#420: קנאביס ולמידת מכונה, מיזם משותף

מגדלי ומוכרי קנאביס נכנסים ומרוויחים כסף על למידת מכונה

ללא קשר להיקף, מגדלי ומוכרי קנאביס עושים עסקים בסביבה מאתגרת במיוחד. בעוד שהם מתמודדים עם אמצעי רגולציה המשתנים ללא הרף, הם צריכים גם לנווט בבעיות מורכבות של ציות לעבודה והגבלות בנקאיות. בנוסף לפעילות העסקית והאופיינית לשרשרת האספקה, השוק המתפתח הזה עדיין מעורער מבחינה משפטית, כלכלית ומתמודד עם מזג אוויר קשה יותר ויותר. כתוצאה מכך, חברות מוצרי קנאביס ותעשיית החקלאות בכלל, מחפשות את היכולת של למידת מכונה לחזות, לייעל ולנתח כשהן מאמצות את עתיד הטכנולוגיה החקלאית.

אתגרים בתעשיית AgTech וקנאביס

יצרנים מבוססי קנאביס חייבים להתמודד עם סוגיות חקלאיות מורכבות:

מגדלים:

• ניהול מזיקים ומחלות
• עיצוב תוכניות תזונה יעילות
• להבטיח תנאים סביבתיים אידיאליים 
• מטב את התפוקה תוך צמצום התקורה
• עמידה ברגולציה חוקית

מוכרים:

• להבין ולארגן תהליכי הפצה מורכבים
• תיאום יצרנים, חקלאים, מותגים ודרישת לקוחות
• קבלת החלטות לצמיחה והתרחבות עתידית
• מבני מס ותקנות ריבוי מדינות

לצורך התמודדות עם הצד התפעולי של הגידול, כמו גם להתמודדות עם הצד השיווקי של המכירה, חברות מוצרים מבוססות קנאביס יכולות כעת למנף נתונים רבי עוצמה. נתונים אלה מזינים תוכנות המסוגלות למידת מכונה לחזות בעתיד באמצעות אלגוריתמים מודרניים וארכיטקטורות עיבוד נתונים.

המאפיינים הבאים של מערכות אקולוגיות מבוססות ענן מניעים פתרונות למידת מכונה:

• חיישנים וחומרה לחילוץ מידע זולים יותר

  • הפופולריות המוגברת וההצלחה של פתרונות ה-IoT מאפשרים לפרוס, להתחבר ולהקים רשתות עצומות של מכשירים חכמים. נתוני סטרימינג מקומיים אלו הם מרכיב חיוני לדיוק של מודלים חזויים של נתונים.

• משאבי מחשוב ואחסון זולים יותר ויותר

  • התחרות בין ספקי הענן מזמנת חדשנות ופיתוח בעלות נמוכה. כל אחד יכול לבנות ולפרוס פתרונות ML בענן, בהינתן שיש לו גישה למספיק נתונים. יתר על כן, כל ספקי הענן משתמשים במודל של תשלום לפי נסיעה המאפשר ללקוחות לשלם רק עבור מה שהם משתמשים ודורשים.
    

• אלגוריתמים ומסגרות לעיבוד נתונים זמינים באופן נרחב

  • משימות רבות של עיבוד נתונים (כל הדרך מאיסוף ועד ניתוח) ניתנות לעדכון ואוטומציה בקלות עם כלים מבוססי ענן. באופן דומה, מודלים ML מאומנים מראש וארכיטקטורות רשתות עצביות ניתנים לשינוי שימוש באמצעות ידע ישן על בעיות חדשות.

מערכת אקולוגית כה עשירה של כלים, מסגרות והתקני איסוף נתונים זולים הפכו את ה-ML בחקלאות לפתרון בר-קיימא וחסכוני עבור האתגרים הקשים ביותר. אין פלא שאופטימיזציה מבוססת נתונים מעצבת מחדש את כל מגזר החקלאות, הרבה מעבר לחקלאות קנאביס.

להלן מספר דרכים קצרות שבהן מיישמים פתרונות דוגמנות חזויים הן על ידי מגדלי הקנאביס והן על ידי המוכרים.

למגדלים: מודלים חזויים לשיפורים תפעוליים

האון

הבנה מדויקת של ההרכב הכימי של צמח הקנאביס היא הכרח מכריע לכיבוד אמצעי רגולציה. מודלים חזויים יכול לשלב ספקטרוסקופיה, טכניקות הדמיית רנטגן ולמידת מכונה לזיהוי מדויק קנבינואידים ובכך לתייג זני קנאביס. גם במקרים שבהם הנתונים הזמינים לא היו מספיקים, חוקרים עדיין הצליחו לרכז זני קנאביס לקטגוריות שונות (רפואי, פנאי, משולב, תעשייתי) על סמך התכונות הכימיות שלהם. לא רק שמודלים כאלה מאפשרים הבנה טובה יותר של עוצמת הקנאביס בכל שלבי שרשרת האספקה, אלא שהם מהווים הגנה על איכות ובריאות עבור צרכני הקצה. 

