機器學習可以接管溫室中曾經(jīng)乏味的手動過程的一種可能選擇是控制系統(tǒng)。例如，為了保持固定的灌溉排水比，需要根據(jù)波動的天氣模式調(diào)整參數(shù)。根據(jù)運營地點的不同，這種情況可能比該國其他地區(qū)更頻繁或更頻繁地發(fā)生。

然而，機器學習的進步可以反映出進行這些類型調(diào)整所需的人類推理步驟。創(chuàng)建預(yù)測模型可以“根據(jù)這些參數(shù)優(yōu)化氣候和灌溉控制，以實現(xiàn)目標排水比率”。將以前未訓(xùn)練的模型與機器學習配對，并與歷史數(shù)據(jù)配對，以發(fā)現(xiàn)模式并了解影響結(jié)果的變量，可以幫助它更準確地預(yù)測所述結(jié)果，從而做出必要的調(diào)整。

從本質(zhì)上講，在這種情況或其他情況下，機器學習“反映了人類推理、檢測模式和做出決策的方式”。

人類和機器學習應(yīng)用程序都有需要考慮的優(yōu)點和缺點，將兩者相互配對有助于補充對方的局限性。

人類擅長理解給定工作或結(jié)構(gòu)背后的邏輯，而 AI 經(jīng)常難以理解。盡管能夠?qū)Υ罅繑?shù)據(jù)進行分類，但機器學習技術(shù)難以獲得動機，這對于理解創(chuàng)作的目的和確定目標受眾和信息至關(guān)重要。

因此，“最有效的 AI 解決方案將 ML 的力量與人類知識相結(jié)合，以增強決策過程。這種方法的目標不是用人工智能取代人類的知識和創(chuàng)造力，而是幫助人工智能完成重復(fù)性任務(wù)（即繁忙的工作）。

通過將人類種植者的專業(yè)知識和洞察力與 AI 的力量和熟練程度相結(jié)合來優(yōu)化植物生長條件和實踐，理論上可以解決溫室管理中的許多（但不是全部）問題。然而，在兩者之間創(chuàng)建一個平衡系統(tǒng)，讓 AI 及其機器學習解決方案根據(jù)需要和預(yù)期工作，這本身就是一個挑戰(zhàn)。那么，需要做什么呢？

大多數(shù)現(xiàn)代控制系統(tǒng)，以及許多適用但過時的系統(tǒng)仍在運行，并不是為了與 AI 協(xié)同工作而設(shè)計的。集成這些系統(tǒng)以維護功能，同時讓 AI 模型訪問所需的信息以進行預(yù)測和調(diào)整，這一點至關(guān)重要。

數(shù)據(jù)可能是“由于斷電、傳感器故障、網(wǎng)絡(luò)問題或其他技術(shù)問題”而發(fā)生的。那么，人工智能驅(qū)動的溫室系統(tǒng)將如何應(yīng)對此類問題呢？需要一個強大的控制系統(tǒng)來檢測和補償丟失的數(shù)據(jù)，以便在丟失的情況下，操作的任何 AI 元素仍然可以有效和準確地工作。

需要對 AI 的決策進行人工調(diào)查和監(jiān)控，以確保其按預(yù)期工作。種植者和經(jīng)營者應(yīng)該評估 AI 技術(shù)做出的決策及其對運營的影響，并相應(yīng)地調(diào)整模型和程序。

AI 技術(shù)功能強大，但也可能不可靠，必須加以控制。為確保操作安全，應(yīng)實施故障保護措施，以確保人工智能驅(qū)動的系統(tǒng)在正常操作過程中和發(fā)生技術(shù)故障時不會采取任何可能導(dǎo)致作業(yè)危害的行動。