#420: Cannabis og maskinlæring, et felles prosjekt

Cannabisprodusenter og selgere ruller inn og tjener penger på maskinlæring

Uansett skala, driver cannabisprodusenter og selgere virksomhet i en merkbart utfordrende miljø. Mens de håndterer stadig skiftende reguleringer, må de også navigere komplekse arbeidsrettssaker og bankrestriksjoner. I tillegg til vanlige forretnings- og leverandørkjeder, er denne nye markedet fremdeles juridisk, økonomisk og møter stadig mer alvorlige værforhold. Som resultat, ser cannabisprodusenter og landbruket som helhet, til maskinlæringens evne til å forutsi, optimalisere og analysere mens de omfavner fremtiden for landbruksteknologi.

Utfordringer i AgTech og cannabisindustrien

Cannabisbaserte produsenter må håndtere komplekse landbruksspørsmål:

Dyrkere:

• Behandle skadedyr og sykdommer
• Design effektive ernæringsplaner
• Sikre ideelle miljøforhold
• Optimere utbytte mens minimale omkostninger
• Rettslig reguleringssamsvar

Selgere:

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

For å håndtere den operative siden av dyrking, samt for å håndtere markedsføringssiden av salg, kan cannabisbaserte 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 skybaserte økosystemer driver maskinlæring-løsninger:

• Sensorer og maskinvare for å hente informasjon er billigere

  • Den økede populariteten og suksessen til IoT-løsninger gjør det mulig å deployere, koble til og etablere store nettverk av smarte enheter. Denne lokale strømmen av data er en kritisk komponent for nøyaktigheten av prediktive data-modeller.

• Regnings- og lagringsressursene er stadig mer tilgjengelige

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

• Algoritmer og data-prosesseringssystemer er vidt tilgjengelige

  • Mange data-prosesseringstasks (hele veien fra innsamling til analyse) kan enkelt oppdateres og automatiseres med skybaserte verktøy. Liksom, forhånds-trente ML-modeller og neurale nettverksarkitekturer kan gjenbrukes ved hjelp av gammel kunnskap på nye problemer.

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

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

For dyrkere: Prediktive modeller for operasjonelle forbedringer

Potens

Å forstå den kjemiske sammensetningen av cannabisplanten 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 tilgjengelige data var utilstrekkelige, forskere var fortsatt i stand til å gruppere cannabis-stammer i distinkte kategorier (medisinske, rekreasjonelle, 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 sluttbrukerne. 

Avkastningsprediksjon

Innsamling av lokal, sanntidsdata fra avlinger (fuktighet, temperatur, lys) er det første skrittet i å forstå både kunstige og naturlige vekstmiljøer. Men, å vite hva som skal plantes og hva som skal gjøres under veksten, kan ikke være nok. Inkorporering av en rekke datakilder 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 utsetter deretter numeriske avkastnings-estimater som gir bøndene optimaliserte løsninger for beste avkastning på investeringen.

Trussel-prediksjon

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

For selgere: Utnytt historiske kundedata for markedsføring og leverandørkjede-optimalisering

Kundens livstidsverdi

Kundens livstidsverdi (CLTV) er en av de kritiske målene som påvirker salgs- og markedsføringsinnsats. Moderne prediktive algoritmer er allerede i stand til å forutsi fremtidige relasjoner mellom enkeltindivider og bedrifter. Disse algoritmene kan enten klassifisere kunder (f.eks. lav utgift, høy utgift, medium utgift) i ulike grupper eller til og med forutsi kvantifiserbare estimater av deres fremtidige utgifter. Slik en finfordelt forståelse av kunder og deres utgiftsvaner gir selgere en måte å enkelt identifisere og pleie høyverdi-kunder. 

Kundesegmentering

Segmentering ligger til grunn for godt målrettede markedsføringsinnsatser. Både ferdige løsninger og tilpassede algoritmer er i stand til å skille mellom hundrevis av relevante kunde-egenskaper. Disse egenskapene kan være konstruert fra alle typer interne og eksterne datakilder: webaktivitet-data, tidligere kjøps-historikk, selv sosiale medie-aktivitet. Dette resulterer i at kunder grupperes etter en rekke egenskaper som de deler. Dette gjør det mulig ikke bare å mikro-målrette markedsføringsinnsatser, men også å forbedre effektiviteten av distribusjonskanalene.

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

Lignende noen landbruksinnsats, 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 til å analysere begrensningene og parameterne involvert i operasjonell ytelse. De bytter til maskinlæring for å optimalisere innsatsen.  Samtidig blir markedsføringssiden av salg av cannabis stadig mer kompleks og digital, en annen oppfordring til å bringe inn kraften av store data. Ettersom kundenes smak blir stadig mer sofistikert, 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 rulle inn store fortjenester. 

Vi lever i en verden hvor data fører en revolusjon i alle industrier: offentlig sektor, helse, produksjon og leverandørkjede. Utviklingene i landbruksektoren er ingen unntak: data-drevne løsninger driver innovasjon ved å assistere bønder med deres tøffeste beslutninger. Prediktive verktøy brukes til å utnytte lokale data samlet inn i sanntid, og dermed fjerner frykten for usikkerhet fra operative prosesser. Digitale, data-drevne landbruksoptimalisering er allerede i ferd med å omforme hele cannabis-industrien.