Blog
Gardin推出創新AI感應器，通過合成數據革新農業健康監測
Gardin推出創新AI感應器，通過合成數據革新農業健康監測
December 20, 2023
重點摘要：
新聞內文：
位於英格蘭牛津郡的農業科技公司Gardin推出了一種名為「植物驅動式種植」的自動化感應器，用於測量植物健康狀況。
該感應器收集有關植物的實際數據，並生成性能警報和生長洞察。面對勞工短缺的農業行業，這項技術可以幫助彌補勞工短缺。
情況分析
Gardin的感應器使用一種名為葉綠素螢光的技術來測量植物健康，該技術可監測植物的光合作用表現和壓力水平。
雖然這種方法可以檢測植物是否健康，但它無法精確識別造成植物壓力的原因。Gardin團隊希望擴展平台的功能，使其能夠早期識別特定疾病。
為此，團隊需要構建一個機器學習算法。然而，Gardin的數據科學家朱利安·戈丁（Julian Godding）告訴Business Insider，讓算法進行植物疾病分類是「非常非常具有挑戰性的」。原因是什麼呢？「因為數據實在太少了」。
戈丁表示，為了訓練一個傳統算法，他們需要例如100張特定植物患病的圖片，以及100張未患病的同種植物的圖片。雖然健康植物的圖片很多，但患病植物的圖片不足以正確訓練算法，因此可用數據存在不平衡。
一種解決方案是手動收集所需數據，即患病植物的圖片。然而，戈丁表示，這將是昂貴且耗時的。
戈丁說：「所以，你需要合成數據，這就是生成式AI的用武之地」。
關鍵人員和合作夥伴
戈丁招募了一位牛津大學的研究生與他一起構建和測試生成式AI模型。戈丁的背景在學術界，他表示，瀏覽已發表的研究是他開發AI模型的起點。
他補充說，雖然他們可以借鑒一些現有的訊息來幫助開發他們的生成式AI，但他們需要將其制定以適應他們的特定需求。
AI實踐
合成數據是由電腦人為生成的，而不是從現實世界收集的。它之前已被用來訓練模型以檢測欺詐行為，以解決缺乏高品質現實世界數據的問題。
一些AI專家表示，合成數據應謹慎使用，因為它是真實數據的「扭曲版本」。然而，諮詢公司「Gartner」估計，到2030年，合成數據將超越AI模型中的真實數據。
戈丁說：「如果你可以合成創造那些『需要的』數據來訓練模型，它可以為你節省大量的時間和金錢」。
Gardin需要建立帶有疾病的人工植物圖像，以架構一個用於訓練其模型的數據庫。他們決定在內部開發這些合成數據。首先，團隊需要「證明能夠以這種形式適應算法並以這種方式推廣是可行的」。
戈丁表示，最大的挑戰之一是尋找基礎數據集來創建合成數據。
是否成功，以及他們如何知道？
在測試期間，他們根據其分類準確性衡量生成式AI的成功程度。團隊花了四個月時間開發。
戈丁表示，用AI模型生成植物數據集「非常耗時且昂貴」。然而，他補充說，「根本沒有其他方式可以做到這一點」。
戈丁告訴BI：「『人工智慧』尚未在大型科技公司之外實現的原因是，架構和維護AI基礎設施和產品如此昂貴，以至於在許多行業中商業案例根本站不住腳」。
戈丁表示，一旦他們生成了一個良好的基礎數據庫，架構疾病檢測模型就變得簡單。他們現在正在發表一篇關於他們工作的論文。
未來展望
展望未來，Gardin正在將人工智慧整合到業務的其他方面。除了使用AI自動化其感應器，將其變成一個「迷你機器人」外，Gardin的數據團隊還將生成式AI整合到其計算機視覺算法中，以確保它不會對一種植物過度特定化。
戈丁說，這種解決方案意味著該模型可以測量植物的特性，無論其周圍環境如何，無論「圖像是在西班牙的田野中拍攝的，還是荷蘭的溫室中拍攝的」。
新聞原址： https://www.businessinsider.com/how-gardin-using-ai-combat-worker-shortage-grow-crops
- 英國農業科技公司Gardin推出名為「植物驅動式種植」的自動化感應器，使用葉綠素螢光技術測量植物健康，並提供性能警報和生長洞察，幫助解決勞工短缺問題。
