் சரிபார்க்கவும்.

6. பயிற்சிக்கான திட்டம் - "எளிதான" கருவிகளுக்குக் கூட பழக்கங்கள் தேவை [2]

13) இறுதி குறிப்புகள்: AI விவசாயத்திற்கு எவ்வாறு உதவுகிறது? 🌾✨

விவசாயத்திற்கு AI எவ்வாறு உதவுகிறது? படங்கள், சென்சார் அளவீடுகள் மற்றும் இயந்திர பதிவுகளை நீங்கள் உண்மையில் எடுக்கக்கூடிய செயல்களாக மாற்றுவதன் மூலம், பண்ணைகள் குறைவான யூகங்களுடன் சிறந்த அழைப்புகளைச் செய்ய இது உதவுகிறது. [1]

டிஎல்;டிஆர்

• AI ஸ்கவுட்டிங்கை (சிக்கல்களை முன்கூட்டியே கண்டறியவும்) [1]

• இது துல்லியமான உள்ளீடுகளை (குறிப்பாக இலக்கு தெளித்தல்) செயல்படுத்துகிறது [3]

• இது கால்நடை கண்காணிப்பை (முன்கூட்டிய எச்சரிக்கைகள், நலன் கண்காணிப்பு) [4]

• இது ஆட்டோமேஷனை (நன்மைகளுடன் - மற்றும் உண்மையான தத்தெடுப்பு இடைவெளிகளுடன்) [2]

• தரவு உரிமைகள், வெளிப்படைத்தன்மை மற்றும் பயன்பாட்டுத்திறன் ஆகியவை உற்பத்தி அல்லது முறிவு காரணிகளாகும் [5]

நிஜ உலக உதாரணம்: பயிர் கண்காணிப்பிற்கு முன்னுரிமை அளிக்க செயற்கை நுண்ணறிவைப் பயன்படுத்துதல் 🌾🔍

சூழ்நிலை

குளிர்கால கோதுமை, எண்ணெய் வித்து கடுகு மற்றும் வசந்தகால பார்லி ஆகியவற்றை பயிரிடும் 650 ஏக்கர் சாகுபடிப் பண்ணை ஒன்றை கற்பனை செய்து பாருங்கள். அந்தப் பண்ணையில் ஏற்கனவே விளைச்சல் வரைபடங்கள், அடிப்படை மண் மண்டல வரைபடங்கள், தெளிப்புப் பதிவுகள் மற்றும் வாராந்திர செயற்கைக்கோள் படங்கள் உள்ளன. ஆனாலும், மேலாளர் இன்றும் பெரும்பாலும் தனது பழக்கத்தின்படியே வயல்களை ஆய்வு செய்கிறார்: முதலில் வரப்புப் பகுதிகள், அடுத்து அறியப்பட்ட பலவீனமான பகுதிகள், பின்னர் நேரம் கிடைக்கும்போது மற்றவற்றிற்குச் செல்கிறார்.

பிரச்சனை தரவுகளின் பற்றாக்குறை அல்ல. மாறாக, அந்தத் தரவுகள் வெவ்வேறு இடங்களில் குவிந்திருப்பதும், “இன்று காலை நான் முதலில் எங்கே நடக்க வேண்டும்?” என்ற அன்றாடக் கேள்விக்குத் தெளிவாகப் பதிலளிக்காததுமே ஆகும்

ஒரு எளிய செயற்கை நுண்ணறிவு உதவியுடனான கள ஆய்வுப் பணிப்பாய்வு, பட மாற்றங்கள், கள வரலாறு மற்றும் சமீபத்திய வானிலை ஆகியவற்றை ஆய்வுப் புள்ளிகளின் தரவரிசைப்படுத்தப்பட்ட பட்டியலாக மாற்றுவதன் மூலம் உதவக்கூடும்.

