نموذج التعلم الآلي لطلاب RMIT يمكّن المزارعين

فيتنام هي ثاني أكبر مُصدّر للقهوة في العالم ، وتستحوذ على أكثر من نصف إمدادات روبوستا العالمية. ومن المتوقع أن يصل إنتاج القهوة في موسم 2022/2023 إلى 29.75 مليون كيس، تُشكّل روبوستا منها أكثر من 95%.

في التقرير السنوي لمنظمة البن الدولية لعامي 2021/2022، احتلت فيتنام المرتبة الأولى في إنتاجية زراعة البن بمعدل 2.4 طن للهكتار. يتكون إنتاج البن في فيتنام من حبوب روبوستا، وأرابيكا، وشيري، وموكا، وكولي، وهي أشهر أنواع البن المزروعة في فيتنام.

ومع ذلك، فإن أسعار المنتجات الزراعية بشكل عام وأسعار حبوب البن بشكل خاص غالبا ما تكون غير مستقرة ويمكن أن تتقلب بشكل حاد خلال مواسم الحصاد الوفيرة، مما يؤثر بشكل كبير على دخل المزارعين ويسبب ضررا للاقتصاد .

ولإيجاد حل لهذه المشكلة، قامت مجموعة من طلاب السنة النهائية المتخصصين في تكنولوجيا المعلومات بكلية العلوم والهندسة والتكنولوجيا، بما في ذلك نجوين هاي مينه ترانج، ودوآن تشانه ثونج، ولي نجوين ثوان، ونجوين فونج نام، ولام تين دييو، على مدى أربعة أشهر، بتدريب وتقييم ستة نماذج للتعلم الآلي للتنبؤ بأسعار القهوة، وهو ما يمكن أن يساعد المزارعين الفيتناميين على اتخاذ قرارات مستنيرة بشأن محاصيلهم والتخطيط وفقًا لذلك، مما يؤدي إلى تحسين الأرباح وتقليل الخسائر.

وقال ترانج: "لقد قمنا بتطوير ستة نماذج تعلم آلي، وهي LSTM وGRU وARIMA وSARIMA وSVM وRF، استنادًا إلى تاريخ أسعار القهوة وأسعار البنزين ودرجة الحرارة وهطول الأمطار، للتنبؤ بأسعار قهوة روبوستا في مقاطعة لام دونج ووجدنا أن نموذج RF، باستخدام مجموعة البيانات بأكملها، كان الأكثر فعالية".

يمكن لـ RF دمج مجموعات بيانات أكثر ثراءً ومعالجة علاقات غير خطية. بالإضافة إلى ذلك، أثبت سعر الوقود أنه مؤشر مهم، وتفوق في أدائه على جميع الميزات الأخرى المختبرة مجتمعة.

وأكد الفريق أن النموذج لديه القدرة على التحسين بشكل أكبر من خلال دراسة ودمج تأثير غلة المحاصيل واتجاهات السوق والأحداث الجيوسياسية على أسعار المنتجات الزراعية.

واجه كل عضو في الفريق تحديات مختلفة خلال المشروع، مثل عدم فهم عميق لنماذج التعلم الآلي المختلفة، أو عدم القدرة على توصيل تعقيدات عملهم بفعالية إلى مجال الذكاء الاصطناعي، أو إدارة الوقت والتواصل أثناء العمل عن بُعد. ومع ذلك، من خلال استثمار وقت كبير في البحث، والتعمق في أبحاث الذكاء الاصطناعي والتعلم الآلي، وتحسين مهاراتهم التقنية والتعاونية، حسّنوا مهاراتهم في البحث في مجال الذكاء الاصطناعي لحل مشاكل واقعية، وتمكنوا من تطوير أبحاث فريقهم وتحويلها إلى منتجات عملية.

وقال ثوان: "كان التحدي الرئيسي بالنسبة لنا يدور حول جمع البيانات ودمجها".

رغم أن تطوير النموذج كان سهلاً نسبيًا، إلا أن الوقت الطويل اللازم لجمع البيانات ودمجها شكّل تحديًا كبيرًا لنا. وقد مر كل عضو في الفريق بمرحلة تعلمية، وطوّر مهاراته في التنسيق التقني وتنسيق المشاريع، بدءًا من البحث المتعمق، وصولًا إلى تعزيز الابتكار وابتكار حلول جديدة.

وقت إجراء الدراسة، كان نام يعمل من هانوي، وكان لديه وظيفة بدوام كامل. ولمنع أي تأخير أو انقطاع محتمل، قال نام إن الفريق عقد اجتماعات أسبوعية وحافظ على تواصل منتظم، لتحفيز بعضهم البعض على الالتزام بالمسار الصحيح، ولإكمال العمل الموكل إليهم.

أشرف أعضاء هيئة التدريس من كلية العلوم والهندسة والتكنولوجيا في معهد RMIT فيتنام على مشروع التخرج الخاص بالفريق. وعُرضت نتائج المشروع مؤخرًا في فعالية دولية مرموقة، وهي المؤتمر الدولي الثامن لمعهد مهندسي الكهرباء والإلكترونيات (IEEE/ACIS) حول البيانات الضخمة والحوسبة السحابية وهندسة علوم البيانات (BCD 2023)، بحضور باحثين وعلماء ومهندسين وخبراء في مجالات البيانات الضخمة والحوسبة السحابية وعلوم البيانات.

ويخطط الفريق لتحسين النماذج بناءً على ردود الفعل من العروض التقديمية للمؤتمر، واستكشاف طرق أخرى لتحسين دقة وقابلية تطبيق توقعاتهم.

وأضاف ثونغ: "نخطط للتعمق أكثر في التقنيات المتطورة والأساليب الناشئة في هذا المجال لتعزيز نتائج البحث التي حققها الفريق".

"وعلاوة على ذلك، نخطط للتعاون مع خبراء آخرين في هذا المجال واستكشاف الشراكات المحتملة لتوسيع نطاق وتأثير نتائج أبحاث المجموعة."

يخطط الفريق لمواصلة تكرار البحث وترقيته حتى يتمكن من تقديم مساهمات عملية في مجال البيانات الضخمة والذكاء الاصطناعي المتطور باستمرار من خلال بحثك المحدد.