- Gardin的團隊面臨挑戰，需要構建一個機器學習算法來識別特定植物疾病。由於缺乏足夠的患病植物圖片數據，他們正在考慮使用生成式AI來合成所需數據。
- Gardin的算法開發涉及合成數據的建立和測試，這在其他領域已被用於解決真實數據不足的問題。公司計劃利用這些技術在其他業務方面整合AI，進一步提高其效率和效果。
新聞內文：
位於英格蘭牛津郡的農業科技公司Gardin推出了一種名為「植物驅動式種植」的自動化感應器，用於測量植物健康狀況。
該感應器收集有關植物的實際數據，並生成性能警報和生長洞察。面對勞工短缺的農業行業，這項技術可以幫助彌補勞工短缺。
情況分析
Gardin的感應器使用一種名為葉綠素螢光的技術來測量植物健康，該技術可監測植物的光合作用表現和壓力水平。
雖然這種方法可以檢測植物是否健康，但它無法精確識別造成植物壓力的原因。Gardin團隊希望擴展平台的功能，使其能夠早期識別特定疾病。
為此，團隊需要構建一個機器學習算法。然而，Gardin的數據科學家朱利安·戈丁（Julian Godding）告訴Business Insider，讓算法進行植物疾病分類是「非常非常具有挑戰性的」。原因是什麼呢？「因為數據實在太少了」。
戈丁表示，為了訓練一個傳統算法，他們需要例如100張特定植物患病的圖片，以及100張未患病的同種植物的圖片。雖然健康植物的圖片很多，但患病植物的圖片不足以正確訓練算法，因此可用數據存在不平衡。
一種解決方案是手動收集所需數據，即患病植物的圖片。然而，戈丁表示，這將是昂貴且耗時的。
戈丁說：「所以，你需要合成數據，這就是生成式AI的用武之地」。
關鍵人員和合作夥伴
戈丁招募了一位牛津大學的研究生與他一起構建和測試生成式AI模型。戈丁的背景在學術界，他表示，瀏覽已發表的研究是他開發AI模型的起點。
他補充說，雖然他們可以借鑒一些現有的訊息來幫助開發他們的生成式AI，但他們需要將其制定以適應他們的特定需求。
AI實踐
合成數據是由電腦人為生成的，而不是從現實世界收集的。它之前已被用來訓練模型以檢測欺詐行為，以解決缺乏高品質現實世界數據的問題。
一些AI專家表示，合成數據應謹慎使用，因為它是真實數據的「扭曲版本」。然而，諮詢公司「Gartner」估計，到2030年，合成數據將超越AI模型中的真實數據。
戈丁說：「如果你可以合成創造那些『需要的』數據來訓練模型，它可以為你節省大量的時間和金錢」。
Gardin需要建立帶有疾病的人工植物圖像，以架構一個用於訓練其模型的數據庫。他們決定在內部開發這些合成數據。首先，團隊需要「證明能夠以這種形式適應算法並以這種方式推廣是可行的」。
戈丁表示，最大的挑戰之一是尋找基礎數據集來創建合成數據。
是否成功，以及他們如何知道？
在測試期間，他們根據其分類準確性衡量生成式AI的成功程度。團隊花了四個月時間開發。
戈丁表示，用AI模型生成植物數據集「非常耗時且昂貴」。然而，他補充說，「根本沒有其他方式可以做到這一點」。
戈丁告訴BI：「『人工智慧』尚未在大型科技公司之外實現的原因是，架構和維護AI基礎設施和產品如此昂貴，以至於在許多行業中商業案例根本站不住腳」。
戈丁表示，一旦他們生成了一個良好的基礎數據庫，架構疾病檢測模型就變得簡單。他們現在正在發表一篇關於他們工作的論文。
未來展望
展望未來，Gardin正在將人工智慧整合到業務的其他方面。除了使用AI自動化其感應器，將其變成一個「迷你機器人」外，Gardin的數據團隊還將生成式AI整合到其計算機視覺算法中，以確保它不會對一種植物過度特定化。
戈丁說，這種解決方案意味著該模型可以測量植物的特性，無論其周圍環境如何，無論「圖像是在西班牙的田野中拍攝的，還是荷蘭的溫室中拍攝的」。
新聞原址： https://www.businessinsider.com/how-gardin-using-ai-combat-worker-shortage-grow-crops