ଗ୍ରୀଷ୍ମ ମଧ୍ୟରେ ସୋୟାବିନ୍ ସ୍ଥିତିକୁ ଯାଞ୍ଚ କରିବା ପାଇଁ ଫିଲ୍ଡ ରେକନ୍ ଏରକନାସା - ସମ୍ପୁର୍ଣ୍ଣ, କିନ୍ତୁ ନୂତନ କିସମ ହଟାଇବା ସମୟରେ ଆବଶ୍ୟକ କାର୍ଯ୍ୟ |
ଭଙ୍ଗରମାନେ ଦ offer ର୍ଯ୍ୟରରୁ ଗାଳିଗୁଲଜ କରିବା ପାଇଁ ବ growing ୁଥିବା STORENT ର ଜଟିଳ ବ features ଶିଷ୍ଟ୍ୟ ଦେଖାଇବା ପାଇଁ ବ growing ୁଥିବା STORE ର ଏକ ଆତଭୁତ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ଦେଖାଇବା ପାଇଁ ବ grow ୁଥିବା ସୂର୍ଯ୍ୟ ତଳେ ବୁଲିବାକୁ ପଡିବ ଯେପରିକି ପୋଡ୍ସର ପ୍ରାରମ୍ଭିକ ଦସ୍ତଖତ | କିନ୍ତୁ, ଏହି ଚିହ୍ନଗୁଡ଼ିକର ଚିହ୍ନଟକୁ ସ୍ୱୟଂଚାଳିତ କରିବାର ସୁଯୋଗ ନ ପାରେ, ବୀନ୍ତମାନେ ଅନେକ ସାଇଟ୍ ପସନ୍ଦ କରିପାରିବେ ନାହିଁ ଯେପରି ସେମାନେ ବଜାରରେ ନୂତନ ଭାରସମର୍ପଣ କରିବାକୁ ସମୟ ବ to ାଇବାକୁ ସମୟ ବ to ାଇବାକୁ ସମୟ ବ to ିବାକୁ ଚାହାଁନ୍ତି |
ଇଲିନୋଇସ୍ ବିଶ୍ୱବିଦ୍ୟାଳୟର ନୂତନ ଅଧ୍ୟୟନରେ, ବାଦ୍ୟଯନ୍ତ୍ରର ଛକଗୁଡିକ ଡ୍ରୋନ୍ସ ଏବଂ କୃତ୍ରିମ ବୁଦ୍ଧି ବ୍ୟବହାର କରି ସୋୟାବିନ୍ମାନଙ୍କ ସମୟର ସମୟର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନର ପୂର୍ବାନୁମାନ କରେ, ଯାହା କାର୍ଯ୍ୟକୁ ବହୁତ ସହଜ କରିଥାଏ।
"ପୋଡ୍ ପରିପକ୍ୱତାର ମୂଲ୍ୟାଙ୍କନ ବହୁତ ସମୟ ଆବଶ୍ୟକ କରେ ଏବଂ ଏଠାରେ ଏହା ପ୍ରାୟତ i ଭୁଲ କରିବା ସମ୍ଭବ, ଯେହେତୁ ଏହି ମୂଲ୍ୟାଙ୍କନ ବ୍ୟବସ୍ଥା ପୋଡିର ରଙ୍ଗ ଉପରେ ଆଧାରିତ, ଏବଂ ଏହାକୁ ଭୁଲ ଭାବରେ ନିର୍ଣ୍ଣୟ କରିବାର ଏକ ବିପଦ ଅଛି, ଉଇଷ୍ଟ କରିବା ପାଇଁ ଏକ ବିପଦ ଅଛି, କୁହନ୍ତି କି? , ଇଲିନୋଇସ୍ ରେ ସଜ୍ଜିତ ବିଭାଗର ସାମୁଦ୍ରିକ ଯୋଗାଣକାରୀ ତଥା ଅଧ୍ୟୟନର କୋଲାବୋରେଟର | "ଅନେକ ପରିପୋଷଣା ଆକଳନ କରିବାକୁ ଅନେକ ସ୍ନାପସଟ୍ ବ୍ୟବହାର କରିବାକୁ ଚେଷ୍ଟା କଲା, କିନ୍ତୁ ଏହା କରିବା ପାଇଁ ଆମେ ଏକ ସଠିକ୍ ଉପାୟ ଖୋଜିବାକୁ ପ୍ରଥମ ଅଟୁ।"
ରୋଡ୍ରିଗୋ ଟ୍ରେଭଜାନ୍, ମାର୍ଟିନଙ୍କ ସହିତ କାମ କରୁଥିବା ଜଣେ ଡକୁରାଲ୍ ଛାତ୍ର, ପାଞ୍ଚଟି ପରୀକ୍ଷଣରେ ସଂଗୃହିତ ଡ୍ରୋନ୍ସରୁ ରଙ୍ଗ ପରିବର୍ତ୍ତନଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବାରେ କମ୍ପ୍ୟୁଟର ଶିକ୍ଷା କରିବାକୁ, ତିନିଟି ବ grows ୁଥିବା season ତୁ ଏବଂ ଦୁଇ ଦେଶ | ଏହା ଧ୍ୟାନ ଦେବା ଉଚିତ୍ ଯେ କମ୍ପ୍ୟୁଟରଗୁଡ଼ିକ "ଖରାପ" ପ୍ରତିଛବିଗୁଡ଼ିକୁ ମଧ୍ୟ ବିଚାର ଏବଂ ବ୍ୟାଖ୍ୟା କରିବାକୁ ସକ୍ଷମ ହୋଇଥିଲେ |
