#420: Cannabis och maskinlärning, ett joint venture

Cannabisodlare och säljare rullar in och tar ut vinst på maskinlärning

Oavsett skala, gör cannabisodlare och säljare affärer i en påfallande utmanande miljö. Medan de hanterar ständigt föränderliga regleringsåtgärder, måste de också navigera komplexa arbetsmarknadsfrågor och bankbegränsningar. Utöver de vanliga affärs- och leveransprocesserna, är denna framväxande marknad fortfarande ostabil juridiskt, ekonomiskt och möter alltmer allvarliga väderförhållanden. Som ett resultat, letar cannabisproduktföretag och jordbrukssektorn i stort, efter maskinlärningens förmåga att förutsäga, optimera och analysera när de omfamnar framtiden för jordbruks-teknologi.

Utmaningar inom AgTech och cannabisindustrin

Cannabisbaserade producenter måste hantera komplexa jordbruksfrågor:

Odlare:

• Hantera skadedjur och sjukdomar
• Utforma effektiva näringsplaner
• Säkerställa idealiska miljöförhållanden
• Optimera uttag medan man minimerar overhead
• Legala regleringskrav

Säljare:

• Förstå och organisera komplexa distributionsprocesser
• Koordinera tillverkare, odlare, varumärken och kundkrav
• Fatta beslut för framtida tillväxt och expansion
• Flera staters skattestrukturer och regler

För att hantera den operativa sidan av odling, samt för att hantera marknadsföringssidan av försäljning, kan cannabisbaserade produktföretag nu utnyttja kraftfulla data. Dessa data driver maskinlärningskapabla programvaror som kan förutsäga framtiden genom moderna algoritmer och datahanteringsarkitekturer.

Följande egenskaper hos molnbaserade ekosystem driver maskinlärningslösningar:

• Sensorer och hårdvara för att extrahera information är billigare

  • Den ökade populariteten och framgången för IoT-lösningar gör det möjligt att distribuera, ansluta och etablera stora nätverk av smarta enheter. Denna lokala strömmande data är en avgörande komponent för noggrannheten i prediktiva datamodeller.

• Beräknings- och lagringsresurser är alltmer överkomliga

  • Konkurrensen mellan molntjänstleverantörer inbjuder till innovation och utveckling till en låg kostnad. Alla kan bygga och distribuera ML-lösningar i molnet, förutsatt att de har tillgång till tillräckligt med data. Dessutom använder alla molntjänstleverantörer en betala-per-använd-modell som gör att kunderna bara betalar för vad de använder och behöver.
    

• Algoritmer och datahanteringsramverk är allmänt tillgängliga

  • Många datahanteringsuppgifter (allt från insamling till analys) kan enkelt uppdateras och automatiseras med molnbaserade verktyg. Likaså kan förtränade ML-modeller och neurala nätverksarkitekturer återanvändas med gammal kunskap på nya problem.

Ett sådant rikt ekosystem av verktyg, ramverk och billiga datainsamlingsenheter har gjort maskinlärning inom jordbruk till en livskraftig, kostnadseffektiv lösning för de tuffaste utmaningarna. Inget under att datastödd optimering för närvarande omformar hela jordbrukssektorn, långt bortom cannabisodling.

Nedan följer några få korta sätt prediktiva modelllösningar tillämpas av både cannabisodlare och säljare.

För odlare: Prediktiva modeller för operativa förbättringar

Potens

Att förstå den kemiska sammansättningen av cannabisplantan är en avgörande nödvändighet för att respektera regleringsåtgärder. Prediktiva modeller kan inkorporera spektroskopi, röntgenavbildningstekniker och maskinlärning för att exakt identifiera cannabinoider och därmed märka cannabisvarianter. Även i fall där tillgängliga data var otillräckliga, forskare kunde fortfarande gruppera cannabisstammar i distinkta kategorier (medicinska, rekreationella, kombinerade, industriella) baserat på deras kemiska egenskaper. Inte bara gör sådana modeller det möjligt att förbättra förståelsen av cannabispotens vid alla stadier av leveranskedjan, utan de representerar också en garanti för kvalitet och hälsa för slutkonsumenterna.

