#420: Cannabis og maskinlæring, et felles prosjekt

Cannabisprodusenter og selgere tjener penger på maskinlæring

Uansett størrelse, driver cannabisprodusenter og selgere virksomhet i en merkkelig utfordrende miljø. Mens de håndterer stadig endrende reguleringer, må de også navigere komplekse arbeidsrettssaker og bankrestriksjoner. I tillegg til vanlige forretnings- og leverandørkjeder, er denne nye markedet fortsatt usikkert både juridisk, økonomisk og møter stadig mer alvorlige værforhold. Som følge av dette, ser cannabisprodusenter og landbruksnæringen som helhet, til maskinlærings evne til å forutsi, optimalisere og analysere når de omfavner fremtiden for landbruks-teknologi.

Utfordringer i AgTech og cannabis-industrien

Cannabis-baserte produsenter må håndtere komplekse landbruksproblemer:

Dyrkere:

• Håndtere skadedyr og sykdommer
• Design effektive næringsplaner
• Sikre ideelle miljøforhold
• Optimalisere utbytte mens minimale omkostninger
• Rettslig overholdelse av reguleringer

Selgere:

• Forstå og organisere komplekse distribusjonsprosesser
• Koordinere produsenter, bønder, merker og kundeefterspørsel
• Fatte beslutninger for fremtidig vekst og utvidelse
• Flernasjonale skattestrukturer og reguleringer

For å håndtere den operative siden av dyrking, samt for å takle markedssiden av salg, kan cannabis-baserte produsenter nå utnytte kraftfulle data. Disse dataene driver maskinlæring-kapable programvare som kan forutsi fremtiden ved hjelp av moderne algoritmer og data-prosesseringssystemer.

Følgende egenskaper ved sky-baserte økosystemer driver maskinlæring-løsninger:

• Sensorer og maskinvare for å hente informasjon er billigere

  • Økt popularitet og suksess med IoT-løsninger gjør det mulig å distribuere, koble til og etablere store nettverk av smarte enheter. Denne lokale strømmende data er en kritisk komponent for nøyaktigheten av prediktive data-modeller.

• Regnings- og lagringsressurser er stadig mer tilgjengelige

  • Konkurransen blant sky-leverandører inviterer til innovasjon og utvikling til en lav kostnad. Alle kan bygge og distribuere ML-løsninger i skyen, gitt at de har tilgang til nok data. Videre, bruker alle sky-leverandører en betal-per-bruk-modell som tillater kundene å bare betale for hva de bruker og trenger.
    

• Algoritmer og data-prosesseringssystemer er vidt tilgjengelige

  • Mange data-prosesseringstasks (hele veien fra innhenting til analyse) kan enkelt oppdateres og automatiseres med sky-baserte verktøy. Liksom forhånds-trente ML-modeller og neurale nettverks-arkitekturer kan gjenbrukes ved hjelp av gammel kunnskap på nye problemer.

Slike rike økosystemer av verktøy, rammer og billig data-innsamling har gjort ML i landbruk til en levedyktig, kostnadseffektiv løsning for de tøffeste utfordringene. Ingen under at data-drevet optimalisering nå omformer hele landbrukssektoren, langt utenfor cannabis-dyrking.

Under er noen få måter prediktive modell-løsninger brukes av både cannabis-dyrkere og selgere.

For dyrkere: Prediktive modeller for operasjonelle forbedringer

Potens

Å forstå den kjemiske sammensetningen av cannabis-planten er en kritisk nødvendighet for å respektere reguleringer. Prediktive modeller kan inkorporere spektroskopi, røntgen-bilde-teknikker og maskinlæring for å nøyaktig identifisere cannabinoider og dermed merke cannabis-varianter. Selv i tilfeller hvor tilgjengelig data var utilstrekkelig, forskere var fortsatt i stand til å gruppere cannabis-stammer i distinkte kategorier (medisinske, rekreasjons-, kombinerte, industrielle) basert på deres kjemiske egenskaper. Ikke bare gjør slike modeller det mulig å forstå cannabis-potens på alle stadier av leverandørkjeden, men de representerer også en garanti for kvalitet og helse for sluttkonsumentene. 

