#420: Cannabis og Maskinlæring, et Fælles Foretagende

Cannabis-dyrkere og -sælgere er på vej ind og tjener penge på maskinlæring

Uanset størrelse er cannabis-dyrkere og -sælgere i gang med at drive forretning i en bemærkelsesværdigt udfordrende omgang. Mens de har med at håndtere konstant skiftende reguleringer, skal de også navigere komplekse arbejdsrettighedsproblemer og bankbegrænsninger. Oven i de typiske forretnings- og forsyningskædeoperationer er denne opblomstrende marked endnu ikke fastlagt juridisk, økonomisk og møder stadig mere alvorlige vejrforhold. Som følge heraf søger cannabisproduktvirksomheder og landbrugsindustrien i bred forstand til maskinlæringens evne til at forudsige, optimere og analysere, da de omfavner fremtiden for landbrugsteknologi.

Udfordringer i AgTech og cannabisindustrien

Cannabis-baserede producenter må tackle komplekse landbrugsproblemer:

Dyrkere:

• Styre skadedyr og sygdomme
• Design effektive ernæringsplaner
• Sikre ideelle miljøforhold
• Optimere output samtidig med at minimere omkostninger
• Retlig reguleringssamarbejde

Sælgere:

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

Til at håndtere den operationelle side af dyrkning, såvel som til at tackle markedsføringssiden af salg, kan cannabis-baserede produktvirksomheder nu udnytte kraftfuld data. Denne data driver maskinlæring-kapablet software, der kan forudsige fremtiden ved hjælp af moderne algoritmer og data-processeringsarkitekturer.

Følgende karakteristika af cloud-baserede økosystemer driver maskinlæring-løsninger:

• Sensorer og hardware til at trække informationer er billigere

  • Den øgede popularitet og succes af IoT-løsninger gør det muligt at deployere, tilslutte og etablere store netværk af smarte enheder. Denne lokaliserede datastrøm er en afgørende komponent for nøjagtigheden af forudsigelsesdatamodeller.

• Computere og lagringsressourcer er stadig mere billige

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

• 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 billige dataindsamlingenheder har gjort ML i landbrug til en livskraftig, omkostningseffektiv løsning for de største udfordringer. Ingen underligt, at data-dreven optimering i øjeblikket omformulerer hele landbrugssektoren, langt ud over cannabis-dyrkning.

Nedenfor er nogle få korte måder, predictive modeling-løsninger anvendes af både cannabis-dyrkere og -sælgere.

Til Dyrkere: Predictive modeller til operationelle forbedringer

Potens

At forstå den kemiske sammensætning af cannabisplanten er en afgørende nødvendighed for at respektere reguleringer. Predictive modeller kan inkorporere spektroskopi, røntgenbillede-teknikker og maskinlæring til at nøjagtigt identificere cannabinoider og således mærke cannabisvarianter. Selv i tilfælde, hvor den tilgængelige data var utilstrækkelig, forskere var stadig i stand til at gruppere cannabis-stammer i distinkte kategorier (medicinsk, rekreativ, kombineret, industri) baseret på deres kemiske egenskaber. Ikke kun gør sådanne modeller det muligt at forstå cannabis-potens på alle stadier af forsyningskæden, men de repræsenterer en sikkerhed for kvalitet og sundhed for slutbrugerne. 

Afgrødeforudsigelse

At indsamle lokal, realtidsdata fra afgrøder (fugtighed, temperatur, lys) er det første skridt i at forstå både kunstige og naturlige dyrkingsmiljøer. Men at vide, hvad man skal plante, og hvad man skal gøre under dyrkning, kan ikke være nok. At inkorporere en variation af datakilder og bygge komplekse modeller, der tager hundreder af funktioner i betragtning (fra jordtype og regn til blad-niveau sundhedsmalinger), forbedrer nøjagtigheden af predictive modeller. Modellerne udskriver derefter numeriske afgrøde-estimater, der giver landmændene optimerede løsninger for den bedste afkast på investeringen.

Trusselforudsigelse

Historisk afgrøde-præstation er ikke en pålidelig indikator for kommende trusler og sygdomme. I stedet kan automatiserede forudsigelsesmodeller bruges til at holde afgrøder under konstant overvågning i både naturlige og kunstige miljøer. Trusselforudsigelsesmodeller afhænger af en variation af teknikker, der spænder fra billedgenkendelse til analyse af vejr-tidsseriedata. Derved muliggør systemet at 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-kvalitet.

Til Sælgere: Udnytte historisk kunde-data til markedsføring og forsyningskædeoptimering

Kunde Livstid Værdi

Kunde Livstid Værdi (CLTV) er en af de afgørende mål, der påvirker salg og markedsføringseffort. Moderne predictive algoritmer er allerede i stand til at forudsige fremtidige relationer mellem individer og virksomheder. Disse algoritmer kan enten klassificere kunder (f.eks. lav udgift, høj udgift, medium udgift) i forskellige grupper eller endda forudsige kvantificerbare estimeringer af deres fremtidige udgifter. En sådan finfordelt forståelse af kunder og deres udgiftsvaner giver sælgere en måde at let identificere og pleje højværdi-kunder. 

Kunde Segmentering

Segmentering ligger til grund for velrettet markedsføringseffort. Både færdigbyggede løsninger samt brugerdefinerede algoritmer kan skelne mellem hundredvis af relevante kunde-funktioner. Disse funktioner kan udvikles fra alle slags interne og eksterne datakilder: webaktivitetsdata, tidligere købshistorik, endda sociale medieaktivitet. Denne data resulterer i, at kunder grupperes efter en række karakteristika, som de deler. Dette giver ikke kun mulighed for mikrotargeting af markedsføringseffort, men forbedrer også effektiviteten af distributionskanaler.

Er joint-venture mellem cannabis og maskinlæring blot en røgsky? 

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 begrænsningerne og parametrene, der er involveret i operationel præstation. De skifter til maskinlæring for at optimere deres indsats. Samtidig bliver markedsføringssiden af at sælge cannabis mere kompleks og digital, en anden opfordring til at indføre kraften af big data. Da forbrugernes smag bliver mere sofistikeret, bliver variationen af produkter og konkurrencen mere intens. At fjerne fremtidig usikkerhed i alle disse områder med maskinlæringens evne til forudsigelse, anomalidetektion, multi-variabel optimering og mere er med til at hjælpe cannabis-virksomheder med at tjene store penge. 

Vi lever i en verden, hvor data fører an i en revolution i alle brancher: den offentlige sektor, sundhed, fremstilling og forsyningskæden. Udviklinger i landbrugssektoren er ingen undtagelse: data-drevne løsninger driver innovation ved at hjælpe landmænd med deres mest udfordrende beslutninger. Predictive værktøjer bruges til at udnytte lokal data indsamlet i realtid, og dermed fjerner usikkerheden fra operationelle processer. Digital, data-dreven landbrugsoptimering er allerede i gang med at omformulere hele cannabisindustrien.