การทำ AI model อย่างง่าย เพื่อช่วยในงานการเกษตรและปศุสัตว์
สอนการทำโมเดลเพื่อทำนายราคาสินค้าเกษตร ประยุกต์จากข้อมูลที่เรามี และนำไปใช้เพื่อช่วยตัดสินใจในธุรกิจ(Data-driven decision making)
วันนี้เราจะมาสอนวิธีการสร้าง AI ง่ายๆด้วยตนเอง เพื่อทำนายราคาสินค้าเกษตร และปศุสัตว์ แต่ประโยชน์ของการนำ AI มาช่วยในภาคการเกษตรและปศุสัตว์ยังมีอีกมากมาย สามารถนำไปประยุกต์ได้ง่ายๆ หรือสามารถดูตัวอย่่างประโยชน์ของมันได้ที่บทความ ทำนายราคาสุกรหน้าฟาร์มจากสินค้าเกษตรอื่นๆ
เลือกเนื้อหาที่ต้องการอ่าน
AI คืออะไร ?
AI (Artificial Intelligence) หรือปัญญาประดิษฐ์ เป็นหนึ่งในศาสตร์ของคอมพิวเตอร์ ที่มีความสามารถในการทำงานได้เหมือนมนุษย์ เช่น การคิด การแก้ไขปัญหา การเรียนรู้ โดย Machine learning เป็นส่วนประกอบหนึ่งของ AI (Artificial Intelligence) มีตวามสามารถในการเรียนรู้ได้ด้วยตนเอง จากข้อมูลที่ใส่ให้มันไป ข้อมูลเหล่านี้สามารถใช้เพื่อฝึกฝนโมเดล (Train model) ของ Machine learning เพื่อนำไปใช้ในการคาดการณ์ จัดกลุ่ม และแก้ปัญหา ในสิ่งที่เราสนใจได้
โอกาสในการนำ AI ไปใช้ในการเกษตร และปศุสัตว์
ถ้าคิดว่าการสร้าง AI หรือ Machine learning เป็นเรื่องไกลตัวสามารถทำได้ยากในปัจจุบัน และจะต้องรออีกนานถึงจะเริ่มมีการนำมาประยุกต์ใช้ในอุตสาหกรรมของตัวเอง โดยเฉพาะภาคการเกษตรและปศุสัตว์ ที่เรามองว่ามีการพัฒนาที่ช้ากว่าธุรกิจอื่นๆ แต่ความจริงนั้นคือถ้าคุณมีการเก็บข้อมูลอะไรบางอย่างไว้ คุณก็สามารถนำข้อมูลที่เก็บมาเพื่อวิเคราะห์ได้ หรือนำมา Train model เพื่อใช้ในการหาคำตอบจากความสัมพันธ์กับข้อมูลที่คุณมีได้
“ทุกธุรกิจเพียงแค่มีการเก็บข้อมูลก็สามารถนำมาสร้าง AI model ของตัวเองได้ทันที”
การนำ AI model ช่วยเกษตรกรเพิ่มผลผลิตและรายได้ได้อย่างไร
AI model และ Machine learning model เป็นเทคโนโลยีที่จะสร้างการเปลี่ยนแปลง ในภาคการเกษตร โดยเทคโนโลยีเหล่านี้มีแนวโน้มที่จะกลายเป็นเครื่องมือสำคัญ สำหรับเกษตรกรในการเพิ่มผลผลิต และรายได้ ยกตัวอย่างเช่น
- นำมาวิเคราะห์เพื่อเพิ่มผลผลิตสัตว์ โดยการเก็บข้อมูลการเลี้ยง เช่นการใช้ยา สายพันธุ์ หรือผลิตภัณฑ์ เพื่อวิเคราะห์หาค่าสัมพันธ์ว่าสิ่งใดส่งผลต่อการเติบโตของสัตว์มากน้อยแค่ไหน
- ทำนายราคาสินค้า เพื่อใช้ในการประเมินกำไร-ขาดทุน ในการทำ risk management
- การตรวจจับโรคพืช โดยการเก็บข้อมูล ภาพ เสียง หรือข้อมูลอาการของโรค แล้วนำข้อมูลไปสร้าง Model AI เพื่อช่วยวิเคราะห์
ขั้นตอนการสร้าง AI model
สำหรับ AI model ของเราจะพูดถึงขั้นตอนในการสร้าง machine learning แบ่งเป็น 6 ขั้นตอน
- การกำหนดปัญหา: กำหนดปัญหาที่ต้องการแก้ไข โดยเริ่มจากการตั้งคำถามที่ต้องการรู้ แล้วนำไประบุให้จัดเจนว่าต้องการให้ machine learning ทำอะไร เช่น ต้องการคาดการตัวเลข ต้องการจำแนก ต้องการจัดหมวดหมู่เป็นต้น
- การรวบรวมข้อมูล(Data collection): รวมข้อมูลที่เกี่ยวข้อง เพื่อใช้ในการ Train model โดยข้อมูลที่ได้นั้นต้องมีคุณภาพที่ดี ถูกต้อง และเพียงพอ
- การเตรียมข้อมูล(Data preparation): นำข้อมูลที่รวบรวมการทำความสะอาด(Data cleaning) แปลงข้อมูล(Data transformation) เพื่อให้ได้โครงสร้างข้อมูลที่พร้อมนำไป Train model
- การเลือกใช้ Algorithm: การเลือก algorithm ที่เหมาะสมในการ Train model โดย algorithm แต่ละประเภทก็มีจุดเด่น-ด้อยที่แตกต่างกัน
- การฝึกฝนโมเดล(Train model): ป้อนข้อมูลให้โมเดลเพื่อให้โมเดลเรียนรู้ว่ารูปแบบความสัมพันธ์ที่ซับซ้อนของข้อมูลเพื่อให้ได้ต้นแบบของ model มา
- การประเมินประสิทธิภาพโมเดล(Evaluation): วัดผลของ machine learning model กับข้อมูลที่ไม่ได้รับการฝึกฝนเพื่อตรวจสอบประสิทธิภาพของโมเดล
