К вечеру накопились фотографии растений и записи с датчиков. Часть хочется просмотреть быстрее, часть — сравнить со вчерашним днём. Здесь можно попробовать нейросеть: модель, которая учится на примерах, изменяя свои параметры. После обучения она обрабатывает новые снимки, измерения или текст. Начнём с задачи, результат которой легко проверить самому.
Это вводный материал: программировать пока не понадобится. Выберем небольшой учебный опыт, разберём подготовку данных и способ оценки результата. Связанные материалы собраны в плане серии.
Показываем примеры и проверяем, чему научилась модель
Представьте папки с фотографиями и проверенными подписями. Во время обучения модель подстраивает связи между изображением и ожидаемым ответом. Это настройка математических параметров; опыт агронома понадобится для постановки задачи и проверки результатов. Основные понятия разобраны в курсе Google по нейросетям.
Для первого опыта соберите фотографии с проверенными подписями нужных объектов или состояний. Посмотрите, различаются ли фон, свет и ракурс. Иначе модель может связать ответ со случайной деталью фона — интересный повод внимательно изучить ошибки.
Так устроен один из вариантов — обучение на размеченных примерах. У нейросетей есть и другие способы обучения. А разговор с готовым текстовым помощником обычно относится к применению модели: отдельное дообучение её параметров организуют другой процедурой.
Когда хватит правила, а когда стоит попробовать обучение
Если условие легко сформулировать, начните с правила: достигнут выбранный порог — появилось сообщение. Для такого опыта обучающая выборка не нужна. Обучаемую модель полезно сравнить с этим простым вариантом, когда зависимость хочется подобрать по данным.
Примеры автоматики есть в статьях о вентиляции теплицы и поливе с учётом прогноза. Их пороги и режимы требуют настройки и проверки на месте.
В первом проекте оставьте модели роль помощника и посмотрите, какие подсказки полезны. Местные аварийные ограничения, ручное управление и действия при потере связи подготовьте независимо от неё.
Три направления для первого знакомства
Фотографии: какие кадры посмотреть внимательнее
Попробуйте отбирать для осмотра снимки с необычными видимыми признаками. Сравните выбор модели со своим. Похожие симптомы придётся разбирать отдельно, а качество кадра и видимость объекта станут частью проверки.
Число рядом с ответом модели нельзя без проверки трактовать как вероятность правильного диагноза. Оценки уверенности нейросетей могут быть плохо откалиброваны; это показано в исследовании о калибровке нейросетей. Практическую полезность оценивают по ошибкам на подходящих контрольных данных.
Начать сбор снимков помогает материал об ESP32-CAM. Сначала получите пригодные кадры, затем добавьте распознавание и выбранный способ уведомления.
Датчики: что изменилось в привычном графике
Возьмите историю метеостанции или почвенного датчика и сформулируйте вопрос: можно ли раньше заметить охлаждение или необычный отклик на полив? Сначала проверьте простые пороги и статистические методы, затем сравните с моделью на тех же условиях.
Для прогноза оставляйте только данные, известные в момент его выпуска. Пройдите журнал по времени и сравните прогноз со случившимся позже. При необычном графике вернитесь к прибору и оборудованию: числовое отклонение помогает выбрать место проверки.
Текст: собираем записи в короткую сводку
Языковой модели можно поручить черновик списка вопросов, краткое изложение журнала или поиск противоречий в предоставленных записях. В ответе возможны выдуманные факты и ошибочные выводы; ограничения описаны в обзоре больших языковых моделей Google.
Сверяйте предложенные действия с актуальными первоисточниками и условиями хозяйства вместе с ответственным специалистом. Для первого знакомства выберите результат, который легко проверить по исходным записям: даты, числа, события и список вопросов.
Сначала приводим в порядок исходные наблюдения
- Модель видит только переданные ей данные. Состояние корней, не попавшее в наблюдения, нельзя считать проверенным по снимку листа.
- Качество на чужих фотографиях не подтверждает качество на ваших сортах, освещении и условиях съёмки.
- Обучение не исправляет автоматически неверные метки, пропуски и систематические ошибки измерения.
- Решение о действиях в хозяйстве требует проверки результата и понятной ответственности.
Перед сбором обучающей истории наладьте измерения и журнал событий. Положение прибора, единицы и контакт с почвой важны сами по себе; подробнее — в статье о почвенных датчиках.