Avkastningsprediksjon

Innsamling av lokal, sanntids-data fra avlinger (fuktighet, temperatur, lys) er det første skrittet i å forstå både kunstige og naturlige vekstmiljøer. Likevel, å vite hva å plante og hva å gjøre under veksten kan ikke være nok. Inkorporering av en rekke data-kilder og bygging av komplekse modeller som tar hensyn til hundrevis av funksjoner (fra jordtype og nedbør til blad-nivå helse-mål) forbedrer nøyaktigheten av prediktive modeller. Modellene utgangs-numeriske avkastnings-estimater som gir bøndene optimaliserte løsninger for beste avkastning på investering.

Trussel-prediksjon

Historisk avlings-ytelse er ikke en pålitelig indikator for kommende trusler og sykdommer. I stedet kan automatiske prediksjons-modeller brukes til å holde avlinger under konstant overvåking i både naturlige og kunstige miljøer. Trussel-prediksjons-modeller baserer seg på en rekke teknikker, fra bilde-gjenkjenning til analyse av vær-tidsserie-data. Dette gjør det mulig for systemet å forutsi kommende trusler, detektere anomalier, og hjelpe bøndene å gjenkjenne tidlige tegn. Å ta handling før det er for sent, gir dem mulighet til å minimere tap og maksimere avlings-kvalitet.

For selgere: Utnytte historisk kunde-data for markeds- og leverandør-kjede-optimalisering

Kunde-livstid-verdi

Kunde-livstid-verdi (CLTV) er en av de kritiske målene som påvirker salgs- og markeds-innsats. Moderne prediktive algoritmer er allerede i stand til å forutsi fremtidige relasjoner mellom individer og bedrifter. Disse algoritmene kan klassifisere kunder (f.eks. lavt utgift, høyt utgift, medium utgift) i forskjellige grupper eller selv forutsi kvantifiserbare estimater av deres fremtidige utgifter. Slik en fin-grådig forståelse av kunder og deres utgifts-vaner gir selgere en måte å lett identifisere og pleie høy-verdi-kunder. 

Kunde-segmentering

Segmentering ligger til grunn for godt målrettede markeds-innsatser. Både forhånds-bygde løsninger, samt tilpassede algoritmer, kan skille mellom hundrevis av relevante kunde-egenskaper. Disse egenskapene kan være konstruert fra alle typer interne og eksterne data-kilder: web-aktivitets-data, tidligere kjøps-historikk, selv sosiale medie-aktivitet. Denne dataen resulterer i at kunder grupperes etter en rekke egenskaper de deler. Dette gjør det mulig ikke bare å mikro-målrette markeds-innsatser, men også forbedre effektiviteten av distribusjons-kanaler.

Er joint-venturet mellom cannabis og maskinlæring bare røyk og speil?

Som enhver landbruks-innsats, kommer dyrking og salg av en avling som cannabis med en rekke utfordringer.  Maskinlæring fjerner barrierer for effektiv produksjon og distribusjon.  Bedrifter ser bort fra manuell analyse for å analysere begrensninger og parametre involvert i operasjonell ytelse. De bytter til maskinlæring for å optimalisere sine innsatser.  Samtidig blir markedssiden av å selge cannabis stadig mer kompleks og digital, en annen årsak til å bringe inn kraften av stor data. Ettersom kundenes smak blir stadig mer sofistikerte, blir variasjonen av produkter og konkurranse mer intens. Fjerning av fremtidig usikkerhet i alle disse områdene med mulighetene til prediksjon, anomali-deteksjon, multi-variabel-optimalisering og mer gjennom maskinlæring, hjelper cannabis-bedrifter å tjene store penger. 

Vi lever i en verden hvor data fører en revolusjon i alle industrier: offentlig sektor, helse, produksjon og leverandør-kjede. Utviklinger i landbruks-sektoren er ingen unntak: data-drevne løsninger driver innovasjon ved å hjelpe bøndene med deres tøffeste beslutninger. Prediktive verktøy brukes til å utnytte lokal data samlet i sanntid, og dermed fjerner frykten for usikkerhet fra operative prosesser. Digital, data-drevet landbruks-optimalisering er allerede i ferd med å omforme hele cannabis-industrien.