പന്നികളിലെ അസുഖം കണ്ടെത്താൻ മെഷീൻ ലേണിംഗ് ഫീഡിംഗ് ഡാറ്റ ഉപയോഗിക്കുന്നു
പന്നി ഉൽപാദന സംവിധാനങ്ങളിൽ, ഭക്ഷണ സ്വഭാവത്തിലെ മാറ്റം അസ്വസ്ഥതയുടെയും രോഗത്തിന്റെയും പ്രാരംഭ ലക്ഷണമായി ഉപയോഗിക്കാം. എന്നിരുന്നാലും, ഒരു വാണിജ്യ ഫാമിൽ, രോഗികളായ മൃഗങ്ങളുടെ ചികിത്സ വൈകൽ, സാമ്പത്തിക നഷ്ടം, ദുർബലമായ ക്ഷേമം എന്നിവ ഒഴിവാക്കാൻ വ്യക്തിഗത പെരുമാറ്റ മാറ്റങ്ങൾ നിരീക്ഷിക്കാനും കണ്ടെത്താനും പരിമിതമായ സമയമുണ്ട്. സെൻസറുകളും ഫീഡറുകളും ഉപയോഗിച്ചുള്ള ഓട്ടോമാറ്റിക് ഡാറ്റ ശേഖരണം രോഗത്തിന്റെ പ്രാരംഭ ലക്ഷണങ്ങളെക്കുറിച്ച് വിലപ്പെട്ട വിവരങ്ങൾ നൽകുന്നു.
ഡാറ്റാ ശേഖരണം
2011 മുതൽ 2016 വരെ ഫിൻലാൻഡിലെ സെൻട്രൽ ടെസ്റ്റ് സ്റ്റേഷനിൽ നിന്ന് 10,261 പന്നികളുടെ (ഫിന്നിഷ് യോർക്ക്ഷെയർ, ഫിന്നിഷ് ലാൻഡ്റേസ്, എഫ് 1-ക്രോസ് ബ്രെഡ്) ഭക്ഷണ സ്വഭാവ ഡാറ്റ സംഘം ശേഖരിച്ചു. പ്രായം, ഭാരം, ലിംഗഭേദം എന്നിവ അനുസരിച്ച് അവർ പന്നികളെ വ്യത്യസ്ത പേനകളായി തരംതിരിച്ചു. പന്നികൾക്ക് വെള്ളവും ഭക്ഷണവും നൽകി.
പ്രതിദിന സന്ദർശനങ്ങളുടെ എണ്ണം, പ്രതിദിനം ഭക്ഷണം കഴിക്കാൻ ചെലവഴിച്ച സമയം, ദൈനംദിന തീറ്റ ഉപഭോഗം എന്നിവ ഗവേഷകർ രേഖപ്പെടുത്തി. ചുമ, തളർച്ച, വിശപ്പില്ലായ്മ, ചർമ്മത്തിന് കേടുപാടുകൾ, കടിയേറ്റ വാൽ തുടങ്ങിയ ലക്ഷണങ്ങൾ രോഗ ഡാറ്റയിൽ ഉൾപ്പെടുന്നു. മെഷീൻ ലേണിംഗ് മോഡലുകളിൽ, രേഖപ്പെടുത്തിയ ഏതെങ്കിലും ലക്ഷണങ്ങളുള്ള പന്നികളെ ആ നിശ്ചിത ദിവസത്തേക്ക് “അസുഖമുള്ളവർ” എന്ന് തരംതിരിച്ചു. രോഗലക്ഷണങ്ങളില്ലാത്ത പന്നികളെ “ആരോഗ്യമുള്ളവർ” എന്ന് തരംതിരിച്ചു.
