مدل یادگیری ماشینی دانشجوی RMIT به کشاورزان قدرت می‌دهد

ویتنام دومین صادرکننده بزرگ قهوه در جهان است و بیش از نیمی از عرضه جهانی روبوستا را به خود اختصاص داده است. پیش‌بینی می‌شود تولید قهوه در سال زراعی 2022/23 به 29.75 میلیون کیسه برسد که روبوستا بیش از 95 درصد آن را تشکیل می‌دهد.

در بررسی سالانه سازمان بین‌المللی قهوه در سال‌های ۲۰۲۱/۲۰۲۲، ویتنام با ۲.۴ تن در هکتار، رتبه اول بهره‌وری کشت قهوه را به خود اختصاص داد. تولید قهوه در ویتنام شامل دانه‌های روبوستا، عربیکا، چری، موکا و کولی است که محبوب‌ترین دانه‌های قهوه کشت شده در ویتنام هستند.

با این حال، قیمت محصولات کشاورزی به طور کلی و قیمت دانه قهوه به طور خاص اغلب ناپایدار است و می‌تواند در زمان برداشت فراوان، نوسانات شدیدی داشته باشد که به طور قابل توجهی بر درآمد کشاورزان تأثیر می‌گذارد و به اقتصاد آسیب می‌رساند.

از چپ به راست: دانشجویان دانشکده علوم ، مهندسی و فناوری RMIT: Lam Tin Dieu، Nguyen Hai Minh Trang، Nguyen Phuong Nam (ردیف بالا)، Le Ngoc Nguyen Thuan، Doan Chanh Thong (ردیف پایین)

از چپ به راست: دانشجویان دانشکده علوم، مهندسی و فناوری RMIT: Lam Tin Dieu، Nguyen Hai Minh Trang، Nguyen Phuong Nam (ردیف بالا)، Le Ngoc Nguyen Thuan، Doan Chanh Thong (ردیف پایین)

به منظور تحقیق در مورد راه‌حلی برای این مشکل، طی یک دوره چهار ماهه، گروهی از دانشجویان سال آخر کارشناسی فناوری اطلاعات، دانشکده علوم، مهندسی و فناوری، از جمله نگوین های مین ترانگ، دوآن چان تونگ، لو نگوک نگوین توآن، نگوین فونگ نام و لام تین دیو، شش مدل یادگیری ماشینی (ML) را برای پیش‌بینی قیمت قهوه آموزش و ارزیابی کردند که می‌تواند به کشاورزان ویتنامی کمک کند تا در مورد محصولات خود تصمیمات آگاهانه بگیرند و بر اساس آن برنامه‌ریزی کنند، سود را بهینه و ضرر را به حداقل برسانند.

ترانگ گفت: «ما شش مدل یادگیری ماشین، یعنی LSTM، GRU، ARIMA، SARIMA، SVM و RF را بر اساس تاریخچه قیمت قهوه، قیمت بنزین، دما و بارندگی، برای پیش‌بینی قیمت قهوه روبوستا در استان لام دونگ توسعه دادیم و دریافتیم که مدل RF، با استفاده از کل مجموعه داده‌ها، موثرترین مدل است.»

در میان ۶ مدل یادگیری ماشین، مدل RF که از کل مجموعه داده‌ها استفاده می‌کند، بهترین نتایج را ارائه می‌دهد.

«RF می‌تواند مجموعه داده‌های غنی‌تری را در خود جای دهد و روابط غیرخطی را مدیریت کند. علاوه بر این، نشان داده شده است که قیمت سوخت یک پیش‌بینی‌کننده‌ی مهم است و از تمام ویژگی‌های آزمایش‌شده‌ی دیگر که با هم ترکیب شده‌اند، بهتر عمل می‌کند.»

این تیم تأکید کرد که این مدل با مطالعه و در نظر گرفتن تأثیر بازده محصولات کشاورزی، روند بازار و رویدادهای ژئوپلیتیکی بر قیمت محصولات کشاورزی، پتانسیل بهبود بیشتر را دارد.

