#420: Cannabis och maskinlärande, ett joint venture

Cannabisodlare och säljare rullar in och tjänar pengar med maskinlärande

Oavsett storlek så gör cannabisodlare och säljare affärer i en särskilt utmanande miljö. Medan de hanterar ständigt föränderliga regleringsåtgärder måste de också navigera komplexa arbetskravsfrågor och bankbegränsningar. Utöver de typiska affärs- och leveranskedjeoperationerna är denna nya marknad fortfarande ostabil juridiskt, ekonomiskt och möter alltmer svåra väderförhållanden. Som ett resultat letar cannabisföretag och jordbruksindustrin i stort efter maskinlärandets förmåga att förutsäga, optimera och analysera när de omfamnar framtiden för jordbruks-teknik.

Utmaningar inom AgTech och cannabisindustrin

Cannabisbaserade producenter måste tackla komplexa jordbruksfrågor:

Odlare:

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

Säljare:

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

För att hantera den operativa sidan av odling, liksom för att tackla marknadsföringssidan av försäljning, kan cannabisbaserade företag nu utnyttja kraftfulla data.Dessa data driver maskinlärande-kapabla programvaror som kanförutsägaframtidengenom moderna algoritmer och data-bearbetningsarkitekturer.

Följande egenskaper hos molnbaserade ekosystem driver maskinlärandelösningar:

• 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 kritisk komponent för noggrannheten i förutsägande 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, givet att de har tillgång till tillräckligt med data. Dessutom använder alla molntjänstleverantörer en betala-som-du-använder-modell som tillåter kunder att bara betala för vad de använder och kräver.

• Algoritmer och data-bearbetningsramverk är allmänt tillgängliga

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

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

Här är några få sätt som förutsägande modelllösningar tillämpas av både cannabisodlare och säljare.

För odlare: Förutsägande modeller för operativa förbättringar

Potens

Att förstå den kemiska sammansättningen av cannabisplantan är en kritisk nödvändighet för att respektera regleringsåtgärder. Förutsägande modeller kan inkorporera spektroskopi, röntgenavbildningstekniker och maskinlärande för att exakt identifiera cannabinoider och därmed märka cannabisvarianter. Även i fall när den tillgängliga datan var otillräcklig, forskare kunde fortfarande gruppera cannabisstammar i distinkta kategorier (medicinska, rekreationella, kombinerade, industriella) baserat på deras kemiska egenskaper. Inte bara möjliggör sådana modeller en bättre förståelse av cannabisstyrka i alla led av leveranskedjan, utan de representerar också en säkerhet för kvalitet och hälsa för slutkonsumenterna.

Skördeprognos

Insamling av 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 räcka. 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 förutsägande modeller. Modellerna genererar sedan numeriska skördeuppskattningar som ger jordbrukarna optimerade lösningar för bästa avkastning på investering.

Hotprognos

Historisk skördeprestanda är inte en tillförlitlig indikator för kommande hot och sjukdomar. Istället kan automatiserade förutsägelsemodeller användas för att hålla grödor under konstant övervakning i både naturliga och artificiella miljöer. Hotprognosmodeller 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 jordbrukare att känna igen tidiga tecken. Att vidta åtgärder innan det är för sent ger dem möjlighet att minimera förlust och maximera skördequalitet.

För säljare: Utnyttja historiska kunddata för marknadsföring och leveranskedjeoptimering

Kundlivstidsvärde

Kundlivstidsvärde (CLTV) är en av de kritiska måtten som påverkar försäljnings- och marknadsföringsinsatser. Moderna förutsägande algoritmer 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 konstrueras 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 mikrotargetning av marknadsföringsinsatser utan förbättrar också effektiviteten i distributionskanalerna.

Blåser joint-venturen mellan cannabis och maskinlärande rök?

Liksom alla jordbruksföretag kommer odling och försäljning av en gröda som cannabis med en mängd utmaningar. Maskinlärande tar bort hindren för effektiv produktion och distribution. Företag tittar bortom manuell analys för att analysera begränsningarna och parametrarna som är involverade i operativ prestanda. De byter till maskinlärande för att optimera sina insatser. Samtidigt blir marknadsföringssidan av cannabisförsäljning alltmer komplex och digital, ett annat skäl att ta in kraften av stora data. När konsumenternas smaker blir alltmer sofistikerade, blir sortimentet av produkter och konkurrensen alltmer intensiv. Att ta bort framtida osäkerhet i alla dessa områden med maskinlärandets förmåga att förutsäga, upptäcka avvikelser, multi-variabeloptimering och mer är till hjälp för cannabisföretag att rulla in stora vinster.

Vi lever i en värld där data leder en revolution inom alla branscher: den offentliga sektorn, hälsa, tillverkning och leveranskedja. Utvecklingen inom jordbrukssektorn är inget undantag: data-drivna lösningar driver innovation genom att hjälpa jordbrukare med deras mest utmanande beslut. Förutsägande verktyg används för att utnyttja lokal data som samlas in i realtid, och därmed ta bort rädslan för osäkerhet från operativa processer. Digital, data-driven jordbruksoptimering omformar redan hela cannabisindustrin.