#420: Cannabis og maskinlæring, et fælles foretagende

Cannabis-dyrkere og -sælgere tjener penge på maskinlæring

Uanset størrelse er cannabis-dyrkere og -sælgere i en markedssituation med mange udfordringer. De skal håndtere skiftende lovgivning, komplekse arbejdsrettigheder og bankbegrænsninger. Ud over de typiske forretnings- og leverandørprocesser er dette opkomne marked endnu ikke stabiliseret juridisk, økonomisk og står over for stadig mere ekstreme vejrforhold. Som følge heraf søger cannabis-virksomheder og landbrugssektoren i bred forstand til maskinlærings evne til at forudsige, optimere og analysere, da de ser frem mod fremtidens landbrugsteknologi.

Udfordringer i AgTech og cannabis-industrien

Cannabis-baserede producenter må tackle komplekse landbrugsproblemer:

Dyrkere:

• Styre pests og sygdomme
• Design effektive ernæringsplaner
• Sikre ideelle miljøbetingelser
• Optimere udbytte samtidig med at minimere omkostninger
• Overholdelse af lovgivning og regulering

Sælgere:

• Forstå og organisere komplekse distributionsprocesser
• Koordinere producenter, landmænd, mærker og kundebehov
• Træffe beslutninger om fremtidig vækst og udvidelse
• Flerestatslige skattestrukturer og reguleringer

Til at håndtere den operative side af dyrkning samt til at tackle markedssiden af salg kan cannabis-baserede virksomheder nu udnytte kraftfuld data. Denne data driver maskinlæringskapable software, der kan forudsige fremtiden ved hjælp af moderne algoritmer og data-processeringsarkitekturer.

Følgende karakteristika af cloud-baserede økosystemer driver maskinlæringsløsninger:

• Sensorer og hardware til informationsudtrækning er billigere

  • Den øgede popularitet og succes af IoT-løsninger gør det muligt at udvikle, tilslutte og etablere store netværk af smarte enheder. Denne lokale datastrømning er en afgørende komponent for nøjagtigheden af forudsigelsesmodeller.

• Regnearks- og lagringsressourcer er stadig mere overkommelige

  • Konkurrencen mellem cloud-leverandører inviterer til innovation og udvikling til en lav pris. Enhver kan bygge og implementere ML-løsninger i cloud, hvis de har adgang til nok data. Desuden bruger alle cloud-leverandører en betal-per-brug-model, der tillader kunderne at betale kun for det, de bruger og har brug for.
    

• Algoritmer og data-processeringsrammer er bredt tilgængelige

  • Mange data-processeringstasks (fra indsamling til analyse) kan let opdateres og automatiseres med cloud-baserede værktøjer. Ligeledes kan forudtrænede ML-modeller og neurale netværksarkitekturer genbruges ved hjælp af gammel viden på nye problemer.

Et sådant rigt økosystem af værktøjer, rammer og billig dataindsamling har gjort maskinlæring i landbrug til en livskraftig, omkostningseffektiv løsning for de største udfordringer. Det er ikke underligt, at data-drevet optimering i øjeblikket omformer hele landbrugssektoren, langt ud over cannabis-dyrkning.

Nedenfor er nogle få måder, hvorpå forudsigelsesmodeller anvendes af både cannabis-dyrkere og -sælgere.

Til dyrkere: Forudsigelsesmodeller til operationelle forbedringer

Potentiale

At forstå den kemiske sammensætning af cannabis-planten er en afgørende nødvendighed for at respektere lovgivning. Forudsigelsesmodeller kan integrere spektroskopi, røntgenbillede-teknikker og maskinlæring til at nøjagtigt identificere cannabinoider og således mærke cannabis-varianter. Selv i tilfælde, hvor den tilgængelige data var utilstrækkelig, forskere kunne stadig gruppere cannabis-stammer i distinkte kategorier (medicinsk, rekreativ, kombineret, industri) baseret på deres kemiske egenskaber. Disse modeller ikke kun giver en bedre forståelse af cannabis-potentiale på alle stadier af leverandørkæden, men de repræsenterer også en sikkerhed for kvalitet og sundhed for slutbrugerne.

