Kategori: AI

Av Dzmitry Yablonski, CTO, GeoPard Agriculture

Någon frågade mig förra veckan vilken modell vår AI-agronom använder. Det är den vanligaste tekniska frågan vi får, och det är oftast fel fråga att börja med.

Här är det ärliga svaret, och sedan det mer användbara.

Det ärliga svaret: flera

Vi dirigerar varje uppgift till den modell som passar bäst för den. I praktiken innebär det separata vägar för:

• Geospatialt resonemang. Läsa zonstatistik, jämföra lager, förklara varför en del av ett fält beter sig annorlunda än en annan.
• Betygsätt matematik. Borttagningskoefficienter, kritiska tröskelvärden, uppbyggnadskonventioner, enhetsomvandlingar.
• Konversation. Att förstå vad en agronom egentligen menade med en begäran på en halv mening.
• Uppgiftsklassificering. Att bestämma vilket arbetsflöde en begäran tillhör innan något annat händer.
• Skyddsräcken. Kontrollerar utdata innan de blir artefakter.

Ingen enskild modell är bäst av alla fem. De som resonerar väl över röriga rumsliga sammanhang är inte alltid de som håller aritmetisk disciplin. De som konverserar naturligt är inte alltid de som klassificerar tillförlitligt.

Vi publicerar inte routingtabellen, och det är jag inte för att vara blygsam. Den ändras. Modellreleaser kommer med några månaders mellanrum och varje släpp förskjuter balansen på en eller två av dessa vägar. Att frysa svaret i ett blogginlägg skulle göra det fel till hösten.

Det mer användbara svaret: lagren

Om ni bytte ut våra modeller mot ett annat Frontier-set imorgon, skulle produkten fortfarande fungera, och den skulle fortfarande vara igenkännbar vår. Det är designmålet, och det är värt att förklara varför.

En agronomisk rekommendation är inte ett textsvar. Det är ett nummer som hamnar i en maskinterminal och tillämpas på ett fält. Avståndet mellan dessa två saker är där tekniken faktiskt finns.

Ta en konkret klass av fel. En modell kan producera ett perfekt motiverat fosforrecept i pund fosfor.₂O₅ per tunnland. Korrekt borttagningskoefficient, korrekt tröskelvärde, korrekt uppbyggnadslogik. Sedan kopplas hastigheten till en produkt som är 4 procent P₂O₅, och spridaren får det som produktmängd. Planen var rätt. Applikationen är mer än en storleksordning felaktig.

Ingen modellkvalitet hindrar det. Ett konverteringslager gör det.

Detsamma gäller för enhetssystem, för regleringstak för mängder, för jordprovsvärden över vilka den agronomiskt korrekta mängden är noll, för skillnaden mellan vad ett laboratorium rapporterar och vad en ekvation förväntar sig. Dessa är inte resonemangsproblem. De är systemproblem, och det är de som avgör om en rekommendation är säker att agera utifrån.

Så lagren runt modellen gör det arbete som är viktigt.

Grundstötning. Assistenten läser kundens egna data. Deras jordprover, deras rensade skördar, deras topografi, deras historik över utspridd gödning. Inte en allmän bild av agronomi, deras.

Explicita parametrar. Varje koefficient, tröskel och konvention som används för att bygga en hastighet visas och kan redigeras innan generering. Om agronomen inte håller med om ett antagande ändrar de det. Ett tal som användaren inte kan inspektera är ett tal de inte kan äga.

Deterministisk matematik. Hastighetsberäkningen körs i kod, inte i prosa. Modellen bestämmer vad som ska beräknas och varför. Den utför inte aritmetiken.

Validering före generering. Planer kontrolleras på prov mot regionens agronomiska regler, plus de regler som kunden har lagt till i sin egen kunskapsbas, innan en enda karta finns.

Mänskligt godkännande. Ingenting når en maskin förrän en person har loggat ut. Detta är inte en UX-eftergift. Det är det sista och viktigaste lagret.

Vad vi utvärderar

På grund av allt ovanstående säger en utvärdering av modellen isolerat oss väldigt lite.

Ett högt resultat på flervalsfrågor inom agronomi visar att en modell har läst läroböckerna. Det säger inte om systemet korrekt kommer att konvertera en näringsmängd till en produktmängd, eller vägra att rekommendera fosfor på ett fält som redan testar högt, eller notera att en jordmängdsrapport kom tillbaka med en annan extraktionsmetod än vad ekvationen antar.

Så utvärderar vi systemet från början till slut. Hämtar det rätt lager från kundens konto? Använder det försvarbara koefficienter? Visar det sitt resonemang? Upptäcker det sina egna fel innan de lämnar byggnaden? Det är svårare att reducera till ett enda tal, vilket är just därför vi tror att det är rätt sak att mäta.

Ta med din egen modell

Genom MCP kan du rikta din egen modell mot dina GeoPard-data och fråga den direkt om dina fält. Några av våra mer tekniska användare gör det redan, och vi tycker att det är bra. Dokumentation för AI-assistenten täcker hur det fungerar.

Det är dock värt att säga tydligt: när du gör det ärver du lagren. Grunden, parametertransparensen, enhetsdisciplinen, valideringen, godkännandesteget. De finns inte i modellen. De är den del någon måste bygga.

Varför detta är en satsning, inte en hedge

Modellkapaciteten blir alltmer kommodifierad. Med några månaders mellanrum flyttas gränsen och alla får det nya golvet gratis. Att satsa på en specifik modell är att satsa på en tillfällig fördel.

Skikten sammansätts. De ackumulerar agronomiska regler, regionala konventioner, kundkunskap och alla fellägen vi har hittat och åtgärdat. Det blir bättre med tiden, och det återställs inte när en ny modell levereras.

Vilket är ett långt sätt att säga: fråga vad ett system gör med ett felaktigt svar. Det säger mer än att veta vilken modell som producerade det.

Här är assistenten som gör just det, från fråga till exporterat recept, på två minuter:

För den interaktiva versionen, med varje resonemangssteg synligt, se GeoPard AI-assistentsida.