論文の概要: Localized Data Work as a Precondition for Data-Centric ML: A Case Study
of Full Lifecycle Crop Disease Identification in Ghana
- arxiv url: http://arxiv.org/abs/2307.01767v1
- Date: Tue, 4 Jul 2023 15:14:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 16:38:46.174872
- Title: Localized Data Work as a Precondition for Data-Centric ML: A Case Study
of Full Lifecycle Crop Disease Identification in Ghana
- Title(参考訳): データ中心型MLの前提条件としてのローカライズドデータワーク:ガーナにおけるフルライフサイクル作物病の特定を事例として
- Authors: Darlington Akogo, Issah Samori, Cyril Akafia, Harriet Fiagbor, Andrews
Kangah, Donald Kwame Asiedu, Kwabena Fuachie, Luis Oala
- Abstract要約: Ghana Cashew Disease Identification with Artificial Intelligence (CADI AI) プロジェクトは、音響データ作業の重要性を実証している。
ドローン収集データと機械学習を使用して、作物のストレスを判定する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The Ghana Cashew Disease Identification with Artificial Intelligence (CADI
AI) project demonstrates the importance of sound data work as a precondition
for the delivery of useful, localized datacentric solutions for public good
tasks such as agricultural productivity and food security. Drone collected data
and machine learning are utilized to determine crop stressors. Data, model and
the final app are developed jointly and made available to local farmers via a
desktop application.
- Abstract(参考訳): ghana cashew disease identification with artificial intelligence (cadi ai)プロジェクトは、農業の生産性や食品の安全性など、公共の業務に有用な、局所的なデータ中心のソリューションを提供するための前提条件として、健全なデータワークの重要性を実証している。
ドローン収集データと機械学習を使用して作物のストレスを判定する。
データ、モデル、最終アプリは共同で開発され、デスクトップアプリケーションを通じて地元の農家に提供される。
関連論文リスト
- Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳(メタデータ) (2024-06-20T16:34:07Z) - A Systematic Review of Available Datasets in Additive Manufacturing [56.684125592242445]
視覚およびその他のセンサー技術を組み込んだその場監視により、追加製造プロセス中に広範なデータセットの収集が可能になる。
これらのデータセットは、製造された出力の品質を判断し、機械学習を使用して欠陥を検出する可能性がある。
本稿では,AMプロセスから派生したオープン画像ベースデータセットの利用可能性について検討する。
論文 参考訳(メタデータ) (2024-01-27T16:13:32Z) - Plant Disease Recognition Datasets in the Age of Deep Learning:
Challenges and Opportunities [1.9578088547147654]
本研究は、潜在的な植物病データセットを記述するための、情報的分類法を明示的に提案する。
課題指向のデータセットの作成や、実世界のアプリケーションにディープラーニングを配置する究極の目的など、今後の方向性を満足できるパフォーマンスで提供します。
論文 参考訳(メタデータ) (2023-12-13T05:24:36Z) - On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
AI技術の信頼性に関する深刻な懸念があった。
機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。
本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-24T14:01:53Z) - Machine Learning-based Nutrient Application's Timeline Recommendation
for Smart Agriculture: A Large-Scale Data Mining Approach [0.0]
不正確な肥料の用途の決定は、コストのかかる結果をもたらし、食糧生産を妨げ、環境に害を与える可能性がある。
そこで本研究では, 年間を通じて必要な肥料量を決定することにより, 栄養素の応用を予測する方法を提案する。
提案手法は, 費用対効果と環境に優しい農業を促進するため, 気象条件と土壌特性に基づく肥料量の調整を推奨する。
論文 参考訳(メタデータ) (2023-10-18T15:37:19Z) - Deep Learning based Tomato Disease Detection and Remedy Suggestions
using Mobile Application [0.4999814847776098]
我々は,従来の農法を実践する農家を支援するコンピュータシステムを開発し,作物病に対処する農業専門家に限定的にアクセスできるようにした。
本システムでは,人工知能(AI)を用いて野菜病の診断・治療を行う。
開発システムは、スマートフォンの基本的な知識を持つ農夫でも利用することができる。
論文 参考訳(メタデータ) (2023-08-16T07:13:22Z) - STAR: Boosting Low-Resource Information Extraction by Structure-to-Text
Data Generation with Large Language Models [56.27786433792638]
STARは大規模言語モデル(LLM)を利用してデータインスタンスを合成するデータ生成手法である。
我々は、初期データインスタンスを取得するための詳細なステップバイステップ命令を設計する。
実験の結果,STARが生成したデータは,低リソースイベント抽出および関係抽出タスクの性能を著しく向上させることがわかった。
論文 参考訳(メタデータ) (2023-05-24T12:15:19Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳(メタデータ) (2021-10-19T17:41:43Z) - Towards a Multimodal System for Precision Agriculture using IoT and
Machine Learning [0.5249805590164902]
データ収集のためのIoT(Internet of Things)や、作物の損傷予測のための機械学習、作物の病気検出のためのディープラーニングといった技術が使用されている。
作物の被害予測には、ランダムフォレスト(RF)、光勾配昇降機(LGBM)、XGBoost(XGB)、決定木(DT)、K Nearest Neighbor(KNN)などのアルゴリズムが用いられている。
VGG16、Resnet50、DenseNet121といった事前学習された畳み込みニューラルネットワーク(CNN)モデルも、作物が何らかの病気で汚染されているかどうかを確認するために訓練されている。
論文 参考訳(メタデータ) (2021-07-10T19:19:45Z) - Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。
衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文 参考訳(メタデータ) (2020-07-07T12:44:17Z) - Crop Knowledge Discovery Based on Agricultural Big Data Integration [2.597676155371155]
農業データは、IoT(Internet of Thing)、センサー、衛星、気象観測所、ロボット、農業機器、農業実験所、農家、政府機関、農業機関など、さまざまなソースを通じて生成される。
本稿では,他のデータセットやビッグデータモデルを組み込むのに十分なフレキシブルなコンステレーションスキーマを用いた農業データ統合手法を提案する。
論文 参考訳(メタデータ) (2020-03-11T00:13:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。