Ydelsesforudsigelse

At indsamle lokal, realtidsdata fra afgrøder (fugtighed, temperatur, lys) er det første skridt i at forstå både kunstige og naturlige vækstmiljøer. Men at vide, hvad man skal plante og hvilke handlinger, der skal udføres under vækst, kan ikke være nok. At integrere en række datakilder og opbygge komplekse modeller, der tager hundreder af funktioner i betragtning (fra jordtype og nedbør til blad-niveau sundhedsmalinger), forbedrer nøjagtigheden af forudsigelsesmodellerne. Modellerne udskriver derefter numeriske ydelsesestimat, der giver landmændene optimerede løsninger for den bedste afkast på investeringen.

Trussel-forudsigelse

Historisk afgrøde-præstation er ikke en pålidelig indikator for kommende trusler og sygdomme. I stedet kan automatiserede forudsigelsesmodeller bruges til at holde afgrøderne under konstant overvågning i både naturlige og kunstige miljøer. Trussel-forudsigelsesmodeller afhænger af en række teknikker, der spænder fra billedgenkendelse til analyse af vejr-tidsseriedata. Derved kan systemet forudsige kommende trusler, detektere anomalier og hjælpe landmænd med at genkende tidlige tegn. At tage handling, før det er for sent, giver dem mulighed for at minimere tab og maksimere afgrøde-kvaliteten.

Til sælgere: Udnytte historisk kunde-data til markedsføring og leverandørkæde-optimering

Kunde-livstidsværdi

Kunde-livstidsværdi (CLTV) er en af de afgørende mål, der påvirker salgs- og markedsføringsindsats. Moderne forudsigelsesalgoritmer kan allerede forudsige fremtidige relationer mellem individer og virksomheder. Disse algoritmer kan enten klassificere kunder (f.eks. lavt forbrug, højt forbrug, medium forbrug) i forskellige grupper eller endda forudsige kvantificerbare estimater af deres fremtidige udgifter. En sådan finmærket forståelse af kunder og deres forbrugsvaner giver sælgere en måde at let identificere og pleje værdifulde kunder.

Kunde-segmentering

Segmentering ligger til grund for velrettet markedsføring. Både færdige løsninger og tilpassede algoritmer kan skelne mellem hundredvis af relevante kunde-funktioner. Disse funktioner kan udvikles fra alle slags interne og eksterne datakilder: webaktivitetsdata, tidligere købshistorik, selv sociale medie-aktivitet. Denne data resulterer i, at kunder grupperes efter en række egenskaber, de deler. Dette giver ikke kun mulighed for mikro-målrettet markedsføring, men forbedrer også effektiviteten af distributionskanalerne.

Er joint-venture mellem cannabis og maskinlæring en bluff?

Ligesom enhver landbrugsaktivitet kommer dyrkning og salg af en afgrøde som cannabis med en række udfordringer. Maskinlæring fjerner barriererne for effektiv produktion og distribution. Virksomheder ser beyond manuel analyse for at analysere de begrænsninger og parametre, der er involveret i operationel præstation. De skifter til maskinlæring for at optimere deres indsats. Samtidig bliver markedssiden af cannabis-salg mere kompleks og digital, en anden grund til at indføre kraften af big data. Da forbrugernes smag bliver mere sofistikeret, bliver produktvarianter og konkurrencen mere intens. Fjernelse af fremtidig usikkerhed i alle disse områder med maskinlærings-evner til forudsigelse, anomalidetektion, multi-variabel optimering og mere hjælper cannabis-virksomheder med at tjene store penge.

Vi lever i en verden, hvor data fører an i alle brancher: den offentlige sektor, sundhed, produktion og leverandørkæden. Udviklingen i landbrugssektoren er ingen undtagelse: data-drevne løsninger driver innovation ved at hjælpe landmænd med deres største udfordringer. Forudsigelsesværktøjer bruges til at udnytte lokal data, der indsamles i realtid, og således fjerner frygten for usikkerhed fra operationelle processer. Digital, data-drevet landbrugs-optimering er allerede i gang med at omforme hele cannabis-industrien.