機(jī)器學(xué)習(xí)可以接管溫室中曾經(jīng)乏味的手動(dòng)過(guò)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(dòng)的天氣模式調(diào)整參數(shù)。根據(jù)運(yùn)營(yíng)地點(diǎn)的不同，這種情況可能比該國(guó)其他地區(qū)更頻繁或更頻繁地發(fā)生。

然而，機(jī)器學(xué)習(xí)的進(jìn)步可以反映出進(jìn)行這些類型調(diào)整所需的人類推理步驟。創(chuàng)建預(yù)測(cè)模型可以“根據(jù)這些參數(shù)優(yōu)化氣候和灌溉控制，以實(shí)現(xiàn)目標(biāo)排水比率”。將以前未訓(xùn)練的模型與機(jī)器學(xué)習(xí)配對(duì)，并與歷史數(shù)據(jù)配對(duì)，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(zhǔn)確地預(yù)測(cè)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(jī)器學(xué)習(xí)“反映了人類推理、檢測(cè)模式和做出決策的方式”。

人類和機(jī)器學(xué)習(xí)應(yīng)用程序都有需要考慮的優(yōu)點(diǎn)和缺點(diǎn)，將兩者相互配對(duì)有助于補(bǔ)充對(duì)方的局限性。

人類擅長(zhǎng)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(jìn)行分類，但機(jī)器學(xué)習(xí)技術(shù)難以獲得動(dòng)機(jī)，這對(duì)于理解創(chuàng)作的目的和確定目標(biāo)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(shí)相結(jié)合，以增強(qiáng)決策過(guò)程。這種方法的目標(biāo)不是用人工智能取代人類的知識(shí)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(guò)將人類種植者的專業(yè)知識(shí)和洞察力與 AI 的力量和熟練程度相結(jié)合來(lái)優(yōu)化植物生長(zhǎng)條件和實(shí)踐，理論上可以解決溫室管理中的許多（但不是全部）問(wèn)題。然而，在兩者之間創(chuàng)建一個(gè)平衡系統(tǒng)，讓 AI 及其機(jī)器學(xué)習(xí)解決方案根據(jù)需要和預(yù)期工作，這本身就是一個(gè)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(guò)時(shí)的系統(tǒng)仍在運(yùn)行，并不是為了與 AI 協(xié)同工作而設(shè)計(jì)的。集成這些系統(tǒng)以維護(hù)功能，同時(shí)讓 AI 模型訪問(wèn)所需的信息以進(jìn)行預(yù)測(cè)和調(diào)整，這一點(diǎn)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(wèn)題或其他技術(shù)問(wèn)題”而發(fā)生的。那么，人工智能驅(qū)動(dòng)的溫室系統(tǒng)將如何應(yīng)對(duì)此類問(wèn)題呢？需要一個(gè)強(qiáng)大的控制系統(tǒng)來(lái)檢測(cè)和補(bǔ)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(zhǔn)確地工作。

需要對(duì) AI 的決策進(jìn)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(yíng)者應(yīng)該評(píng)估 AI 技術(shù)做出的決策及其對(duì)運(yùn)營(yíng)的影響，并相應(yīng)地調(diào)整模型和程序。

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