חיזוי תשואה

איסוף נתונים מקומיים בזמן אמת מיבולים (לחות, טמפרטורה, אור) הוא הצעד הראשון בהבנת סביבות גידול מלאכותיות וטבעיות כאחד. עם זאת, לדעת מה לשתול ואיזה פעולות לנקוט במהלך הגידול לא יספיקו. שילוב של מגוון מקורות נתונים ובניית מודלים מורכבים המהווים מאות מאפיינים (מסוג קרקע ומשקעים ועד מדדי בריאות ברמת העלים) משפר את הדיוק של מודלים חזויים. המודלים מפיקים אז אומדני תשואה מספריים המספקים לחקלאים פתרונות מותאמים לקבלת ההחזר הטוב ביותר על ההשקעה.

חיזוי איום

ביצועי יבול היסטוריים אינם אינדיקטור אמין לאיומים ומחלות עתידיות. במקום זאת, ניתן להשתמש במודלים חיזויים אוטומטיים כדי לשמור על גידולים תחת ניטור מתמיד בסביבות טבעיות ומלאכותיות כאחד. מודלים לחיזוי איומים להסתמך על מגוון טכניקות, החל מזיהוי תמונה ועד ניתוח נתוני סדרות זמן של מזג האוויר. ובכך לאפשר למערכת לחזות איומים קרובים, לזהות חריגות, ולעזור לחקלאים לזהות סימנים מוקדמים. נקיטת פעולה לפני שיהיה מאוחר מדי מעצימה אותם למזער אובדן ולמקסם את איכות היבול.

למוכרים: נצל את נתוני הלקוחות ההיסטוריים לאופטימיזציה של שיווק ושרשרת אספקה

ערך חיי הלקוח

ערך חיי הלקוח (CLTV) הוא אחד האמצעים המכריעים המשפיעים על מאמצי המכירות והשיווק. אלגוריתמים חזויים מודרניים כבר מסוגלים לחזות יחסים עתידיים בין אנשים ועסקים. אלגוריתמים אלו יכולים לסווג לקוחות (למשל הוצאה נמוכה, הוצאה גבוהה, הוצאה בינונית) לאשכולות שונים או אפילו לחזות אומדנים ניתנים לכימות של ההוצאות העתידיות שלהם. הבנה כה מדוקדקת של לקוחות והרגלי ההוצאות שלהם מספקת למוכרים דרך לזהות בקלות לקוחות בעלי ערך גבוה ולטפח אותם. 

פילוח לקוחות

פילוח טמון בבסיס מאמצי שיווק ממוקדים היטב. שני הפתרונות הבנויים מראש, כמו גם אלגוריתמים מותאמים אישית, מסוגלים להבחין בין מאות תכונות רלוונטיות של לקוחות. ניתן להנדס את התכונות הללו מכל מיני מקורות נתונים פנימיים וחיצוניים: נתוני פעילות באינטרנט, היסטוריית רכישות קודמות, אפילו פעילות במדיה חברתית. נתונים אלו מביאים לכך שלקוחות מקובצים לפי קבוצת מאפיינים שהם חולקים. זה מאפשר לא רק מיקוד מיקרו של מאמצי השיווק אלא גם משפר את היעילות של ערוצי ההפצה.

האם המיזם המשותף בין קנאביס ולמידת מכונה נושף עשן? 

כמו כל מאמץ חקלאי, גידול ומכירת יבול כמו קנאביס מלווה במגוון אתגרים. למידת מכונה מסירה את החסמים בפני ייצור והפצה יעילים. חברות מסתכלות מעבר לניתוח ידני כדי לנתח את האילוצים והפרמטרים הכרוכים בביצועים תפעוליים. הם עוברים ללמידת מכונה כדי לייעל את המאמצים שלהם. במקביל, הצד השיווקי של מכירת קנאביס הופך ליותר ויותר מורכב ודיגיטלי, קריאה נוספת להביא את הכוח של ביג דאטה. ככל שהטעם של הצרכנים משתכלל בהדרגה, מגוון המוצרים והתחרות נעשים קשים יותר. הסרת אי הוודאות העתידית בכל התחומים הללו עם יכולות חיזוי, זיהוי חריגות, אופטימיזציה מרובה משתנים ועוד באמצעות למידת מכונה עוזרת לחברות הקנאביס לגלגל רווחים עצומים. 

אנו חיים בעולם שבו הנתונים מובילים מהפכה בכל הענפים: המגזר הציבורי, הבריאות, הייצור ושרשרת האספקה. ההתפתחויות במגזר החקלאי אינן יוצאות דופן: פתרונות מבוססי נתונים מניעים חדשנות על ידי סיוע לחקלאים עם ההחלטות המאתגרות ביותר שלהם. כלי חיזוי משמשים למינוף נתונים מקומיים שנאספים בזמן אמת, ובכך מסירים את החשש מחוסר ודאות מתהליכים תפעוליים. דיגיטלי, מופעל על ידי נתונים אופטימיזציה חקלאית כבר מעצב מחדש את כולו תעשיית הקנאביס.