На чём запустить первый опыт
Разделите три задачи: запустить готовую модель, дообучить её и обучить с нуля. У них разные требования. Для выбранного варианта проверьте память и измерьте скорость на доступном компьютере — это поможет решить, нужна ли другая техника.
Для небольших моделей существуют средства запуска на ограниченных устройствах. Например, LiteRT for Microcontrollers поддерживает лишь определённые операции и платформы, а обучение на самом устройстве не поддерживает. Совместимость и память проверяют для выбранной модели, затем измеряют скорость.
Для своей задачи можно рассмотреть готовую основу и перенос обучения. В руководстве TensorFlow показано, как использовать ранее обученную сеть и адаптировать её. Но достаточное число фотографий, время обучения и качество результата зависят от данных и постановки задачи; универсальной нормы здесь нет.
Что можно сделать уже сейчас, без программирования
- Выберите одну задачу и опишите, какое решение должен принять человек после подсказки.
- Определите, какие данные уже есть, кто проверит их подписи и чего не хватает.
- Зафиксируйте простой способ решения для сравнения: осмотр, порог или существующий отчёт.
- Подберите готовый инструмент или исполнителя, который сможет объяснить установку, ограничения и обслуживание.
- Проверьте результат на отдельных данных и проведите пробную эксплуатацию под наблюдением.
Выберите одну задачу и начните журнал: снимок или измерение, дата, место, подтверждённое событие. Собирайте разные условия и проверяйте подписи. Такой набор пригодится и для собственного опыта, и для обсуждения проекта со специалистом.
Считаем подготовку, запуск и обслуживание
Смету составьте после выбора задачи. Включите подготовку данных, оборудование, настройку и обслуживание; цены и тарифы уточните перед покупкой. Так будет понятно, сколько стоит сам опыт и дальнейшая работа.
- Оборудование: вычислительное устройство, камера или датчики, питание, корпус, крепление и связь.
- Подготовка данных: съёмка, разметка, проверка специалистом и хранение.
- Программная часть: настройка, лицензии или облачные услуги, если они нужны.
- Эксплуатация: обслуживание, исправление ошибок, повторная проверка после изменений.
Сравните затраты с обычным способом выполнять ту же работу. Сколько времени занимает просмотр? Какие ошибки особенно дороги? Эти вопросы помогут определить, что считать полезным результатом именно в вашем хозяйстве.
Оставляем примеры для честной проверки
Отложите контрольные данные до настройки модели. Если подбирать решение по тем же примерам, на которых затем измерять качество, оценка получится необъективной. Эта ошибка разобрана в рекомендациях scikit-learn.
Близкие снимки одного растения или серии не стоит случайно распределять между обучением и проверкой, если нужно оценить работу на новых растениях. Для прогнозов учитывают порядок времени. Способы разделения зависимых данных описаны в руководстве по перекрёстной проверке.
В журнал ошибок записывайте ложные тревоги, пропуски и время проверки сообщений. После изменения модели или съёмки повторите оценку. По конкретным примерам легче понять, что доработать: данные, задачу или саму модель.
Выбираем продолжение серии
В серии рассматриваются типы моделей, запуск готового решения, подготовка своих фотографий, анализ датчиков, камера с уведомлениями, текстовый помощник и взаимодействие нескольких компонентов. Переходить к следующему этапу стоит после проверки предыдущего. Актуальные ссылки собраны в плане материалов.
Ответы на частые вопросы
Можно ли начать без программирования? Да, с постановки задачи, ведения журнала и проверки готового инструмента. Установку можно поручить специалисту, но обслуживание и разбор ошибок всё равно нужно предусмотреть.
Нужна ли нейросеть небольшому хозяйству? Это зависит от задачи и результата сравнения с более простым решением. Иногда достаточно исправного датчика, понятного порога и своевременного осмотра.
Можно ли использовать чужие данные? Можно рассматривать их как часть подготовки, если это допускают условия использования. Работу в своих условиях всё равно проверяют отдельно.
Что делать при ошибке модели? Сохранить пример, проверить исходные данные и разобраться с причиной. До выяснения причин использовать предусмотренный рабочий порядок, не зависящий от этой подсказки.
Как понять, что опыт удался
Выберите измеримый результат: например, меньше времени на просмотр при приемлемом числе пропусков. Проведите небольшой опыт и разберите ошибки по исходным данным. После него станет яснее, куда двигаться: развивать модель, упростить задачу или оставить удачное обычное правило.