உதவியாளருக்கு என்ன தேவை

பணிப்பாய்வை மதிப்புமிக்கதாக மாற்றுவதற்கு, பண்ணை மேலாளர் பின்வருவனவற்றைச் சேகரிப்பார்:

• ஒவ்வொரு வயலுக்கான எல்லைகள் மற்றும் பயிர் வகை

• சமீபத்திய செயற்கைக்கோள் அல்லது ட்ரோன் படங்கள்

• முந்தைய விளைச்சல் வரைபடங்கள், கிடைக்கப்பெற்றால்

• அறியப்பட்ட ஈரமான இடங்கள், இறுக்கப்பட்ட பகுதிகள், அல்லது வரலாற்று களைத் திட்டுகள்

• சமீபத்திய வானிலை குறிப்புகள், குறிப்பாக மழைப்பொழிவு மற்றும் வெப்பநிலை ஏற்ற இறக்கங்கள்

• தெளிப்பு மற்றும் உரப் பதிவுகள்

• பூச்சிகள், நோய்கள், களைகள், நீர் தேக்கம் மற்றும் பயிர் பாதிப்பு ஆகியவற்றைக் கண்டறிவதற்கான ஒரு சுருக்கமான சரிபார்ப்புப் பட்டியல்

இறுதி வேளாண்மை முடிவை உதவியாளர் எடுக்க வேண்டியதில்லை. கவனிக்க வேண்டிய பகுதிகளை வரிசைப்படுத்துவது, ஒவ்வொரு பகுதியும் ஏன் முக்கியமானது என்பதை விளக்குவது, மற்றும் மனிதர் விரைவாகச் சரிபார்க்க உதவுவது ஆகியவையே அதன் பணியாகும்.

எடுத்துக்காட்டு அறிவுறுத்தல்

நீங்கள் ஒரு கலப்பு சாகுபடிப் பண்ணைக்கான பயிர்க் கண்காணிப்பிற்கு முன்னுரிமை அளிக்க உதவுகிறீர்கள். இன்றைய தினத்திற்கான தரவரிசைப்படுத்தப்பட்ட கண்காணிப்புத் திட்டத்தை உருவாக்க, களக் குறிப்புகள், பட அவதானிப்புகள், முந்தைய விளைச்சல் மண்டலங்கள் மற்றும் சமீபத்திய வானிலைச் சுருக்கம் ஆகியவற்றைப் பயன்படுத்தவும்.

பரிந்துரைக்கப்பட்ட ஒவ்வொரு நிறுத்தத்திற்கும் பின்வருவனவற்றைச் சேர்க்கவும்:

1. புலத்தின் பெயர்

2. சரிபார்க்க வேண்டிய சரியான பகுதி அல்லது நிலக்குறி

3. இந்தப் பகுதி ஏன் முன்னுரிமை பெறுகிறது

4. நேரில் கவனிக்க வேண்டியவை

5. அந்தக் கவலையை உறுதிப்படுத்தும் அல்லது நிராகரிக்கும் சான்றுகள் யாவை?

6. நடவடிக்கை அவசரமானதா, வெறும் கண்காணிப்பில் உள்ளதா, அல்லது வேளாண் வல்லுநர் ஆய்வு தேவையா என்பது

போதுமான ஆதாரம் இருந்தாலன்றி சிகிச்சையைப் பரிந்துரைக்க வேண்டாம். அனைத்து முன்கணிப்புகளையும் இறுதி நோயறிதல்களாகக் கருதாமல், முன்னெச்சரிக்கை எச்சரிக்கைகளாகவே கருதுங்கள்.

அதை எப்படி சோதிப்பது

முழுப் பண்ணையிலிருந்து தொடங்குவதற்குப் பதிலாக, ஒரு வயல் குழுவிலிருந்து தொடங்குங்கள்.

