#420: Каннабіс і машинне навчання, спільне підприємство

Виробники та продавці каннабісу користуються машинним навчанням і отримують прибуток

Незалежно від масштабу, виробники та продавці каннабісу ведуть бізнес у досить складній сфері. Вони мають справу з постійно змінюваними нормативними заходами, а також повинні долати складні питання трудової комплаєнсії та обмеження банківської діяльності. Окрім типових бізнес- та ланцюжкових операцій, цей ринок все ще нестабільний юридично, економічно та стикається з дедалі більш серйозними погодними умовами. Як наслідок, компанії, що займаються каннабісними продуктами, та сільськогосподарська галузь загалом, звертаються до можливостей машинного навчання для прогнозування, оптимізації та аналізу, приймаючи майбутнє сільськогосподарської технології.

Виїди в галузі AgTech та каннабісу

Виробники каннабісу повинні вирішувати складні сільськогосподарські питання:

Виробники:

• Керувати шкідниками та захворюваннями
• Розробляти ефективні харчові плани
• Забезпечувати ідеальні умови середовища
• Оптимізувати вихід, мінімізуючи витрати
• Юридична нормативна відповідність

Продавці:

• Понимати та організовувати складні процеси розподілу
• Координувати виробників, фермерів, бренди та попит клієнтів
• Приймати рішення щодо майбутнього зростання та розширення
• Податкові структури та нормативи в декількох штатах

Для вирішення оперативної сторони вирощування, а також для подолання маркетингової сторони продажу, компанії, що займаються каннабісними продуктами, можуть тепер використовувати потужні дані. Ці дані живлять програмне забезпечення, здатне до машинного навчання, яке може прогнозувати майбутнє за допомогою сучасних алгоритмів та архітектур обробки даних.

Наступні характеристики хмарних екосистем забезпечують рішення машинного навчання:

• Датчики та апаратне забезпечення для витягання інформації стали дешевшими

  • Збільшення популярності та успіху рішень IoT робить можливим розгортання, підключення та створення великих мереж розумних пристроїв. Ця локалізована трансляційна дані є важливим компонентом для точності прогнозних моделей даних.

• Обчислювальні та сховищі ресурсів стають дедалі більш доступними

  • Конкуренція серед постачальників хмарних послуг сприяє інноваціям та розвитку за низькою ціною. Хтось може створювати та розгортати рішення машинного навчання у хмарі, якщо має доступ до достатніх даних. Крім того, всі постачальники хмарних послуг використовують модель “плати за те, що використовуєш”, що дозволяє клієнтам платити лише за те, що вони використовують та потребують.
    

• Алгоритми та фреймворки обробки даних широко доступні

  • Багато завдань обробки даних (від збору до аналізу) можна легко оновлювати та автоматизувати за допомогою інструментів, заснованих на хмарі. Аналогічно, попередньо натреновані моделі машинного навчання та архітектури нейронних мереж можна повторно використовувати за допомогою старих знань на нових проблемах.

Така багата екосистема інструментів, фреймворків та дешевого апаратного забезпечення для збору даних перетворила машинне навчання в сільському господарстві на життєздатне та ефективне рішення для найбільш складних завдань. Не дивно, що дані-орієнтована оптимізація вже змінює всю сільськогосподарську галузь, далеко за межами каннабісного господарства.

Нижче наведено кілька коротких прикладів того, як рішення прогнозної моделі застосовуються як виробниками каннабісу, так і продавцями.

Для виробників: Прогнозні моделі для оперативних поліпшень

Потенція

Точне розуміння хімічного складу рослини каннабісу є важливою необхідністю для дотримання нормативних заходів. Прогнозні моделі можуть включати спектроскопію, техніки рентгенівського зображення та машинне навчання для точної ідентифікації канабіноїдів та маркування сортів каннабісу. Навіть у випадках, коли доступні дані були недостатніми, дослідники були здатні згрупувати сорти каннабісу в окремі категорії (медичні, рекреаційні, комбіновані, промислові) на основі їхніх хімічних властивостей. Такі моделі не тільки дозволяють краще розуміти потенцію каннабісу на всіх етапах ланцюжка постачання, але також представляють собою засіб забезпечення якості та здоров’я для кінцевих споживачів.

