#420: Cannabis en Machine Learning, een gezamenlijk avontuur

Cannabis telers en verkopers verdienen goed met machine learning

Ongeacht de omvang, doen cannabis telers en verkopers zaken in een opvallend moeilijke omgeving. Terwijl ze te maken hebben met voortdurend veranderende regelgeving, moeten ze ook complexe arbeidscompliance-kwesties en bankbeperkingen navigeren. Bovenop de typische bedrijfs- en supply chain-operaties is deze opkomende markt nog steeds onrustig op juridisch, economisch en steeds ernstiger weer gebied. Als gevolg daarvan kijken cannabisproductbedrijven en de landbouwsector in het algemeen naar de mogelijkheden van machine learning om te voorspellen, te optimaliseren en te analyseren terwijl ze de toekomst van landbouwtechnologie omarmen.

Uitdagingen in de AgTech- en cannabismarkt

Cannabisgebaseerde producenten moeten complexe landbouwkundige kwesties aanpakken:

Telers:

• Plagen en ziekten beheren
• Efficiënte voedingsplannen ontwerpen
• Ideale omgevingsomstandigheden waarborgen
• Output optimaliseren en overhead minimaliseren
• Wettelijke regelgevingsconformiteit

Verkopers:

• Complex distributieprocessen begrijpen en organiseren
• Fabrikanten, boeren, merken en klantvraag coördineren
• Beslissingen nemen voor toekomstige groei en expansie
• Belastingstructuren en regelgeving in meerdere staten

Voor het aanpakken van de operationele kant van het telen, evenals voor het aanpakken van de marketingkant van het verkopen, kunnen cannabisondersteunde productbedrijven nu krachtige gegevens gebruiken. Deze gegevens voeden machine learning-capabele software die kan voorspellen de toekomst met behulp van moderne algoritmen en gegevensverwerkingsarchitecturen.

De volgende kenmerken van cloudgebaseerde ecosystemen zetten machine learning-oplossingen in werking:

• Sensoren en hardware voor het extraheren van informatie zijn goedkoper

  • De toegenomen populariteit en succes van IoT-oplossingen maken het mogelijk om uitgebreide netwerken van slimme apparaten te implementeren, aansluiten en in te stellen. Deze lokaal gestreamde gegevens zijn een cruciaal onderdeel voor de nauwkeurigheid van voorspellende gegevensmodellen.

• Reken- en opslagbronnen zijn steeds betaalbaarder

  • Concurrentie onder cloudleveranciers nodigt innovatie en ontwikkeling uit tegen een lage kostprijs. Iedereen kan machine learning-oplossingen in de cloud bouwen en implementeren, mits ze toegang hebben tot voldoende gegevens. Bovendien gebruiken alle cloudproviders een pay-as-you-go-model, waardoor klanten alleen betalen voor wat ze gebruiken en nodig hebben.
    

• Algoritmen en gegevensverwerkingskaders zijn breed beschikbaar

  • Veel gegevensverwerkingstaken (van verzameling tot analyse) kunnen gemakkelijk worden bijgewerkt en geautomatiseerd met cloudgebaseerde tools. Bovendien kunnen vooraf getrainde machine learning-modellen en neurale netwerkarchitecturen opnieuw worden gebruikt met behulp van oude kennis over nieuwe problemen.

Een dergijk rijk ecosysteem van tools, kaders en goedkope gegevensverzamelingsapparaten hebben machine learning in de landbouw tot een haalbare, kostenefficiënte oplossing gemaakt voor de moeilijkste uitdagingen. Geen wonder dat gegevensgestuurde optimalisatie de hele landbouwsector opnieuw vormgeeft, ver voorbij de cannabisteelt.

Hieronder volgen enkele korte manieren waarop voorspellende modellen worden toegepast door zowel cannabistelers als verkopers.

Voor telers: Voorspellende modellen voor operationele verbeteringen

Kracht

Een nauwkeurig begrip van de chemische samenstelling van de cannabispplant is een cruciale noodzaak voor het respecteren van regelgevende maatregelen. Voorspellende modellen kunnen spectroscopie, röntgenbeeldvormingstechnieken en machine learning combineren om cannabinoïden nauwkeurig te identificeren en zo cannabissorten te labelen. Zelfs in gevallen waarin de beschikbare gegevens onvoldoende waren, onderzoekers konden cannabissorten nog steeds in distincte categorieën indelen (medicinaal, recreatief, gecombineerd, industrieel) op basis van hun chemische eigenschappen. Dergelijke modellen stellen niet alleen een beter begrip van de kracht van cannabis mogelijk op alle niveaus van de supply chain, maar vormen ook een waarborg voor kwaliteit en gezondheid voor de eindgebruikers.