ஒரு நல்ல ஐந்து-சோதனை அமைப்பு இதுபோன்று அமையலாம்:

• சோதனை 1: ஈரமான பகுதி இருப்பது தெரிந்த ஒரு மைதானம்

• சோதனை 2: வரலாற்று ரீதியாக கருப்புப் புல் அழுத்தம் உள்ள ஒரு மைதானம்

• சோதனை 3: திடீரென குறைந்த வீரியம் கொண்ட படப் பகுதியைக் காட்டும் ஒரு புலம்

• சோதனை 4: இயல்பான தோற்றமுடைய படங்களைக் கொண்ட, ஆனால் மோசமான விளைச்சல் வரலாற்றை உடைய ஒரு வயல்

• சோதனை 5: பெரிய பிரச்சினை எதுவும் இல்லை என்று விவசாயிக்கு ஏற்கனவே தெரிந்த ஒரு வயல்

கள ஆய்வு செய்த பிறகு, உதவியாளரின் முன்னுரிமைப் பட்டியலை, களத்தில் கண்டறியப்பட்டவற்றுடன் ஒப்பிட்டுப் பார்க்கவும்.

மூன்று எளிய எண்களைக் கண்காணிக்கவும்:

• ஆய்வுப் பாதையைத் திட்டமிடச் செலவழித்த நிமிடங்கள்

• ஒரு மணி நேரத்திற்கு கண்டறியப்பட்ட மதிப்புமிக்க சிக்கல்களின் எண்ணிக்கை

• நேரத்தை வீணடித்த தவறான எச்சரிக்கைகளின் எண்ணிக்கை

முடிவு

இது ஒரு விளக்க முடிவு மட்டுமே: பணிப்பாய்வைப் பயன்படுத்துவதற்கு முன்னும் பின்னும் ஐந்து மாதிரி உளவுப் பணிகளின் நேரத்தைக் கொண்டு கணக்கிடப்பட்டதன் அடிப்படையில் இது அமைந்துள்ளது.

செயற்கை நுண்ணறிவு உதவியுடனான திட்டத்தைப் பயன்படுத்துவதற்கு முன்பு, மேலாளர் வரைபடங்களை ஆய்வு செய்வதற்கும் எங்கு நடப்பது என்று தீர்மானிப்பதற்கும் சுமார் 45 நிமிடங்கள் செலவிட்டார். தரவரிசைப்படுத்தப்பட்ட கள ஆய்வுப் பட்டியலைப் பயன்படுத்திய பிறகு, திட்டமிடலுக்கு 12 நிமிடங்கள் மட்டுமே ஆனது.

மாதிரி சோதனையில், மேலாளர் 2 மணி நேரத்தில் 11 இடங்களை ஆய்வு செய்து, கண்காணிக்கவோ அல்லது நடவடிக்கை எடுக்கவோ தகுந்த 4 உண்மையான சிக்கல்களைக் கண்டறிந்தார்: நீர் தேங்கிய ஒரு டிராம் பாதை பகுதி, களைகள் அடர்த்தியாக வளர்ந்திருந்த இரண்டு திட்டுகள், மற்றும் வேளாண் வல்லுநர் ஆய்வு தேவைப்படும், நோயின் ஆரம்பக்கட்ட பாதிப்பு இருக்கக்கூடிய ஒரு இடம்.

அதன் முடிவு பின்வருமாறு:

• திட்டமிடல் நேரம் 45 நிமிடங்களிலிருந்து 12 நிமிடங்களாகக் குறைக்கப்பட்டது

• ஆய்வு தொடங்குவதற்கு முன்பே 33 நிமிடங்கள் மிச்சமாயின

• 11 நிறுத்தங்களில் இருந்து கிடைத்த 4 மதிப்புமிக்க கண்டுபிடிப்புகள்

• கள ஆய்வுக்குப் பிறகு 2 நிறுத்தங்கள் தவறான எச்சரிக்கைகளாகக் குறிக்கப்பட்டன

முக்கியமான விஷயம் என்னவென்றால், இந்த எண்களைச் சரிபார்ப்பது எளிது. ஒரு விவசாயி, திட்டமிடும் கட்டத்தின் நேரத்தைக் கணக்கிடலாம், கள ஆய்வு நிறுத்தங்களை எண்ணலாம், உறுதிசெய்யப்பட்ட கண்டுபிடிப்புகளைப் பதிவு செய்யலாம், மேலும் அந்தப் பாதையைத் தனது வழக்கமான கள ஆய்வுப் பழக்கங்களுடன் ஒப்பிடலாம்.