Прогнозування врожайності

Збір локалізованих даних у реальному часі з культур (вологість, температура, світло) є першим кроком у розумінні як штучних, так і природних умов росту. Однак знання того, що потрібно садити і які дії потрібно виконувати під час росту, може бути недостатнім. Включення різноманітних джерел даних та створення складних моделей, які враховують сотні функцій (від типу ґрунту та опадів до показників здоров’я листя), підвищує точність прогнозних моделей. Моделі потім видають числові оцінки врожайності, які забезпечують фермерам оптимізовані рішення для найкращого повернення інвестицій.

Прогнозування загроз

Історична продуктивність культур не є надійним індикатором майбутніх загроз та захворювань. Замість цього автоматизовані прогнозні моделі можна використовувати для постійного моніторингу культур у природних та штучних середовищах. Моделі прогнозування загроз залежать від різноманітних технік, починаючи від розпізнавання зображень та закінчуючи аналізом даних про погоду. Це дозволяє системі прогнозувати майбутні загрози, виявляти аномалії, і допомагає фермерам визначати ранні ознаки. Прийом заходів до того, як буде пізно, дозволяє їм мінімізувати втрати та максимізувати якість культур.

Для продавців: Використання історичних даних клієнтів для маркетингу та оптимізації ланцюжка постачання

Час життя клієнта

Час життя клієнта (CLTV) є одним із важливих показників, які впливають на зусилля з продажу та маркетингу. Сучасні прогнозні алгоритми вже можуть прогнозувати майбутні відносини між окремими людьми та підприємствами. Ці алгоритми можуть класифікувати клієнтів (наприклад, низькі витрати, високі витрати, середні витрати) у різні кластери або навіть прогнозувати кількісні оцінки їхніх майбутніх витрат. Таке тонке розуміння клієнтів та їхніх звичок витрат надає продавцям можливість легко ідентифікувати та розвивати клієнтів з високою цінністю.

Сегментація клієнтів

Сегментація лежить в основі добре націлених маркетингових зусиль. І готові рішення, і спеціально розроблені алгоритми можуть відрізняти сотні відповідних характеристик клієнтів. Ці характеристики можна інженерно розробити з різних внутрішніх та зовнішніх джерел даних: даних про діяльність у мережі, історії попередніх покупок, навіть даних про соціальну діяльність. Ці дані призводять до того, що клієнтів групують за певними характеристиками, які вони мають спільними. Це дозволяє не тільки мікроцільовому маркетингу, але також покращує ефективність каналів розподілу.

Чи спільне підприємство між каннабісом та машинним навчанням просто дим?

Як і будь-яка сільськогосподарська діяльність, вирощування та продаж каннабісу супроводжуються різноманітними викликами. Машинне навчання усуває бар’єри для ефективної продукції та розподілу. Компанії дивляться за межі ручного аналізу, щоб проаналізувати обмеження та параметри, залучені до оперативної діяльності. Вони переходять на машинне навчання, щоб оптимізувати свої зусилля. Водночас маркетингова сторона продажу каннабісу стає дедалі більш складною та цифровою, ще одним закликом до використання потужності великих даних. Коли смаки споживачів стають дедалі більш розвиненими, різноманітність продуктів та конкуренція стають ще більш жорсткими. Видалення майбутньої невизначеності в усіх цих областях з допомогою можливостей прогнозування, виявлення аномалій, багатоваріантної оптимізації та іншого через машинне навчання допомагає компаніям з каннабісом отримувати величезні прибутки.

Ми живемо у світі, де дані ведуть революцію в усіх галузях: державному секторі, охороні здоров’я, виробництві та ланцюжку постачання. Розробки в сільськогосподарській галузі не є винятком: дані-орієнтовані рішення сприяють інноваціям, допомагаючи фермерам у їхніх найбільш складних рішеннях. Прогнозні інструменти використовуються для використання локалізованих даних, зібраних у реальному часі, таким чином усуваючи страх невизначеності з оперативних процесів. Цифрові, дані-орієнтовані сільськогосподарські оптимізації вже змінюють всю галузь каннабісу.