PestCast

A PestCast egy SaaS termék amelynek segítségével előre lehet jelezni a különböző kártevők megjelenését

Összefoglaló

Az ügyfelünk az amerikai Virginia állam egy legnagyobb parkgondozó vállalata. A személyi kiadások mellett, a legnagyobb költségüket a kártevőírtásra használt vegyszerek jelentették.

Az egyik módja ennek a költségnek a csökkentésére a vegyszerek célzottabb alkalmazása. Ez gyakorlatban annyit jelent, hogy a kártevőírtó szereket rövidebb ideig, ugyanolyan hatékonysággal használják. Ügyfelünk azzal keresett meg minket, hogy egy olyan megoldást fejlesszünk, ami technológia segítségével lerövidíti a kártevőírtási ablakot.

A PestCastet eredetileg belső felhasználásra szánta ügyfelünk, azonban hamar rájöttünk, hogy óriási lehetőség rejlik abban, ha egy SaaS terméket fejlesszünk belőle, amit kertészetek, kertészek és hobbisták egyaránt használhatnak majd.

Hogyan oldottuk meg a problémát

Gépi tanulással a kártevők ellen
Probléma

Mivel nem rendelkeztünk szakági ismeretekkel, nem tudtuk, hogy egyáltalán mitől függ az, hogy mikor jelenik meg egy-egy kártevő. Ezért azzal kezdtük, hogy az ügyfél szakértő munkatársait interjúztattuk. Így tudtuk meg, hogy szoros összefüggés van a kartevők megjelenése és a megjelenés előtti hetek időjárása között.

Megoldás

Rendelkeztünk egy adatbázissal, ami dokumentálta visszamenőleg ötven évre, hogy különböző földrajzi tájegységeket mikor jelentek meg a különböző kártevő. Ezt az adatbázist és historikus meteorológiai adatokat felhasználva betanítottunk egy gépi tanulás algoritmust, hogy előre jelezze a csapadék, illetve az átlag- és csúcshőmérsékletek alapján, hogy az idén mikor várható egy-egy kártevő megjelenése.

PestCast - Gépi tanulással a kártevők ellen
Az algorimus finomítása
Probléma

Az eredmények biztatóak voltak, azonban csupán egy külső adatbázisra hagyatkozva nem értük el az elvárt pontosságot. A vegyszerezési intervallum továbbra is túl tág volt. Ezért elkezdtünk ötletelni arról, hogy hogyan tudunk több adathoz jutni.

Megoldás

We realised that we could turn the app into a SaaS product. This would mean more people started using it, which we could turn into an advantage by allowing users to report pest occurrences. The faster the SaaS product scales, the more accurate our ML algorithm becomes.

Ezen a ponton tudatosult bennünk, hogy az applikációt átalakíthatnánk egy SaaS termékké. Ez azt jelentené, hogy több ember használja majd, akik az extra adatokat biztosítani tudnák nekünk. Így minél gyorsabban skálázódott a SaaS termék, annál pontosabb lett a gépi tanulás algoritmus.

Az algorimus finomítás
Galéria megnyitása Galéria megnyitása
Neked miben segíthetünk?
Kérj egy ingyenes konzultációt
Következő esettanulmány Harborsz Logistic