என்ன தவறு நடக்கக்கூடும்?

உள்ளீட்டுத் தரவு காலாவதியானதாகவோ, குறைந்த தெளிவுத்திறன் கொண்டதாகவோ, அல்லது முக்கியமான சூழல் விடுபட்டதாகவோ இருந்தால், அந்த உதவியாளர் தவறான கணிப்புகளைச் செய்யக்கூடும். செடியின் வீரியம் குறைவாக உள்ள ஒரு பகுதி நோயாக இருக்கலாம், ஆனால் அது மண் இறுக்கம், தேங்கி நிற்கும் நீர், முயல்களால் ஏற்படும் சேதம், செடி சரியாக வேரூன்றாதது, அல்லது அறியப்பட்ட ஒரு பலவீனமான மண் பகுதியாகவும் இருக்கலாம்.

தவிர்க்க வேண்டிய பொதுவான தவறுகள்:

• செயற்கை நுண்ணறிவின் வெளியீட்டை ஒரு உளவுத் திட்டமாகக் கருதாமல், ஒரு நோயறிதலாகக் கருதுதல்

• தற்போதைய புல எல்லைகளுடன் அவை பொருந்துகின்றனவா எனச் சரிபார்க்காமல் வரைபடங்களைப் பதிவேற்றுதல்

• உள்ளூர் வேளாண் வல்லுநர்களின் அறிவைப் புறக்கணித்தல்

• தவறான எச்சரிக்கைகளைப் பதிவு செய்ய மறந்துவிடுதல்

• ஒரு பருவத்தின் முடிவுகளைக் கொண்டு முழு அமைப்பையும் மதிப்பிடுதல்

• மனித மதிப்பாய்வு இல்லாமல் கருவி சிகிச்சைகளைப் பரிந்துரைக்க அனுமதிப்பது

நடைமுறைப் பாடம்

இந்த எடுத்துக்காட்டில் செயற்கை நுண்ணறிவின் சிறந்த பயன்பாடு என்பது விவசாயியையோ அல்லது வேளாண் வல்லுநரையோ மாற்றுவது அல்ல. அது, நாளின் முதல் ஒரு மணி நேரத்தை மேலும் கூர்மையாக்குவதே ஆகும்: அதாவது, திட்டமிடப்படாத வயல்வெளிப் பயணங்களைக் குறைத்து, சோதனைகளை வேகப்படுத்தி, ஒவ்வொரு கள ஆய்வு நிறுத்தத்திற்கும் ஒரு தெளிவான காரணத்தை வழங்குவதாகும்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

ஒரு பண்ணையில் விவசாய முடிவெடுப்பதை AI எவ்வாறு ஆதரிக்கிறது

விவசாயத்தில் AI என்பது பெரும்பாலும் அவதானிப்புகளை நீங்கள் செயல்படக்கூடிய முடிவுகளாக மாற்றுவதாகும். பண்ணைகள் படங்கள், சென்சார் அளவீடுகள், மகசூல் வரைபடங்கள், இயந்திர பதிவுகள் மற்றும் வானிலை சமிக்ஞைகள் போன்ற சத்தமான உள்ளீடுகளை உருவாக்குகின்றன, மேலும் ML அவை முழுவதும் மேற்பரப்பு வடிவங்களுக்கு உதவுகிறது. நடைமுறையில், இது ஒரு முன்னுரிமை இயந்திரம் போல செயல்படுகிறது: முதலில் எங்கு தேடுவது, எதை நடத்துவது மற்றும் எதை ஒதுக்கி வைப்பது. இது "உங்களுக்காக விவசாயம் செய்யாது", ஆனால் அது யூகம் வாழும் இடத்தை சுருக்கிவிடும்.

