TEHNIČKI PRIBJLJENIK STELAR #3: UZBROJENA PODRAZJELA PODATAKA ZA IDENTIFIKACIJU HRANLJIVIH RIZIKA

Pogreške u strojnom učenju za sigurnost u poljoprivredi — poput neravnoteže klasa, raznolikosti jezika i neujednačenosti dužine teksta — štetne su točnosti modela. Ova je radnja predstavila strukturirani pristup smanjenju ovih problema kroz procjenu podataka, čišćenje (uklanjanje duplikata, obradu nedostajućih vrijednosti preko miješanja značajki) i ciljano ujačavanje. Okvir s deset metoda (npr. zamjena sinonimima, prijenos stila, sažetak teksta) stvorio je 16 sintetičkih podatkovnih točaka preko pet klasa, što značajno poboljšava balansiranu točnost. Uređeni modeli BART-a i ChatGPT 4.0 proizveli su konzistentne, niskopotrosne sintetičke podatke. Tehnikama poput dodavanja, kodiranja i odabira značajki poboljšana je otpornost. Pristup smanjuje računske troškove dok se održava kontekstualna točnost, nudeći skalabilno i odgovorno rješenje umjetne inteligencije za identifikaciju hranidbi. Dio je europskog projekta STELAR (broj dodjele: 101070122), koji je vodič Vivek Kumar na Sveučilištu Bundeswehr u Munihu.