Effizienzsteigerung in der Landwirtschaft durch maschinelles Lernen

In der Landwirtschaft angewandtes maschinelles Lernen optimiert Prozesse und Landnutzung, analysiert Erntedaten und verbessert die Präzision von Landmaschinen. Und das ist erst der Anfang.

Jerome Treboux, Doktorand am Forschungsinstitut Wirtschaftsinformatik der HES-SO Wallis-Wallis in Siders (Schweiz), stellte an der diesjährigen GIoTS-Konferenz, die virtuell stattfand, seine Arbeit auf diesem Gebiet vor.

Sein Beitrag "Towards Retraining of Machine Learning Algorithms: An Efficiency Analysis Applied to Smart Agriculture" vergleicht die Effizienz von Algorithmen des maschinellen Lernens bei der Erkennung eines Objekts in einem Bild. Der Versuchsaufbau zeigt, dass ein richtig abgestimmter Zufallswald gleich oder besser als der Deep Learning-Ansatz ist und die Geschwindigkeit des Umlernprozesses um etwa den Faktor 400 erhöht.