பண்ணை தரவு இயந்திர கற்றல் கருவிகள் பயன்படுத்தும் வகைகள்

பெரும்பாலான வேளாண் முடிவு ஆதரவு கருவிகள் படங்கள் (செயற்கைக்கோள், ட்ரோன் அல்லது தொலைபேசி புகைப்படங்கள்), இயந்திரம் மற்றும் கள-செயல்பாட்டு பதிவுகள், மகசூல் வரைபடங்கள், மண் அடுக்குகள் மற்றும் வானிலை சமிக்ஞைகள் ஆகியவற்றிலிருந்து பெறப்படுகின்றன. இந்த அடுக்குகள் ஒவ்வொன்றையும் தனித்தனியாகப் பார்ப்பதற்குப் பதிலாக இணைப்பதன் மூலம் மதிப்பு வருகிறது. வெளியீடு பொதுவாக "கவனம் செலுத்தும் இடங்களின்" தரவரிசைப்படுத்தப்பட்ட தொகுப்பு, ஒரு மருந்து வரைபடம் அல்லது நேரில் சரிபார்ப்பை நியாயப்படுத்தும் அளவுக்கு ஏதாவது மாறிவிட்டதற்கான எச்சரிக்கை ஆகும்.

அன்றாட பயன்பாட்டிற்கு விவசாயத்திற்கான AI கருவியை எது உதவிகரமாக மாற்றுகிறது?

வேலை எப்படி நடக்கிறது என்பதற்கு வலிமையான கருவிகள் பொருந்துகின்றன: ஒரு டிராக்டர் வண்டியில், குறைந்த நேரத்திலும், சில சமயங்களில் சேற்று கையுறைகள் மற்றும் திட்டு திட்டு சமிக்ஞையுடனும். நடைமுறை கருவிகள் வெறும் மதிப்பெண்ணை மட்டுமல்ல, "ஏன்" என்பதை விளக்குகின்றன, மேலும் அவை மண், வானிலை, கலப்பினங்கள் மற்றும் சுழற்சிகள் முழுவதும் பண்ணை மாறுபாட்டை சமாளிக்கின்றன. அவற்றுக்கும் தெளிவான தரவு உரிமை மற்றும் அனுமதிகள் தேவை, மேலும் அவை மற்ற அமைப்புகளுடன் ஒருங்கிணைக்கப்பட வேண்டும், இதனால் நீங்கள் தரவு குழிகளில் சிக்கிக்கொள்ள மாட்டீர்கள்.

பண்ணையில் AI கருவிகளைப் பயன்படுத்துவதற்கு இணைய இணைப்பு தேவைகள்

அவசியமில்லை. பல பண்ணைகள் சீரற்ற கிராமப்புற இணைப்பைக் கையாளுகின்றன, மேலும் மோசமான தருணத்தில் சிக்னல் குறையும் போது கிளவுட்-மட்டும் வடிவமைப்புகள் ஒரு டீல் பிரேக்கராக இருக்கலாம். இடைப்பட்ட அணுகலுடன் மதிப்பை வழங்கும் கருவிகளைத் தேர்ந்தெடுப்பது ஒரு பொதுவான அணுகுமுறையாகும், பின்னர் நீங்கள் மீண்டும் கவரேஜுக்கு வந்தவுடன் ஒத்திசைக்கப்படுகிறது. பல பணிப்பாய்வுகளில், முன்னுரிமை முதலில் நம்பகத்தன்மைக்கும், இரண்டாவது நுட்பத்திற்கும், குறிப்பாக நேர உணர்திறன் செயல்பாடுகளின் போது.