ตัวอย่างการสร้าง AI model มาใช้ในการเกษตรและปศุสัตว์
ตัวอย่างการสร้าง Model คาดการณ์ราคาสุกรหน้าฟาร์ม จากราคาสินค้าเกษตรอื่นๆ
ขั้นตอนการสร้าง
- การกำหนดปัญหา : ต้องการทราบว่าสินค้าเกษตรอื่นๆส่งผลกระทบ หรือมีความสัมพันธ์กับราคาสุกรหน้าฟาร์มมากแค่ไหน
- การรวบรวมข้อมูล: รวบรวบข้อมูลราคาสินค้าเกษตรต่างๆจากแหล่งที่เชื่อถือได้ สามารถไปตามอ่านวิธีการรวมข้อมูลในกรณีศึกษานี้ได้
- การเตรียมข้อมูล: นำข้อมูลที่รวบรวมมาจัดอยู่ในรูปแบบที่ง่ายต่อการ Train model สามารถอ่านวิธีการเตรียมข้อมูลในกรณีศึกษานี้ได้
- การเลือกใช้ Algorithm: ในรอบนี้เราใช้ linear regression เป็น algorithm หลักเลย แต่สามารถใช้ algorithms อื่นๆก็ได้ตามความเหมาะสมได้เลย
- การ Train model: สามารถนำดู code ตัวอย่างด้านล่างเพื่อนำไปเทรนโมเดลได้เลย (ภาษา R) หรือใครอยากจะลองทำง่ายๆ ก็สามารถทำเองได้ใน excel หรือ google sheet ก็ได้นะ
- การประเมินประสิทธิภาพโมเดล: ในที่นี้ก็จะวัดค่าความสัมพันธ์ของช้อมูลการ summary model มาดูด้วย R-square (ยิ่งเข้าใกล้ 1 ยิ่งมีความสัมพันธ์กันมาก), ค่า RMSE และ ค่า S.E. ซึ่งสามารถตามไปอ่านผลของโมเดลทำนายราคาหมูหน้าฟาร์ม จากราคาสินค้าเกษตรอื่นๆได้
R Machine Learning Workflow Documentation
ตัวอย่างภาษา R ในการหาราคาข้าวโพดจากสินค้าเกษตรอื่นๆ สามารถตามหาข้อมูลดิบหรือ code python เพิ่มเติมได้ที่ github
Libraries Used
The script uses the caret library for machine learning tasks.
library(caret)
library(tidyverse)
Data Preparation
The script starts by importing a dataset named livestockprice_prep.csv into a dataframe df.
df <- read_csv("https://raw.githubusercontent.com/teenalytic/Animulytic/main/pig%20price%20prediction%20project/2024/livestockprice_prep.csv")
Data Splitting
The dataset is split into training (70%) and testing (30%) of total data
set.seed(42)
n <- nrow(df)
id <- sample(n, size = n*0.70)
train_df <- df[id,]
test_df <- df[-id,]
Model Training and Evaluation
A function evaluate_model is defined to train and evaluate linear regression models:
evaluate_model <- function(formula) {
ctrl <- trainControl(method = "cv", number = 5, verboseIter = TRUE)
model <- train(formula, data = train_df, method = "lm", trControl = ctrl)
predictions <- predict(model, newdata = test_df)
rmse <- RMSE(predictions, test_df$egg)
cat("Formula:", deparse(formula), "\n")
print(summary(model))
cat("RMSE:", rmse, "\n\n")
}
This function:
- Sets up 5-fold cross-validation
- Trains a linear regression model
- Makes predictions on the test set
- Calculates and prints the Root Mean Square Error (RMSE)
- Prints the model summary
Model Formulas
Finally, the script applies the evaluate_model function to each formula:
lapply(formulas, evaluate_model)
This will train and evaluate multiple linear regression models, each using a different predictor variable to forecast corn prices.
Output
The script will output:
- The formula used for each model
- A summary of each fitted model, including coefficients and statistical measures
- The RMSE for each model on the test set
This output can be used to compare the performance of different predictors in forecasting corn prices.
Related Posts