"ଚାଲ କୁହନ୍ତୁ, ଆମେ ପ୍ରତି ତିନି ଦିନରେ ପ୍ରତିଛବି ସଂଗ୍ରହ କରିବାକୁ ଚାହୁଁ, କିନ୍ତୁ ଥରେ ମେଘଟି ଦେଖାଯିବା ପରେ, ଯାହା ଚିତ୍ରଗୁଡ଼ିକର ଗୁଣ ଉପରେ ପ୍ରଭାବ ପକାଇଥାଏ | ଶେଷରେ, ଯେତେବେଳେ ଆପଣ ଭିନ୍ନ ବର୍ଷ ପାଇଁ କିମ୍ବା ବିଭିନ୍ନ ସ୍ଥାନଠାରୁ ତଥ୍ୟ ଗ୍ରହଣ କରନ୍ତି, ସେମାନେ ସମସ୍ତେ ପ୍ରତିଛବି, ବ୍ୟବଧାନ ସଂଖ୍ୟା ବିଷୟରେ ବିଭିନ୍ନ ଦେଖାଯିବେ | ଆମେ ବିକଶିତ କରିଥିବା ମୁଖ୍ୟ ନବସାବୁଣା ହେଉଛି ଆମେ କିପରି ପ୍ରାପ୍ତ ସମସ୍ତ ସୂଚନା ଗ୍ରହଣ କରିବାକୁ ପଠାଇ ପାରିବା | ଡାଟା ଯାଉଥିବା ସମୟରେ ଆମର ମଡେଲ୍ ଭଲ କାମ କରେ ନା କାହିଁକି ଲାଭିଜ୍ କହିଲା |
ଟ୍ରେଭିଷ୍ଟାନ୍ କୃତ୍ରିମ ବୁଦ୍ଧିର ପ୍ରକାର ବ୍ୟବହାର କରି ଗଭୀର କଣ୍ଡ୍ଭାରନ୍ୟୁବଲ୍ଟର ସ୍ନାୟୁ ନେଟୱାର୍କ (CNN) ବୋଲି କୁହାଯାଏ | ସେ କହିଛନ୍ତି ଯେ ବର୍କିନ୍ ପ୍ରତିଛବିଗୁଡିକର ଉପାଦାନଗୁଡ଼ିକୁ ବ୍ୟାଖ୍ୟା କରିବାକୁ ଶିଖେ ଯେ, ରଙ୍ଗ, ଆକୃତିର ଉପାଦାନଗୁଡ଼ିକୁ ବ୍ୟାଖ୍ୟା କରିବାକୁ ଶିଖେ, ଅର୍ଥାତ୍ ଆକୃତିର ଉପାଦାନଗୁଡ଼ିକୁ ବ୍ୟାଖ୍ୟା କରିବାକୁ ଶିଖେ, ଅର୍ଥାତ୍ ସୂଚନା ଆମ ଆଖିରୁ ପାଇଲା |
"ଫର୍ମ, ସୀମା ଏବଂ ଗଠନଦାତା ବ୍ୟତୀତ CNN ସାମାନ୍ୟ ପରିବର୍ତ୍ତନଗୁଡ଼ିକୁ ଚିହ୍ନ ଚିହ୍ନଟ କରେ | ଆମ ପାଇଁ, ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହେଉଛି ରଙ୍ଗ ଥିଲା | କିନ୍ତୁ କୃତ୍ରିମ ବୁଦ୍ଧିର ମଡେଲଗୁଡିକର ଏହାର ସୁବିଧା, ଯାହା ଆମେ ବ୍ୟବହାର କରିଥିଲୁ, ଅନ୍ୟ ଏକ ଚରିତ୍ରଗତ ପୂର୍ବାନୁମାନ କରିବା ପରି ସମାନ ମଡେଲ୍ ବ୍ୟବହାର କରିବା ଅତ୍ୟନ୍ତ ସରଳ ହେବ, ଯେପରିକି ଅମଳ କିମ୍ବା ସ୍ପାନ | ତେଣୁ, ବର୍ତ୍ତମାନ ଆମର ଏହି ମଡେଲଗୁଡିକ ଅଛି, ଅନ୍ୟାନ୍ୟ ଅନେକ କାର୍ଯ୍ୟ ସମ୍ପଦ ପୂର୍ଣ୍ଣ କରିବାକୁ ଲୋକମାନେ ସମାନ ରଣନୀତି ବ୍ୟବହାର କରିବା, ବ୍ୟାଖ୍ୟା କରିଥିଲେ |
ବ Tim ଜ୍ଞାନିକମାନେ କହିଛନ୍ତି ଯେ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ପ୍ରମୁଖ ଭାବରେ ବାଣିଜ୍ୟିକ କମ୍ପାନୀଗୁଡିକରେ ଟେକ୍ନୋଲୋଜି ଉପଯୋଗୀ ହେବ |
"ଆମ ପାଖରେ ଭାଗ୍ୟଶାଳୀ ବ୍ୟକ୍ତି ଅଛନ୍ତି ଯେଉଁମାନେ ଅଧ୍ୟୟନରେ ଭାଗ ନେଇଥିଲେ ଯାହା ଆଗାମୀ ବର୍ଷରେ ଏହାକୁ ବ୍ୟବହାର କରିବାକୁ ଇଚ୍ଛା କରିବ | ଏବଂ ସେମାନେ ଏକ ବହୁତ ଭଲ, ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅବଦାନ କଲେ | ସେମାନେ ନିଶ୍ଚିତ କରିବାକୁ ଚାହୁଁଥିଲେ ଯେ ଫାଇଲଗୁଡିକ ଉଦ୍ଭିଦ ବାଛିବା ଏବଂ କୃଷଳୀ ଚୟନ କରିବାକୁ, "ନୀତି ମାର୍ଟିନ |
(ଉତ୍ସ: FarmTario.com ଫଟୋ: ଗେଟୀ ପ୍ରତିଛବି) |