Oogstopbrengst

Het verzamelen van lokale, real-time gegevens van gewassen (luchtvochtigheid, temperatuur, licht) is de eerste stap in het begrijpen van zowel kunstmatige als natuurlijke groeiomgevingen. Het weten wat te planten en welke acties te ondernemen tijdens het groeien mag echter niet voldoende zijn. Het integreren van diverse gegevensbronnen en het opbouwen van complexe modellen die honderden kenmerken meenemen (van bodemtype en neerslag tot bladniveau-gezondheidsmaatstaven) verbetert de nauwkeurigheid van voorspellende modellen. De modellen geven numerieke oogstopbrengtschattingen die boeren geoptimaliseerde oplossingen bieden voor de beste rendementen op investering.

Bedreigingsvoorspelling

Historische gewasprestaties zijn geen betrouwbare indicator voor toekomstige bedreigingen en ziekten. In plaats daarvan kunnen geautomatiseerde voorspellingsmodellen worden gebruikt om gewassen constant te monitoren in zowel natuurlijke als kunstmatige omgevingen. Bedreigingsvoorspellingsmodellen vertrouwen op diverse technieken, variërend van beeldherkenning tot analyse van weertijdreeksgegevens. Hierdoor kan het systeem toekomstige bedreigingen voorspellen, afwijkingen detecteren en boeren helpen om vroegtijdige signalen te herkennen. Maatregelen nemen voordat het te laat is, stelt hen in staat om verlies te minimaliseren en de kwaliteit van het gewas te maximaliseren.

Voor verkopers: Historische klantgegevens gebruiken voor marketing- en supply chain-optimalisatie

Klantlevenswaarde

Klantlevenswaarde (CLTV) is een van de cruciale maatstaven die verkoop- en marketinginspanningen beïnvloeden. Moderne voorspellende algoritmen kunnen al voorspellen welke toekomstige relaties er tussen individuen en bedrijven zullen zijn. Deze algoritmen kunnen klanten classificeren (bijv. lage uitgaven, hoge uitgaven, gemiddelde uitgaven) in verschillende clusters of zelfs kwantificeerbare schattingen van hun toekomstige uitgaven voorspellen. Een dergelijk fijnmazig begrip van klanten en hun uitgavenpatronen biedt verkopers een manier om gemakkelijk hoogwaardige klanten te identificeren en te koesteren.

Klantsegmentatie

Segmentatie ligt aan de basis van goed gerichte marketinginspanningen. Zowel vooraf gebouwde oplossingen als aangepaste algoritmen kunnen onderscheid maken tussen honderden relevante klantkenmerken. Deze kenmerken kunnen worden afgeleid van alle soorten interne en externe gegevensbronnen: webactiviteitsgegevens, aankoopgeschiedenis, zelfs socialemediagegevens. Deze gegevens resulteren in klanten die worden gegroepeerd volgens een set kenmerken die ze delen. Dit stelt niet alleen microdoelstellingen van marketinginspanningen mogelijk, maar verbetert ook de efficiëntie van distributiekanalen.

Is de gezamenlijke onderneming tussen cannabis en machine learning rook?

Net als elke landbouwonderneming, komt het telen en verkopen van een gewas zoals cannabis met een reeks uitdagingen. Machine learning verwijdert de barrières voor efficiënte productie en distributie. Bedrijven kijken voorbij handmatige analyse om de beperkingen en parameters te analyseren die bij operationele prestaties zijn betrokken. Ze schakelen over naar machine learning om hun inspanningen te optimaliseren. Tegelijkertijd wordt de marketingkant van het verkopen van cannabis steeds complexer en digitaler, een andere oproep om de kracht van big data in te zetten. Naarmate de smaak van consumenten steeds verfijnder wordt, wordt de variëteit aan producten en concurrentie heviger. Het wegnemen van toekomstige onzekerheid in al deze gebieden met de mogelijkheden van voorspelling, afwijkingdetectie, multivariable-optimalisatie en meer via machine learning helpt cannabisondersteunde bedrijven om enorme winsten te behalen.

We leven in een wereld waarin gegevens een revolutie teweegbrengen in alle industrieën: de publieke sector, gezondheid, fabricage en de supply chain. Ontwikkelingen in de landbouwsector zijn geen uitzondering: gegevensgestuurde oplossingen stimuleren innovatie door boeren te helpen bij hun moeilijkste beslissingen. Voorspellende tools worden gebruikt om lokale gegevens te benutten die in real-time worden verzameld, waardoor de angst voor onzekerheid uit operationele processen wordt verwijderd. Digitale, gegevensgestuurde landbouwoptimalisatie vormt de hele cannabismarkt al om.