ListenField
ဂျပန်-ထိုင်း team ဖွဲ့ဆောက်သော farm data platform၊ crop model နှင့် machine learning ပေါင်းစပ်၍ အထွက်နှုန်းခန့်မှန်း
ListenField သည် အာရှကို အဓိကထားသော ရှားပါးသည့် စိုက်ပျိုးရေး data startup တစ်ခုဖြစ်ပြီး၊ ပညာရှင်သုတေသီများက တည်ထောင်ကာ ဂျပန်နိုင်ငံ Nagoya နှင့် ထိုင်းနိုင်ငံ Bangkok တွင် ရုံးများ ဖွင့်လှစ်ထားသည်။ တရားဝင် website အဆိုအရ လုပ်ငန်းသည် နိုင်ငံ ၅ ခုကို လွှမ်းခြုံ၊ လယ်သမား ၃ သောင်းကို ဝန်ဆောင်မှုပေးပြီး၊ စိုက်ပျိုးရေး-စားနပ်ရိက္ခာ လုပ်ငန်း ၂၀ ကျော်နှင့် ပူးပေါင်းဆောင်ရွက်သည်။ ဥရောပ-အမေရိကန် ထုတ်ကုန်များနှင့် နှိုင်းယှဉ်လျှင် ၎င်းသည် အာရှ၏ သီးနှံ၊ ရာသီဥတုနှင့် လယ်ကွင်းအရွယ်အစားကို ကိုင်တွယ်သဖြင့်၊ မြန်မာဖတ်သူများအတွက် ပိုမိုရင်းနှီးသည်။
ထုတ်ကုန်သည် အပိုင်းနှစ်ခုဖြင့် ဖွဲ့စည်းသည်။ FarmAI သည် လယ်သမားများသုံးသည့် mobile app ဖြစ်ပြီး လယ်ကွင်းမှတ်တမ်းလုပ်သည်။ နောက်တစ်ခုသော SaaS dashboard သည် လယ်ကွင်းများစွာ စီမံခန့်ခွဲမှုနှင့် ခွဲခြမ်းစိတ်ဖြာမှုအတွက် ဖြစ်သည်။ နည်းပညာအရ website က machine learning ကို အသုံးပြု၍ ခန့်မှန်းတိကျမှု တိုးမြှင့်ကြောင်း ရှင်းလင်းစွာ ဖော်ပြထားသည်။ လုပ်နည်းမှာ လုပ်ငန်းစံ crop growth prediction model နှင့် machine learning ကို ပေါင်းစပ်ကာ နေရာ၊ ရာသီဥတုနှင့် မြေဆီလွှာ အခြေအနေ၏ ကွဲပြားမှုကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြစ်သည်။
လုပ်ဆောင်ချက်နှင့် သင့်လျော်သည့်အခြေအနေ။ လုပ်ဆောင်ချက်များတွင် မြေဆီလွှာ အာဟာရနှင့် ရာသီဥတု ခွဲခြမ်းစိတ်ဖြာမှု၊ သီးနှံကျန်းမာရေး စောင့်ကြည့်မှုနှင့် ကြီးထွားမှုခြေရာခံခြင်း၊ အထွက်နှုန်းနှင့် ကြီးထွားမှုခန့်မှန်းခြင်း၊ မျိုးရွေးချယ်ရေးအတွက် genomic ခွဲခြမ်းစိတ်ဖြာမှု (GS genomic selection၊ GWAS)၊ လယ်ကွင်းများစွာ စိုက်ပျိုးရေးစီမံခန့်ခွဲမှု၊ ထို့အပြင် ရေရှည်တည်တံ့မှုခြေရာခံခြင်းနှင့် ထုတ်လုပ်ရောင်းချမှုမှတ်တမ်းတို့ ပါဝင်သည်။ အသုံးပြုသူများတွင် လယ်သမား၊ agronomist၊ လုပ်ငန်း၊ ဝယ်ယူသူ၊ လယ်ကွင်းလုပ်ငန်းစီမံသူ၊ သုတေသန team၊ မျိုးရွေးချယ်သူနှင့် marketing ဌာနတို့ ပါဝင်သည်။
မြန်မာအတွက် အဓိပ္ပာယ်မှာ လက်တွေ့ကျသည်။ မြန်မာ့လယ်ကွင်းများသည် အရွယ်အစားသေးငယ်ပြီး ကွဲပြားနေ၊ ရာသီဥတုအခြေအနေသည် ဂျပန်တောင်ပိုင်းနှင့် အရှေ့တောင်အာရှနှင့် ဆင်တူသဖြင့်၊ ဥရောပ-အမေရိကန်၏ ဧရိယာကျယ်ဝန်းသော လယ်ကွင်းများအတွက် ဒီဇိုင်းထုတ်ထားသော system များသည် မကိုက်ညီတတ်ပါ။ ListenField ကဲ့သို့ အာရှကို ဒီဇိုင်းအခြေခံအဖြစ်ထားသော platform သည် crop model နှင့် လယ်ကွင်းအရွယ်အစား ယူဆချက်များတွင် ပိုမိုနီးစပ်သည်။
