Czary-mary: na styku danologii i botaniki

Ponieważ praktyka ta jest dość nowa, zauważam, że istnieje wiele nieporozumień i założeń dotyczących łączenia nauki o roślinach z nauką o danych oraz wprowadzania nowych technologii w szklarni. Poniżej przedstawiam niektóre z głównych błędnych przekonań (i prawd), z którymi często się spotykam.

1. Błędne przekonanie: „Moje przeczucia są prawidłowe. Nie muszę korzystać z nowych technologii i stosować danologii w mojej firmie.”
   
   Prawda: Nie ma wątpliwości, że dane i sztuczna inteligencja mogą być bardzo pomocne w firmie: inteligentne algorytmy mogą skutecznie identyfikować korelacje, a technologia danych może rejestrować dane historyczne. Potrzeba jednak dobrego połączenia botaniki i danologii. Oznacza to, że należy wziąć pod uwagę doświadczenie ogrodników (wiedza ekologiczna lub smykałka do roślin). Prognozy, sugestie i zalecenia są jedynie wsparciem opartym na danych. Lubię używać metafory pilota samolotu. Obecnie większość pracy pilota wykonuje komputer. Jednak pilot jest nadal niezbędny do podejmowania właściwych i świadomych decyzji. Nawet ogrodnicy odnoszący największe sukcesy mogą od czasu do czasu korzystać z informacji opartych na danych i prognozach. Coraz częściej widzimy, że różne firmy szklarniowe stosują danologię w celu ulepszenia strategii uprawy.
   
   
2. Błędne przekonanie: “Generyczne modele roślin i danych są właściwe dla wszystkich ogrodników.”
   
   Prawda: Każdy ogrodnik jest inny i należy wziąć pod uwagę jego szczegółowe dane i warunki uprawy. Każda lokalizacja szklarni, rodzaj szklarni (z oświetleniem lub bez), rodzaj podłoża uprawowego itp. są niepowtarzalne. To zróżnicowanie wpływa bezpośrednio na wzrost i plon. Niezbędne jest spersonalizowane modelowanie danych i praca z odpowiednim programem. Zapraszamy do zapoznania się z naszą platformą danych, e-Gro, która pomoże analizować i personalizować dane w czasie rzeczywistym.
   
   
3. Błędne przekonanie: „Jak tylko zacznę pracować z danologią i sztuczną inteligencją, natychmiast zobaczę wyniki”.
   
   Prawda: Zakłada się, że po wprowadzeniu danych do modelu otrzymuje się rozwiązanie. Jak można sobie wyobrazić, to nie takie proste. Chociaż można przeprowadzić analizę opisową od razu, analizy predykcyjne (wykorzystujące dane do prognozowania) i analizy preskryptywne (wykorzystanie danych w celu podejmowania lepszych decyzji) zajmują więcej czasu. Zwykle trzeba zbierać dane przez co najmniej jeden sezon wegetacyjny i wymaga to dużej wiedzy, doświadczenia i umiejętności z zakresu nauki o danych. Dane wymagają wielu przygotowań, przetwarzania, wyboru istniejących funkcji i dodawania nowych (inżynieria cech). To nie surowe dane, ale dopracowane informacje mają dużą wartość. Tutaj w grę wchodzą również duże zbiory danych i znaczenie współpracy z odpowiednimi ludźmi. Więcej na ten temat w moim następnym artykule dotyczącym wskazówek zapewniających sukces.
   
   
4. Błędne przekonanie: „Modele rozwoju roślin będą działać bezpośrednio tak, jak modele danych, a generyczne modele danych będą działać bezpośrednio na roślinach”.
   
   Fakt: Zachowanie roślin w „rzeczywistym życiu” może znacznie różnić się od teoretycznych modeli fizjologii roślin, ponieważ istnieje wiele zewnętrznych i nieoczekiwanych czynników związanych z uprawą, takich jak ekstremalne warunki klimatyczne, wahania cen, szkodniki i choroby, problemy z pracą itp. To, co może być poprawne w środowisku laboratoryjnym, nie będzie działać bezpośrednio w prawdziwym życiu (nie ma rozwiązań uniwersalnych). Działa to również w drugą stronę. Nie można zakładać, że dobrze znane modele i receptury generyczne będą działać bezpośrednio na roślinach. Modele predykcyjne należy dostosować do wiedzy merytorycznej na temat roślin i specyficznych praktyk ogrodniczych.
   
   
5. Błędne przekonanie: „Wystarczy zatrudnić analityka danych i programistę”.
   
   Prawda: Jak wspomniano, bardzo ważne jest, aby pracować z odpowiednimi ludźmi, niezależnie od tego, czy są to firmy zewnętrzne, czy wewnętrzne. Zespół opracowujący wartościowy produkt danologii powinien składać się z odpowiednich naukowców zajmujących się danymi, programistów, ekspertów merytorycznych (różnorodnych dziedzin), menedżerów produktu i projektantów doświadczeń użytkownika, aby mieć pewność opracowania dobrych algorytmów. Proponuję znaleźć platformę o ugruntowanej pozycji, która zapewni wszechstronny zespół do pracy. Oprócz tego potrzeba wielu dobrych danych ze szklarni, aby zbudować skuteczne algorytmy. Zapraszam do przeczytania następnego artykułu o tym, jak najlepiej wykorzystać dane szklarni.
   
   

Nie wiesz, od czego zacząć? Radzę najpierw zapoznać się z podstawami danologii i skonsultować się z właściwymi ludźmi. Wymaga to czytania odpowiednich książek i artykułów, praktycznej wymiany danych, a także zastosowania metody prób i błędów. Poleciłbym śledzenie jak najwięcej liczby grup związanych z nauką o danych, uczeniem maszynowym, sztuczną inteligencją, botaniką i ogrodnictwem. Grodan to także doskonałe źródło informacji i inspiracji. Proszę o kontakt w sprawie pytań, komentarzy, przemyśleń lub opinii. Nie możesz się doczekać na więcej? Więcej praktycznych wskazówek w kolejnym wpisie na blogu.

Dodatkowe materiały

• E-Gro: Platforma oprogramowania firmy Grodan, która oferuje wgląd w czasie rzeczywistym i inteligentne zalecenia na podstawie danych dotyczących strefy korzeni, klimatu, plonów i zbiorów.