செயற்கைக்கோள், ட்ரோன்கள் அல்லது தொலைபேசி புகைப்படங்கள் மூலம் பயிர் ஸ்கவுட்டிங்கை AI எவ்வாறு மேம்படுத்துகிறது

AI-இயக்கப்படும் ஸ்கவுட்டிங் முக்கியமாக சீரற்ற முறையில் நடப்பதை விட சிக்கல் பகுதிகளை விரைவாகக் கண்டுபிடிப்பதாகும். படங்கள் காலப்போக்கில் மாறுபாடு மற்றும் மாற்றத்தை முன்னிலைப்படுத்தலாம், அதே நேரத்தில் கள வரலாறு "சாதாரண பலவீனமான பகுதிகளை" புதிய சிக்கல்களிலிருந்து பிரிக்க உதவுகிறது. தொலைபேசி புகைப்படங்கள் பூச்சி அல்லது நோய் ஐடிக்கு உதவலாம், ஆனால் ஒரு மனிதன் நல்லறிவு வெளியீட்டைச் சரிபார்க்கும்போது அவை இன்னும் சிறப்பாகச் செயல்படும். இதன் நன்மை குறைவான வீணான மைல்கள் மற்றும் முந்தைய கண்டறிதல் ஆகும்.

கணினி பார்வை மூலம் இலக்கு தெளித்தல் மற்றும் களைக்கொல்லி குறைப்பு

இலக்கு தெளித்தல் தேவையற்ற பயன்பாட்டைக் குறைக்க கேமராக்கள் மற்றும் ML ஐப் பயன்படுத்தி களைகளைக் கண்டறிந்து, எல்லாவற்றையும் போர்வையாக தெளிப்பதை விட, தேவைப்படும் இடங்களில் மட்டும் தெளிக்கலாம். ஜான் டீரின் சீ & ஸ்ப்ரே போன்ற அமைப்புகள் பெரும்பாலும் அமைப்பு மற்றும் நிலைமைகள் சரியாக இருக்கும்போது வலுவான ROI நிகழ்வுகளாக வடிவமைக்கப்படுகின்றன. களை அழுத்தம், பயிர் வகை, அமைப்புகள் மற்றும் வயல் நிலைமைகளைப் பொறுத்து முடிவுகள் மாறுபடும், எனவே இது ஒரு கருவியாகக் கருதப்படுகிறது - உத்தரவாதம் அல்ல.

மாறி விகித மருந்துச்சீட்டுகள் மற்றும் காலப்போக்கில் ML அவற்றை எவ்வாறு மேம்படுத்துகிறது

மாறி விகித மருந்துகள், விதைப்பு அல்லது கருவுறுதல் முடிவுகளைப் பரப்பளவில் வழிநடத்த மண்டலங்கள் மற்றும் தரவு அடுக்குகளைப் பயன்படுத்துகின்றன, பின்னர் விளைவுகளை பின்னர் ஒப்பிடுகின்றன. பருவத்தின் சுழற்சியை நீங்கள் பருவத்தில் மூடும்போது ML பிரகாசிக்கிறது: ஒரு திட்டத்தை உருவாக்குங்கள், அதை இயக்குங்கள் மற்றும் என்ன நடந்தது என்பதை மதிப்பிடுங்கள். ஒரு மங்கலான ஆரம்ப வெற்றி கூட - இறுதியாக கடைசி பாஸில் என்ன நடந்தது என்பதைப் பார்ப்பது - பின்னர் சிறந்த மருந்துச்சீட்டுகளுக்கான அடித்தளத்தை அமைக்கும்.

துல்லியமான கால்நடை வளர்ப்பு மற்றும் AI கண்காணிப்பவை

துல்லியமான கால்நடை வளர்ப்பு தொடர்ச்சியான கண்காணிப்பு மற்றும் முன்கூட்டியே எச்சரிக்கை செய்வதில் கவனம் செலுத்துகிறது, ஏனென்றால் நீங்கள் எல்லா விலங்கையும் எப்போதும் கண்காணிக்க முடியாது. AI- ஆதரவு அமைப்புகள் அணியக்கூடியவை (காலர்கள், காது குறிச்சொற்கள், கால் சென்சார்கள்), போலஸ்-வகை சென்சார்கள் அல்லது கேமராக்களைப் பயன்படுத்தி நடத்தையைக் கண்காணிக்கவும் "ஏதோ தவறு" என்பதைக் குறிக்கவும் பயன்படுத்தலாம். நடைமுறை இலக்கு எளிமையானது: பனிப்பந்து வெளியிடுவதற்கு முன்பு, இப்போதே சரிபார்க்க வேண்டிய விலங்குகளிடம் உங்கள் கவனத்தை செலுத்துங்கள்.