പുതിയ സവിശേഷതകൾ
മൃഗങ്ങളുടെ പ്രായവുമായുള്ള ശക്തമായ ബന്ധം കാരണം പന്നികളുടെ രോഗാവസ്ഥ പ്രവചിക്കുന്നതിന് പ്രതിദിനം തീറ്റ നൽകുന്ന സമയത്തിന്റെയും ദൈനംദിന തീറ്റ ഉപഭോഗത്തിന്റെയും സമ്പൂർണ്ണ മൂല്യങ്ങൾ അനുയോജ്യമായ സവിശേഷതകളല്ല. അതിനാൽ, ദൈനംദിന റാങ്കുകളും അവശിഷ്ടങ്ങളും ഉൾപ്പെടെ ടീം പുതിയ സവിശേഷതകൾ സൃഷ്ടിച്ചു. ഓരോ ദിവസവും ഒരു പേനയ്ക്കുള്ളിലെ മറ്റ് പന്നികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഒരു മൃഗത്തിന്റെ നിരീക്ഷണത്തിന്റെ റാങ്കുമായി ദൈനംദിന റാങ്കുകൾ ബന്ധപ്പെട്ടിരിക്കുന്നു. ഒരേ പ്രായത്തിലുള്ള ഒരു പന്നിക്ക് പ്രതീക്ഷിക്കുന്ന മൂല്യത്തിൽ നിന്ന് മൃഗങ്ങളുടെ വ്യത്യാസം അവശിഷ്ടങ്ങൾ വിവരിച്ചു. തുടർന്ന്, ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം ഉപയോഗിച്ച് ഉരുത്തിരിഞ്ഞ യഥാർത്ഥ ഭക്ഷണ സ്വഭാവ സവിശേഷതകളും സവിശേഷതകളും ഉൾപ്പെടെയുള്ള സവിശേഷതകളെ അടിസ്ഥാനമാക്കി ടീം ഒരു പന്നിയുടെ ആരോഗ്യ നില പ്രവചിച്ചു.
ഒരേ ദിവസം (ഒരു ദിവസത്തെ ജാലകം), ഒരേ ദിവസം, 2 മുൻ ദിവസങ്ങൾ (3 ദിവസത്തെ ജാലകം) അല്ലെങ്കിൽ ഒരേ ദിവസം, 6 മുൻ ദിവസങ്ങൾ (7 ദിവസത്തെ ജാലകം) എന്നിവയിൽ നിന്നുള്ള സവിശേഷതകളെ അടിസ്ഥാനമാക്കിയാണ് അവർ അവരുടെ പ്രവചനങ്ങൾ നടത്തിയത്.
മോഡലുകളുടെ പ്രകടനം
67% സംവേദനക്ഷമതയും 73% പ്രത്യേകതയുമുള്ള 7 ദിവസത്തെ വിൻഡോയിൽ പ്രയോഗിച്ച മോഡൽ ഉപയോഗിച്ച് ഗവേഷകർ മികച്ച പ്രകടനം നേടി. എന്നിരുന്നാലും, കൃത്യത വളരെ കുറവായിരുന്നു. ദൈനംദിന പതിവ് പരിശോധനയ്ക്കിടെ സ്റ്റേഷൻ ജീവനക്കാർ നേരിയ ലക്ഷണങ്ങൾ അവഗണിക്കുന്നതിനാലാകാം ഇത്. കൂടാതെ, മെഷീൻ ലേണിംഗിൽ പക്ഷപാതപരമായ വർഗ്ഗീകരണത്തിന് കാരണമാകുന്ന വളരെ അസന്തുലിതമായ ഡാറ്റാസെറ്റ് കാരണം കുറഞ്ഞ കൃത്യത ഉണ്ടാകാം.
