Gardin, une entreprise de technologie agricole basée dans l’Oxfordshire, en Angleterre, fabrique un capteur automatisé qui mesure la santé des plantes, connu sous le nom de « society axée sur les plantes ».
Le capteur collecte des données en temps réel sur les plantes et génère des alertes de performances et des informations sur la croissance. Le secteur agricole étant confronté à une pénurie de most important-d’œuvre, la technologie peut aider à combler le manque de main-d’œuvre.
Analyse de la condition
Les capteurs de Gardin mesurent la santé des plantes grâce à une approach appelée fluorescence de la chlorophylle, qui surveille la photosynthèse d’une plante et évalue son niveau de anxiety.
Bien que cette méthode puisse détecter si une plante est saine ou non, elle ne peut pas identifier précisément la trigger du anxiety de la plante. L’équipe de Gardin souhaitait étendre les capacités de la plateforme afin qu’elle puisse classer des maladies spécifiques dès le début.
très difficile à réaliser ». La raison? « Il y a si peu de données », a-t-il déclaré.
Afin de previous un algorithme traditionnel, Godding a déclaré qu’il leur faudrait, par exemple, 100 photographs d’une plante particulière atteinte d’une maladie et 100 illustrations or photos d’une espèce végétale sans maladie. Bien qu’il existe de nombreuses photographs de plantes saines, il n’y avait pas suffisamment d’images de plantes malades pour entraîner correctement l’algorithme, ce qui entraînait un déséquilibre dans les données disponibles nécessaires.
Une option serait de collecter manuellement les données nécessaires – dans ce cas, des visuals de plantes malades. Cependant, Godding a déclaré que cela serait coûteux et prendrait du temps.
Staff et partenaires clés
Godding a recruté un étudiant diplômé de l’Université d’Oxford pour travailler à ses côtés afin de construire et de tester un modèle d’IA générative. Godding a une formation universitaire et il a déclaré que l’examen des recherches publiées était son position de départ pour développer le modèle d’IA.
Il a ajouté que même s’il existait déjà certaines informations disponibles sur lesquelles ils pouvaient s’appuyer pour développer leur IA générative, ils devaient la personnaliser pour l’adapter à leurs besoins spécifiques.
L’IA en motion
Les données synthétiques sont générées artificiellement par un ordinateur plutôt que collectées dans le monde réel. Il était auparavant utilisé pour former des modèles afin de détecter la fraude, afin de résoudre l’absence de données réelles de haute qualité kin à la fraude.
Certains gurus en IA estiment que les données synthétiques doivent être utilisées avec prudence, car or truck il s’agit d’une « variation déformée » des données réelles. Cependant, le cupboard de conseil Gartner estime que les données synthétiques dépasseront les données réelles dans les modèles d’IA d’ici 2030.
« Si vous pouvez créer cela de manière synthétique données sur lesquelles former un modèle, cela vous permet d’économiser énormément de temps et d’argent », a déclaré Godding.
Gardin avait besoin de créer des pictures artificielles de plantes atteintes de maladies afin de créer un ensemble de données pour entraîner son modèle. Ils ont décidé de développer ces données synthétiques en interne. Premièrement, l’équipe devait « prouver qu’il était achievable de réaliser cette forme d’adaptation pour un algorithme et de le généraliser de cette manière ».
Godding a déclaré que l’un des as well as grands défis consistait à trouver un ensemble de données de foundation pour créer les données synthétiques.
Est-ce que cela a fonctionné et comment le savent-ils ?
Au cours de la période de examination, ils ont mesuré le succès de l’IA générative en fonction de la précision de sa classification. Il a fallu quatre mois à l’équipe pour se développer.
Godding a déclaré que générer l’ensemble de données de l’usine avec le modèle d’IA prenait « très du temps et coûtait cher ». Cependant, a-t-il ajouté, « il n’y avait littéralement aucun moyen de faire l’alternative ».
« La raison pour laquelle Ce qui a été réalisé en dehors des grandes entreprises technologiques, c’est qu’il est si coûteux de construire et de maintenir une infrastructure et des produits d’IA que l’analyse de rentabilisation n’est tout simplement pas valable dans de nombreux secteurs », a déclaré Godding à BI.
Godding a déclaré qu’une fois qu’ils avaient généré un bon ensemble de données sous-jacentes, la création du modèle de détection des maladies était straightforward. Ils publient actuellement un article sur leur travail.
Et après?
Pour l’avenir, Gardin intègre l’intelligence artificielle à d’autres aspects de l’entreprise. En as well as d’utiliser l’IA pour automatiser leur capteur et le transformer en un « mini robotic », l’équipe de données de Gardin intègre l’IA générative dans ses algorithmes de vision par ordinateur pour garantir qu’elle ne soit pas trop spécifique sur un style d’usine.
Cette answer signifie que le modèle peut mesurer les caractéristiques d’une plante quel que soit son environnement, « que l’image ait été prise dans un champ en Espagne ou dans une serre aux Pays-Bas », a déclaré Godding.