အဓိက အင်္ဂါရပ်များ
- FarmAI mobile app လယ်ကွင်းမှတ်တမ်း
- လယ်ကွင်းများစွာ စီမံခန့်ခွဲမှု SaaS dashboard
- crop model နှင့် machine learning ပေါင်းစပ် အထွက်နှုန်းခန့်မှန်း
- မြေဆီလွှာ အာဟာရနှင့် ရာသီဥတု ခွဲခြမ်းစိတ်ဖြာမှု
- သီးနှံကျန်းမာရေးစောင့်ကြည့်မှုနှင့် ကြီးထွားမှုခြေရာခံခြင်း
- GS genomic selection နှင့် GWAS ခွဲခြမ်းစိတ်ဖြာမှု
- ရေရှည်တည်တံ့မှုခြေရာခံခြင်းနှင့် ထုတ်လုပ်ရောင်းချမှုမှတ်တမ်း
အားသာချက်များ
- အာရှသီးနှံနှင့် ရာသီဥတုကို ဒီဇိုင်းအခြေခံ၊ ဥရောပ-အမေရိကန် system ထက် မြန်မာနှင့်ပိုနီးစပ်
- လယ်ကွင်းစီမံခန့်ခွဲမှုနှင့် မျိုးရွေးချယ်ရေးသုတေသနကို တစ်ပြိုင်နက်လွှမ်းခြုံ၊ နယ်ပယ်ပြည့်စုံ
- လယ်သမား ၃ သောင်း၏ လက်တွေ့အသုံးပြုမှုအရွယ်အစားရှိ
- ထုတ်လုပ်ရောင်းချမှုမှတ်တမ်းလုပ်ဆောင်ချက်က မြန်မာ့ ခြေရာခံလိုအပ်ချက်နှင့် ကိုက်ညီ
အားနည်းချက်များ
- ဈေးနှုန်းမကြေညာ
- မြန်မာတွင် တရားဝင်ရုံးခွဲ သို့မဟုတ် ကိုယ်စားလှယ်မရှိ
- လယ်သမားငယ်တစ်ဦးတည်း ထည့်သွင်းရန် အကျိုးအမြတ်နည်း၊ အရွယ်အစားရှိသော ထုတ်လုပ်ရောင်းချမှုအဖွဲ့ သို့မဟုတ် လုပ်ငန်းနှင့် ပိုသင့်လျော်
- ခန့်မှန်းတိကျမှုသည် ဒေသတွင်း data စုဆောင်းပြီးမှသာ တိုးတက်လာမည်
အသုံးပြုမှုများ
- ထုတ်လုပ်ရောင်းချမှုအဖွဲ့၏ လယ်ကွင်းများစွာ စုစည်းစီမံခန့်ခွဲမှု
- စပါးနှင့် ဟင်းသီးဟင်းရွက်၊ သစ်သီးဝလံ အထွက်နှုန်းခန့်မှန်း
- စိုက်ပျိုးရေး-စားနပ်ရိက္ခာလုပ်ငန်း၏ ကုန်ကြမ်းထောက်ပံ့မှုခန့်မှန်း
- မျိုးရွေးချယ်ရေးဌာန၏ genomic selection ခွဲခြမ်းစိတ်ဖြာမှု
- ပြည်ပတင်ပို့သီးနှံ၏ ထုတ်လုပ်ရောင်းချမှုမှတ်တမ်း တည်ဆောက်ခြင်း
အယ်ဒီတာမှတ်ချက်
စိုက်ပျိုးရေးနည်းပညာ၏ အဖြစ်များဆုံး ဆုံးရှုံးမှုမှာ အမေရိကန်အလယ်ပိုင်း၏ နည်းလမ်းကို အာရှလယ်သမားငယ်များ၏ လယ်ကွင်းသို့ ရွှေ့ခြင်းဖြစ်သည်။ satellite ဓာတ်ပုံ pixel တစ်ခုက လယ်ကွင်းသုံးကွက်ကို ဖုံးအုပ်ပြီးမှ precision agriculture လုပ်မည်ဟု ဆိုသည်။ ListenField က အာရှ၏ လက်တွေ့ဘဝမှ စတင်ရွေးချယ်ခြင်းသည် နည်းပညာကိုယ်တိုင်ထက် ပိုချီးမွမ်းထိုက်သည်ဟု ထင်သည်။ မြန်မာက စိုက်ပျိုးရေး digitalization ပူးပေါင်းဆောင်ရွက်မည့်သူ ရှာလျှင် ဂျပန်-ထိုင်း နောက်ခံ team က Silicon Valley ထက် ပိုပြီးဆက်သွယ်ရလွယ်သည်။
မေးလေ့ရှိသောမေးခွန်းများ
မြန်မာ့ လယ်သမားငယ်များ သုံးနိုင်ပါသလား?