Skördeprediktion

Att samla in lokal, realtidsdata från grödor (fuktighet, temperatur, ljus) är det första steget i att förstå både artificiella och naturliga odlingmiljöer. Men att veta vad man ska odla och vilka åtgärder som ska vidtas under odling kan inte vara tillräckligt. Att inkorporera en mängd olika datakällor och bygga komplexa modeller som tar hänsyn till hundratals funktioner (från jordtyp och nederbörd till bladnivåhälsomått) förbättrar noggrannheten i prediktiva modeller. Modellerna genererar sedan numeriska skördeuppskattningar som ger odlare optimerade lösningar för den bästa avkastningen på investeringen.

Hotprediktion

Historisk skördeprestanda är inte en tillförlitlig indikator för kommande hot och sjukdomar. Istället kan automatiserade prediktionsmodeller användas för att hålla grödor under konstant övervakning i både naturliga och artificiella miljöer. Hotprediktionmodeller förlitar sig på en mängd olika tekniker, från bildigenkänning till analys av väder-tidsseriedata. Detta möjliggör för systemet att förutsäga kommande hot, upptäcka avvikelser, och hjälpa odlare att känna igen tidiga tecken. Att vidta åtgärder innan det är för sent ger dem möjlighet att minimera förlust och maximera grödans kvalitet.

För säljare: Utnyttja historiska kunddata för marknadsföring och leveranskedjeoptimering

Kundlivstidsvärde

Kundlivstidsvärde (CLTV) är en av de avgörande måtten som påverkar försäljnings- och marknadsföringsinsatser. Moderna prediktionsalgoritmer kan redan förutsäga framtida relationer mellan individer och företag. Dessa algoritmer kan antingen klassificera kunder (t.ex. låga utgifter, höga utgifter, medelutgifter) i olika kluster eller till och med förutsäga kvantifierbara uppskattningar av deras framtida utgifter. En sådan finmaskig förståelse av kunder och deras utgiftsvanor ger säljare en möjlighet att enkelt identifiera och vårda högvärdeskunder.

Kundsegmentering

Segmentering ligger till grund för välriktade marknadsföringsinsatser. Både färdiga lösningar och anpassade algoritmer kan skilja mellan hundratals relevanta kundfunktioner. Dessa funktioner kan utvecklas från alla typer av interna och externa datakällor: webbaktivitetsdata, tidigare inköpshistorik, till och med sociala medieaktiviteter. Denna data resulterar i att kunder grupperas enligt en uppsättning egenskaper som de delar. Detta möjliggör inte bara mikromålning av marknadsföringsinsatser utan förbättrar också effektiviteten i distributionskanalerna.

Blåser joint-venture mellan cannabis och maskinlärning rök?

Liksom alla jordbruksföretag, kommer odling och försäljning av en gröda som cannabis med en mängd utmaningar. Maskinlärning avlägsnar barriärerna för effektiv produktion och distribution. Företag tittar bortom manuell analys för att analysera begränsningarna och parametrarna som är involverade i operativ prestanda. De växlar till maskinlärning för att optimera sina ansträngningar. Samtidigt blir marknadsföringssidan av att sälja cannabis alltmer komplex och digital, ett annat rop på att införa kraften av stora data. När konsumenternas smak blir alltmer sofistikerad, blir sortimentet av produkter och konkurrensen alltmer intensiv. Att avlägsna framtida osäkerhet i alla dessa områden med maskinlärningens förmåga att förutsäga, upptäcka avvikelser, multi-variabeloptimering och mer, hjälper cannabisföretag att rulla in stora vinster.

Vi lever i en värld där data leder en revolution inom alla branscher: den offentliga sektorn, hälsovård, tillverkning och leveranskedja. Utvecklingen inom jordbrukssektorn är inget undantag: datastödda lösningar driver innovation genom att hjälpa odlare med deras mest utmanande beslut. Prediktionsverktyg används för att utnyttja lokal data som samlas in i realtid, vilket avlägsnar rädslan för osäkerhet från operativa processer. Digitala, datastödda jordbruksoptimeringar omformar redan hela cannabisindustrin.