விவசாயத்தில் AI இன் மிகப்பெரிய ஆபத்துகள்

மிகப்பெரிய ஆபத்துகள் பெரும்பாலும் கவர்ச்சியற்றவை: தெளிவற்ற தரவு உரிமைகள் மற்றும் அனுமதிகள், இணைப்பு வரம்புகள் மற்றும் தினசரி பணிப்பாய்வுக்கு பொருந்தாத கருவிகள். பயிற்சித் தரவு உங்கள் பண்ணையின் பகுதி, நடைமுறைகள் அல்லது நிலைமைகளுடன் பொருந்தாதபோது சார்பு தோன்றலாம், இது செயல்திறனை சீரற்றதாக மாற்றும். மற்றொரு பொதுவான தோல்வி முறை "புத்திசாலித்தனமாகத் தெரிகிறது, வழங்காது" - இது அதிக உள்நுழைவுகள், ஏற்றுமதிகள் அல்லது தீர்வுகளைக் கோரினால், அது பயன்படுத்தப்படாது.

பணத்தை வீணாக்காமல் விவசாயத்தில் AI ஐ எவ்வாறு தொடங்குவது

முழு "ஸ்மார்ட் பண்ணை" அடுக்கை வாங்குவதற்குப் பதிலாக, தேடும் நேரம், களைகள், நீர்ப்பாசன நேரம் அல்லது மந்தை சுகாதார எச்சரிக்கைகள் போன்ற ஒரு முக்கிய புள்ளியுடன் தொடங்குங்கள். முழு ஆட்டோமேஷனைத் துரத்துவதற்கு முன், முதலில் தெரிவுநிலை (மேப்பிங் மற்றும் கண்காணிப்பு) என்பது ஒரு பொதுவான பாதையாகும். ஒரு சிறிய சோதனையை இயக்கவும் (ஒரு புலம் அல்லது ஒரு மந்தை குழு), நீங்கள் விரும்பும் ஒரு அளவீட்டைக் கண்காணிக்கவும், தரவு உரிமைகள் மற்றும் ஏற்றுமதி விருப்பங்களை முன்கூட்டியே மதிப்பாய்வு செய்யவும், இதனால் நீங்கள் சிக்கிக் கொள்ள மாட்டீர்கள்.

குறிப்புகள்

[1] லியாகோஸ் மற்றும் பலர். (2018) “வேளாண்மையில் இயந்திர கற்றல்: ஒரு ஆய்வு” (சென்சார்கள்)
[2] FAO (2022) “உணவு மற்றும் வேளாண்மையின் நிலை 2022: வேளாண் உணவு அமைப்புகளை மாற்றுவதற்கு தானியக்கத்தைப் பயன்படுத்துதல்” (செய்தியறை கட்டுரை)
[3] ஜான் டீயர் “சீ & ஸ்ப்ரே™ தொழில்நுட்பம்” (அதிகாரப்பூர்வ தயாரிப்பு பக்கம்)
[4] பெர்க்மான்ஸ் (2017) “துல்லியமான கால்நடை வளர்ப்பிற்கான பொது அறிமுகம்” (அனிமல் ஃபிரான்டியர்ஸ், ஆக்ஸ்போர்டு அகாடமிக்)
[5] வேளாண் தரவு வெளிப்படைத்தன்மை “முக்கிய கொள்கைகள்” (தனியுரிமை, உரிமை/கட்டுப்பாடு, பெயர்வுத்தன்மை, பாதுகாப்பு)

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்

எங்களை பற்றி