လယ်သမားငယ်တစ်ဦးတည်း ထည့်သွင်းရန် အကျိုးအမြတ်နည်းသည်။ ဤ system ၏ တန်ဖိုးသည် data အရွယ်အစားနှင့် လယ်ကွင်းများ ခြားနားနှိုင်းယှဉ်မှုမှ လာသည်။ ပိုသင့်လျော်သော ယူနစ်မှာ ထုတ်လုပ်ရောင်းချမှုအဖွဲ့၊ သမဝါယမ သို့မဟုတ် ကန်ထရိုက်လယ်သမားရှိသော လုပ်ငန်းဖြစ်ပြီး၊ အဖွဲ့အစည်းဘက်က ထည့်သွင်းကာ လယ်သမားဘက်က mobile app ဖြင့် မှတ်တမ်းသာ လုပ်ပေးရသည်။ မြန်မာ့စိုက်ပျိုးရေး၏ အဖွဲ့အစည်းဖွဲ့စည်းမှုအဆင့်သည် ဤပုံစံနှင့် တော်တော်သင့်လျော်သည်။
crop model နှင့် machine learning ပေါင်းစပ်ခြင်း ဆိုတာဘာလဲ? ဘာအကျိုးရှိလဲ?
crop growth model သည် စိုက်ပျိုးရေးပညာရပ်၏ ဆယ်စုနှစ်များစွာ စုဆောင်းထားသော ယန္တရားပုံစံဖြစ်ပြီး၊ "အပူချိန်၊ နေရောင်၊ ရေ က ကြီးထွားမှုကို ဘယ်လိုသက်ရောက်သည်" ဆိုသည့် သိပ္ပံဆိုင်ရာစည်းမျဉ်းကို သိသည်။ machine learning က လက်တွေ့ data မှ ယန္တရားပုံစံမပါဝင်သော ဒေသတွင်းကွဲပြားမှုကို ဆွဲထုတ်ရာတွင် ကျွမ်းကျင်သည်။ ယန္တရားပုံစံတစ်ခုတည်းသုံးလျှင် လက်တွေ့နှင့်မနီးစပ်၊ machine learning တစ်ခုတည်းသုံးလျှင် data နည်းချိန်တွင် မှားလွယ်သည်။ နှစ်ခုပေါင်းစပ်ခြင်းသည် စိုက်ပျိုးရေးခန့်မှန်းရာတွင် ပိုမိုတည်ငြိမ်ပြီး၊ black box သက်သက်ထက် ရှင်းပြရလွယ်သည်။
ဥရောပ-အမေရိကန်၏ စိုက်ပျိုးရေး AI platform များနှင့်နှိုင်းယှဉ်ရင် အားသာချက်က?
ယူဆချက်တွင်ဖြစ်သည်။ ဥရောပ-အမေရိကန် system များသည် လယ်ကွင်းဧရိယာကျယ်ဝန်း၊ သီးနှံတစ်မျိုးတည်း၊ စက်မှုအဆင့်မြင့်ဟု ယူဆကာ satellite ဓာတ်ပုံဖြင့် ဇုန်ခွဲစီမံခန့်ခွဲမှုသည် အထိရောက်ဆုံးဖြစ်သည်။ အာရှ (မြန်မာအပါအဝင်) တွင် လယ်ကွင်းသေးငယ်၊ သီးနှံရောနှော၊ မြေမျက်နှာသွင်ပြင် ကွဲပြားသဖြင့် satellite resolution မလုံလောက်တတ်၊ လယ်သမား၏ လုပ်ဆောင်မှုအလေ့အထလည်း မတူပါ။ ListenField သည် ဂျပန်နှင့် ထိုင်းမှ စတင်သဖြင့် ဤယူဆချက်များကို ထုတ်ကုန်ဒီဇိုင်းအတွင်း တည်ဆောက်ထားပြီး၊ လိုက်လျောညီထွေဖြစ်စေရန် ကုန်ကျစရိတ်နည်းသည်။
သက်ဆိုင်ရာ AI ကိရိယာများ
Motobook
Taiwan's used scooter market at a glance—see the resale value of gas and electric bikes under the sun.
Carbook
Carbook သည် တိုင်ဝမ်အရပ်အလယ်ကားဈေးကွက်ကို တိုင်းတာပြီး "ဤကား၏ တန်ဖိုးက ဘယ်လောက်လဲ" ဆိုသည့် မေးခွန်းကို တိကျသောအရေအတွက်အဖြစ် ပြောင်းလဲပေးသည်။
實價雷達 HouseTW
တရားဝင် အရောင်းအဝယ်မှတ်တမ်း သန်း 3.49 သန်းကို မြေအရည်ပျော်ခြင်း၊ ပြတ်ရွေ့ကြောများနှင့် ရေကြီးအန္တရာယ် မြေပုံများနှင့် ထပ်ပိုးပြသည့် တိုင်ဝမ် အခမဲ့ အိမ်ခြံမြေ ပလပ်ဖောင်း
Perplexity
AI‑powered search with built‑in source citations