ഫീഡിംഗ് പെരുമാറ്റ ഡാറ്റയിലേക്ക് ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം പ്രയോഗിക്കുന്നതിലൂടെ പന്നി രോഗം കണ്ടെത്താൻ കഴിയും
പന്നികളിലെ പെരുമാറ്റത്തിലെ മാറ്റങ്ങൾ രോഗത്തെ സൂചിപ്പിക്കുന്നു. എന്നിരുന്നാലും, ഈ മാറ്റങ്ങൾ ദ്രുതഗതിയിലുള്ളതും ഉടനടി രോഗത്തെ സൂചിപ്പിക്കുന്നതുമായിരിക്കാം അല്ലെങ്കിൽ അസുഖത്തിന് നിരവധി ദിവസങ്ങൾക്ക് മുമ്പ് മാറ്റങ്ങൾ ആരംഭിക്കാം. അതിനാൽ ഈ പഠനത്തിൽ, ഡാറ്റയുടെ സവിശേഷതകളെയും സ്വഭാവത്തെയും അടിസ്ഥാനമാക്കി ഒപ്റ്റിമൽ ഡാറ്റ റെക്കോർഡിംഗ് ദൈർഘ്യം കണ്ടെത്തുന്നതിന് വിവിധ ജാലക ദൈർഘ്യമുള്ള മോഡലുകൾ പ്രയോഗിച്ചു. മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുടെ പ്രകടനം ട്യൂൺ ചെയ്യുന്ന ഒപ്റ്റിമൈസേഷൻ പാരാമീറ്ററുകളാണ് ഹൈപ്പർപാരാമെറ്ററുകൾ. പരിശീലന വേളയിൽ നൽകിയ ഡാറ്റയെ അടിസ്ഥാനമാക്കി മികച്ച ഹൈപ്പർപാരാമെറ്ററുകൾ ലഭിക്കുകയും മോഡലുകളുടെ പ്രവചനത്തിൽ ഉപയോഗിക്കുകയും ചെയ്തു. മോഡലുകളുടെ സംവേദനക്ഷമതയും പ്രത്യേകതയും എല്ലാ ജാലക ദൈർഘ്യത്തിലും സ്വീകാര്യമായിരുന്നു. കൂടാതെ, ജാലക ദൈർഘ്യം വർദ്ധിപ്പിക്കുന്നത് വർഗ്ഗീകരണ മോഡലുകളുടെ പ്രകടനം വർദ്ധിപ്പിച്ചു.
മോഡലിന്റെ സവിശേഷതകൾ
ഒരു പന്നിയുടെ ഭക്ഷണ സ്വഭാവത്തിലെ വ്യത്യാസം സൂചിപ്പിക്കുന്ന സവിശേഷതകൾ ഉപയോഗിക്കുന്നത് അതിന്റെ പേന ഇണകളിൽ (റാങ്ക്) നിന്നോ അതേ പ്രായത്തിലുള്ള (അവശേഷിക്കുന്ന) പന്നികളിൽ നിന്നോ (അവശേഷിക്കുന്ന) പന്നി രോഗം പ്രവചിക്കുന്നതിൽ സമ്പൂർണ്ണ മൂല്യങ്ങളേക്കാൾ കൂടുതൽ പ്രയോജനകരമാണ്. അതിനാൽ, ഒരേ പ്രായത്തിലുള്ള ഒരു ശരാശരി പന്നിയുടെ തീറ്റ സമയവും ദൈനംദിന തീറ്റ ഉപഭോഗവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഒരു സാധാരണ ദൈനംദിന തീറ്റ സമയത്തിൽ നിന്നോ ദൈനംദിന തീറ്റ ഉപഭോഗത്തിൽ നിന്നോ വ്യതിചലിക്കുന്നത് ഒരു ആരോഗ്യ പ്രശ്നത്തിന്റെ നല്ല സൂചനയാണ്. കൂടാതെ, എല്ലാ 40 സവിശേഷതകൾക്കും പകരം മികച്ച 10 പ്രധാന സവിശേഷതകൾ മാത്രമുള്ള 7 ദിവസത്തെ വിൻഡോ മോഡൽ ഉപയോഗിക്കുന്നത് മോഡൽ പ്രകടനം അൽപ്പം വർദ്ധിപ്പിക്കുകയും മോഡലിന്റെ റൺ സമയം കുറയ്ക്കുകയും ചെയ്തു.
നിഗമനങ്ങൾ
“തീറ്റ പെരുമാറ്റ ഡാറ്റയിലേക്ക് ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം പ്രയോഗിക്കുന്നതിലൂടെ പന്നി രോഗം കണ്ടെത്താൻ കഴിയും; എന്നിരുന്നാലും, പുതിയ സവിശേഷതകൾ കണക്കാക്കുന്നതിലൂടെയും സവിശേഷതകൾ തമ്മിലുള്ള ഇടപെടലുകൾ പരിഗണിക്കുന്നതിലൂടെയും വ്യത്യസ്ത ജാലക ദൈർഘ്യം (കൾ), വ്യത്യസ്ത രീതികൾ എന്നിവ ഉപയോഗിച്ചും ഫലങ്ങൾ മെച്ചപ്പെടുത്താൻ കഴിയും.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
