Az RMIT hallgató gépi tanulási modellje felhatalmazza a gazdákat

Vietnam a világ második legnagyobb kávéexportőre, és a globális robusta kínálat több mint felét adja. A 2022/23-as gazdasági évben a kávétermelés várhatóan eléri a 29,75 millió zsákot, amelynek több mint 95%-át a robusta teszi ki.

A Nemzetközi Kávészervezet 2021/2022-es éves áttekintésében Vietnam az első helyen végzett a kávétermesztés termelékenységében 2,4 tonna/ha-ral. A vietnami kávétermelés robusta, arabica, cherri, moka és culi babokból áll, amelyek a Vietnámban termesztett legnépszerűbb kávébabok.

Azonban a mezőgazdasági termékek árai általában, és különösen a kávébab árai gyakran instabilak, és a bőséges betakarítási időszakban erősen ingadozhatnak, ami jelentősen befolyásolja a gazdálkodók jövedelmét és kárt okoz a gazdaságnak .

Balról jobbra: Az RMIT Természettudományi , Mérnöki és Technológiai Karának hallgatói: Lam Tin Dieu, Nguyen Hai Minh Trang, Nguyen Phuong Nam (felső sor), Le Ngoc Nguyen Thuan, Doan Chanh Thong (alsó sorban)

Balról jobbra: Az RMIT Természettudományi, Mérnöki és Technológiai Karának hallgatói: Lam Tin Dieu, Nguyen Hai Minh Trang, Nguyen Phuong Nam (felső sor), Le Ngoc Nguyen Thuan, Doan Chanh Thong (alsó sor)

A probléma megoldásának kutatása érdekében négy hónapon keresztül a Természettudományi, Mérnöki és Technológiai Kar Informatikai Alapképzésének végzős hallgatóinak egy csoportja, köztük Nguyen Hai Minh Trang, Doan Chanh Thong, Le Ngoc Nguyen Thuan, Nguyen Phuong Nam és Lam Tin Dieu, hat gépi tanuláson (ML) alapuló modellt képeztek ki és értékeltek ki a kávéárak előrejelzésére, amelyek segíthetnek a vietnami gazdáknak megalapozott döntéseket hozni a terményeikkel kapcsolatban, és ennek megfelelően tervezni, optimalizálva a profitot és minimalizálva a veszteségeket.

„Hat gépi gépi modellt fejlesztettünk ki, nevezetesen LSTM-et, GRU-t, ARIMA-t, SARIMA-t, SVM-et és RF-et, amelyek a kávéárak, a benzinárak, a hőmérséklet és a csapadék előzményei alapján készültek, hogy megjósolják a Robusta kávéárakat Lam Dong tartományban, és azt találtuk, hogy a teljes adathalmazt használó RF modell volt a leghatékonyabb” – mondta Trang.

A 6 gépi tanulási modell közül az RF modell adja a legjobb eredményeket, amely a teljes adathalmazt használja.

„Az RF gazdagabb adathalmazokat képes beépíteni és nemlineáris kapcsolatokat kezelni. Ezenkívül az üzemanyagár jelentős előrejelzőnek bizonyult, és összességében felülmúlta az összes többi tesztelt jellemzőt.”

A csapat hangsúlyozta, hogy a modell további fejlesztési lehetőségeket kínál a terméshozamok, a piaci trendek és a geopolitikai események mezőgazdasági árakra gyakorolt ​​hatásának tanulmányozása és beépítése révén.

A projekt során minden csapattag más-más kihívásokkal nézett szembe, például a különböző gépi tanulási modellek alapos megértésének hiányával, a tevékenységük összetettségének a mesterséges intelligencia területén való hatékony kommunikációjával, vagy az idő és a kommunikáció kezelésével távoli munkavégzés során. Azonban a kutatásba fektetett jelentős idő, a mesterséges intelligenciával és a gépi tanulással kapcsolatos kutatási anyagok elmélyülése, valamint a technikai és együttműködési készségeik fejlesztése révén fejlesztették a valós problémákra vonatkozó mesterséges intelligencia kutatási készségeiket, és csapatuk kutatásait valós termékekké tudták fejleszteni.

„A fő kihívás számunkra az adatgyűjtés és -integráció körül forgott” – mondta Thuan.

„Bár a modellfejlesztés meglehetősen egyszerű volt, az adatgyűjtéshez és -integrációhoz szükséges jelentős időráfordítás hatalmas kihívást jelentett számunkra. Minden csapattag számos tanulási és fejlődési folyamaton ment keresztül mind a technikai készségei, mind a projektkoordináció terén, az alapos kutatástól az innováció előmozdításán át az új megoldások kidolgozásáig.”

A tanulmány készítésekor Nam Hanoiban élt, és teljes munkaidős állása volt. A késedelmek és az esetleges fennakadások elkerülése érdekében Nam elmondta, hogy a csapat heti megbeszéléseket tartott és rendszeres kommunikációt tartott fenn, hogy motiválják egymást a terv betartására és a kijelölt munkaterhelés elvégzésére.

A csapat záróprojektjét az RMIT Vietnam Tudományos, Mérnöki és Technológiai Karának oktatói szorosan felügyelték. A projekt eredményeit nemrégiben egy rangos nemzetközi rendezvényen – a 8. IEEE/ACIS Nemzetközi Konferencián a Big Data, a Felhőalapú Számítástechnika és a Data Science Engineering témában (BCD 2023) – mutatták be kutatók, tudósok, mérnökök és szakértők részvételével a Big Data, a Felhőalapú Számítástechnika és az Adattudomány területén.

Nguyen Phuong Nam diák bemutatja, hogyan működik egy kávéár-szimulációs weboldal

A csapat a konferencián elhangzott előadások visszajelzései alapján tervezi finomítani a modelleket, és más megközelítéseket is megvizsgálni az előrejelzések pontosságának és alkalmazhatóságának javítása érdekében.

„Azt tervezzük, hogy tovább mélyítjük el a legmodernebb technikákat és az újonnan megjelenő módszereket ezen a területen, hogy tovább erősítsük a csapat által elért kutatási eredményeket” – mondta Thong.

„Ezenkívül azt tervezzük, hogy együttműködünk a terület más szakértőivel, és feltárjuk a lehetséges partnerségeket a csoport kutatási eredményeinek hatókörének és hatásának bővítése érdekében.”

A csapat tervei szerint folyamatosan fejleszti és fejleszti a kutatást, hogy az Ön konkrét kutatásából gyakorlati hozzájárulásokat tudjon nyújtani a Big Data és a mesterséges intelligencia folyamatosan fejlődő területének fejlődéséhez.

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