DATA LIFECYCLE
一顆番薯，八個資料節點。
從田區與批次，到可重現的判定；每一步都留下資料、版本與責任。
欄位示意：g / mm / 批次 / 規則版本
← 可左右滑動完整圖面 →
AGRI / DATA SCIENCE · 農業數據科學
概念展示｜合成資料｜無模型/API 實連
數據工程 × 統計驗證 × 模型治理
讓每一次分級，都有資料與方法可追溯。
從資料品質、影像熱圖到擬合診斷；每張動畫同步呈現大語言模型讀取資料與生成說明的示意。
01 資料顆粒度
每顆：ID、批次、影像時間、重量、三軸尺寸、影像品質。每批：田區、品種、採收日期與儲存條件。
02 特徵與答案分開
模型輸入是當時可取得的量測與影像；人工等級、瑕疵標註為訓練答案。出貨後的退貨結果用於回顧驗證。
03 重現一次判定
保留原始影像、單位、校正版本、模型版本、規則版本、去向與人工更正原因。
資料紀錄格式示意
{sample_id, batch_id, field_id, captured_at, weight_g, length_mm, width_mm, height_mm, image_quality, defect_score, confidence, model_version, rule_version, route, review_reason}VISION & THERMOGRAPHY
看見特徵，也看清楚熱圖的意義。
並列顯示 RGB 外觀與動態偽彩色圖；模型關注分數與表面溫度，分開解釋。
兩種圖不可互換
← 可左右滑動完整圖面 →
RGB → 分割 → 特徵
物件定位與輪廓分割，再辨識可見裂痕、破皮、形狀等特徵。候選：卷積神經網路（CNN）或影像 Transformer；選型要比較資料與算力。
模型關注區 ≠ 病害證據
本圖為關注圖概念示意，可用 Grad-CAM 等方法協助檢視模型。亮區並非瑕疵機率，也不是物理溫度；需對照原圖與人工標註。
熱感應需要真實感測
紅外線測的是表面輻射相關資訊。量溫需考量放射率、反射溫度、環境與距離；熱區不等同內部腐壞或特定病害。
可見光影像不能直接變成可靠溫度。此頁 °C 僅為合成熱感應畫面；是否導入紅外線／其他光譜設備，須先以樣本驗證增益。
SCREENING & CLASSIFICATION
什麼時候放行，什麼時候交給人？
將視覺特徵、量測與客戶規格組成有優先序的規則；可即時調整示意門檻。
示意門檻，非客戶規格
← 可左右滑動完整圖面 →
本展示使用：有優先序的混合篩選
| 順序 | 方法 | 處置 |
|---|---|---|
| 1 | 缺值／影像品質檢查 | 重取樣或人工複核 |
| 2 | 信心門檻與異常提示 | 不確定就拒絕自動放行 |
| 3 | 表面瑕疵條件 | 暫留，交品管確認 |
| 4 | 重量、尺寸區間與邊界帶 | 符合／另評用途／複核 |
模型比較與探索歸類
監督式基準：先建立規則基準，再比較隨機森林、梯度提升與影像模型的增益。
探索性分群：K-means／DBSCAN 可找相似批次或異常群；群號不是驗收等級。
方法選擇：依誤放、誤攔、複核成本與產線節拍評估；模型信心須另做校準驗證。
可執行示意規則的等價偽代碼
if 資料缺失 or 影像品質不足: 人工複核 elif 信心 < 0.85: 人工複核 elif 瑕疵分數 >= 0.30: 暫留品管 elif 重量或長度在示意邊界帶: 人工複核 elif 200 <= 重量 <= 上限 and 100 <= 長度 <= 上限: 符合通路 else: 轉其他用途評估 # 邊界帶：重量 ±5g、長度 ±2mm；不是量測精度宣稱。 # 所有門檻僅為互動教學；缺陷品不可自動當作可加工品。
FITTING & GENERALIZATION
學會特徵，還是只記住這一批？
比較欠擬合、較佳擬合與過擬合；驗證與最終測試要隔離，避免資料洩漏。
曲線由公式合成，未訓練模型
← 可左右滑動完整圖面 →
欠擬合：兩邊都學不好
訓練與驗證誤差都高。先檢查標註、特徵與資料品質，再評估模型能力及訓練是否足夠。
過擬合：訓練好、驗證變差
可考慮早停、正則化、合理資料增強與簡化模型。這些都用驗證集選擇；最終測試集不能拿來反覆調參。
換季失準不只一種原因
除過擬合，也可能是資料分布漂移、設備變動或標準變更。需按田區、品種、季節分層檢查。
分組切分：同一顆番薯的多角度影像／增強副本不得跨訓練與驗證；依用途再按批次／田區隔離，另留未見產季測試。前處理只在訓練折擬合。曲線顯示的最佳輪次僅屬合成例子。
防止資料洩漏的驗證方法
train, validation, test = 依個體／批次與時間隔離(資料) 前處理.fit(train) # 不用全部資料算標準化或挑特徵 候選模型.fit(前處理.transform(train)) 選模與早停(validation) # 只用驗證資料 凍結模型與規則() 最終評估(test) # 測試集不回流調參 # 回報各級精確率／召回率、誤放、誤攔、複核率與處理量。 # 品種與季節分層；樣本數及不確定性一併報告。
SEASONAL DATA SCIENCE
把農業脈絡接進來，把因果留給證據。
用田區、採收時間、品種與儲存條件連結批次；土壤只是候選解釋之一。
批次 A/B 各 40 顆 · 合成樣本
← 可左右滑動完整圖面 →
連得上，才可分析
土壤檢測與產出資料以田區 ID、採樣／採收日期及批次建立關聯，記錄深度、方法、單位與缺值。
比較差異，控制混淆
同時看品種、採收成熟度、氣象、灌溉與儲存。觀察性關聯不足以證明某種土壤因素造成品質變化。
更新觸發，不自動重訓
先查感測、資料與標註，再由農務／品管／數據團隊確認是否需補樣或重訓；新模型驗證通過才替換。
MLOPS & MODEL SERVICES
資料科學落地，需要工程與持續維護。
產線端、GPU 運算、資料庫與大模型服務分工；模型版本與 token 用量可對帳。
GPU／鏡頭數量與機房條件待勘場
← 可左右滑動完整圖面 →
現場條件與設備
鏡頭、照明、秤重、尺寸感測、輸送觸發；GPU 運算、供電、散熱、防塵及網路。是否獨立機房與設備數量，依勘場定案。
MLOps：模型持續運維
資料與模型版本、測試、受控發布、回復上一版、誤差監控。設備異常與斷網策略先測試；大模型故障不應直接指揮分流。
Token 與服務對帳
模型請求 ID、輸入／輸出 token、重試去重、費率版本與服務期。影像判級、硬體保養與大模型用量分項管理。
團隊分工：專案負責人協調 → 自動化工程整合 → 數據／模型團隊建模 → 品管驗收 → 維護團隊持續支援。合約確認授權、保存期限、匯出、服務範圍及用量計費。
方法來源與示意範圍
資料切分與洩漏：scikit-learn：常見陷阱 · 分組交叉驗證。擬合診斷：TensorFlow：過擬合與欠擬合。熱感應量測條件：FLIR：熱量測參數。
來源支持方法與量測原則；本頁的曲線、像素、規則門檻與 LLM 說明由本地程式合成，不代表來源或客戶的實驗結果。點擊來源連結才會連網。