هر یک از اعضای تیم در طول پروژه با چالش‌های مختلفی روبرو بودند، مانند عدم درک عمیق از مدل‌های مختلف یادگیری ماشین، انتقال مؤثر پیچیدگی کاری که انجام می‌دادند به حوزه هوش مصنوعی، یا مدیریت زمان و ارتباط هنگام کار از راه دور. با این حال، آنها با صرف زمان قابل توجه در تحقیق، پرداختن به مقالات تحقیقاتی مرتبط با هوش مصنوعی و یادگیری ماشین و بهبود مهارت‌های فنی و همکاری خود، مهارت‌های تحقیقاتی هوش مصنوعی خود را برای مشکلات دنیای واقعی بهبود بخشیدند و توانستند تحقیقات تیم خود را به محصولات دنیای واقعی تبدیل کنند.

ثوان به اشتراک گذاشت: «چالش اصلی ما حول جمع‌آوری و یکپارچه‌سازی داده‌ها می‌چرخید.»

«اگرچه توسعه مدل نسبتاً ساده بود، اما سرمایه‌گذاری زمانی قابل توجهی که برای جمع‌آوری و ادغام داده‌ها لازم بود، چالش بزرگی را برای ما ایجاد کرد. هر یک از اعضای تیم، مجموعه‌ای از یادگیری‌ها و پیشرفت‌ها را در مهارت‌های فنی و هماهنگی پروژه، از تحقیقات عمیق گرفته تا پیشبرد نوآوری و ارائه راه‌حل‌های جدید، پشت سر گذاشتند.»

در زمان انجام این مطالعه، نام در هانوی مستقر بود و شغل تمام‌وقت داشت. نام گفت که برای جلوگیری از تأخیرها و اختلالات احتمالی، تیم جلسات هفتگی ترتیب می‌داد و ارتباط منظمی را حفظ می‌کرد، تا هم به یکدیگر انگیزه دهد که در مسیر خود باقی بمانند و هم حجم کار تعیین‌شده را تکمیل کنند.

پروژه نهایی این تیم با نظارت دقیق اعضای هیئت علمی دانشکده علوم، مهندسی و فناوری دانشگاه RMIT ویتنام انجام شد. نتایج این پروژه اخیراً در یک رویداد معتبر بین‌المللی - هشتمین کنفرانس بین‌المللی IEEE/ACIS در مورد کلان‌داده، محاسبات ابری و مهندسی علوم داده (BCD 2023) - با حضور محققان، دانشمندان، مهندسان و متخصصان در زمینه‌های کلان‌داده، محاسبات ابری و علوم داده ارائه شد.

دانشجو نگوین فونگ نام نحوه کار وب‌سایت شبیه‌سازی قیمت قهوه را نشان می‌دهد.

این تیم قصد دارد مدل‌ها را بر اساس بازخوردهای دریافتی از ارائه‌های کنفرانس اصلاح کند و همچنین رویکردهای دیگری را برای بهبود دقت و کاربرد پیش‌بینی‌های خود بررسی کند.

تانگ گفت: «ما قصد داریم در این زمینه، تکنیک‌های پیشرفته و روش‌های نوظهور را بیشتر بررسی کنیم تا نتایج تحقیقاتی که تیم به دست آورده است را بیشتر تقویت کنیم.»

«علاوه بر این، ما قصد داریم با سایر متخصصان این حوزه همکاری کنیم و مشارکت‌های بالقوه را برای گسترش دامنه و تأثیر یافته‌های تحقیقاتی گروه بررسی کنیم.»

این تیم قصد دارد به تکرار و ارتقاء تحقیقات ادامه دهد تا بتواند از تحقیقات خاص شما، سهم عملی در حوزه همواره در حال تکامل کلان داده و هوش مصنوعی داشته باشد.

لینک منبع: https://thanhnien.vn/mo-hinh-may-hoc-cua-sinh-vien-rmit-tiep-them-suc-manh-cho-nong-dan-185240201181300139.htm