1. Mở đầu (Story‑based)
⚡ Câu chuyện của anh Hùng – “Bình minh chưa thắm”
Anh Hùng là nông dân trồng lúa ở miền Bắc, đồng ruộng của anh nối liền với những thửa ruộng lân cận. Mỗi sáng, anh xuất hiện bên bờ ao, lấy sợi vải trắng vẽ lại những “vết chấm” trên lá lúa: “Có sâu? Có bòn? Có mưa?”. Đến cuối vụ, kết quả lại không đồng nhất – một phần ruộng cho năng suất 5,5 tấn/ha, còn phần còn lại chỉ 2,8 tấn/ha. Khi hỏi lý do, anh Hùng thú vị nói:
“Mình ghi chép nhưng lúc nào cũng quên, ngày mưa mình không nhắc lại, còn ngày không mưa thì lại viết ‘không có gì’”.
Sai lầm ấy không chỉ làm anh mất hàng triệu đồng, mà còn khiến anh không biết thời điểm nào cần bón phân, phun thuốc, hay thay đổi hệ thống tưới.
👉 Giải pháp: Xây dựng thói quen ghi chép chính xác và đào tạo để dữ liệu thu thập được “sạch”, đồng nhất, từ đó dùng AI phân tích ngay trên điện thoại.
2. Giải thích cực dễ hiểu
CHỦ ĐỀ này là gì?
“Đào tạo nông dân và cán bộ thu thập dữ liệu chất lượng cao” nghĩa là: dạy mọi người cách ghi lại thông tin (thời tiết, sâu bệnh, lượng nước, bón phân…) một cách chuẩn sao cho sau này máy tính có thể “đọc” và “hiểu” được.
Nó giúp gì cho túi tiền của bà con?
| Trước khi áp dụng | Sau khi áp dụng |
|---|---|
| Dữ liệu lộn xộn → Không biết khi nào cần bón. | Dữ liệu sạch → Khi nào bón, bón bao nhiêu, giảm 15 % phân bón. |
| Lỡ mất ngày nước → Lũ hoặc héo. | Quản lý tưới tự động → giảm 20 % chi phí nước. |
| Phòng trừ sâu bệnh dựa vào cảm tính → Rủi ro cao. | Dự báo sâu bệnh dựa trên dữ liệu → giảm 30 % thuốc bảo vệ thực vật. |
So sánh: Thay vì “đánh động hồ” (đoán, cảm tính) → Sử dụng “đo‑đạc thực tế” như đo nhiệt độ, độ ẩm, số côn trùng. Tưởng tượng cô nông dân như một bác sĩ: thay vì chỉ dựa vào cảm giác “bệnh nhân có sốt”, cô đo nhiệt độ, đánh chỉ số huyết áp – kết quả chắc chắn hơn.
3. Cách hoạt động (Thực hành AI)
3.1. Cơ chế dựa trên KHÍA CẠNH PHÂN TÍCH
- Thu thập dữ liệu →
field data(thời tiết, lượng mưa, dấu hiệu sâu bệnh, lượng phân bón). - Chuẩn hoá dữ liệu → chuyển sang dạng số (ví dụ: “vết sâu” = 3/đợt, “độ ẩm đất” = 23 %).
- Phân tích AI → mô hình học máy so sánh lịch sử và dự báo hành động cần thiết.
👉 Hình ảnh ASCII (quy trình tổng thể)
+-------------------+ +-------------------+ +-------------------+
| 1. Thu thập | ---> | 2. Chuẩn hoá | ---> | 3. Phân tích AI |
| (Serimi App) | | (Excel/Cloud) | | (Server AI LLM)|
+-------------------+ +-------------------+ +-------------------+
| | |
v v v
Dữ liệu sạch Dữ liệu đồng Hướng
(số, thời gian) nhất khuyến
cáo
3.2. Hướng dẫn thực hành (CASE STUDY: Chương trình đào tạo tại địa phương)
Bước 1: Cài đặt Serimi App trên điện thoại
- Mở Google Play/App Store, tìm “Serimi App”.
- Tải về, đăng ký tài khoản “nông dân”.
Bước 2: Thiết lập mẫu ghi chép
- Vào “Mẫu dữ liệu” → “Thêm mới”.
- Chọn “Thời tiết”, “Độ ẩm đất”, “Sâu bệnh” (các mục cơ bản).
- Đánh dấu “Bắt buộc nhập” để không bỏ sót thông tin.
Bước 3: Ghi chép hàng ngày
- Mở Serimi App, chọn “Nhập dữ liệu hôm nay”.
- Nhập nhiệt độ (°C), độ ẩm (%), có sâu không (Có/Không), lượng nước tưới (lít/ha).
- Nhấn “Lưu & Sync” để đồng bộ lên đám mây (Server AI LLM).
Bước 4: Kiểm tra dữ liệu sạch (Data Cleaning)
# Trên máy tính hoặc laptop, mở Terminal (hoặc CMD) và chạy:
curl -X POST https://esgllm.io.vn/api/clean \
-d '{"field":"Serimi","date":"2024-04-27"}' \
-H "Authorization: Bearer <API_KEY>"
Kết quả sẽ trả về một tệp CSV đã loại bỏ lỗi nhập sai (ví dụ: “30c” → “30°C”).
B Phân tích AI – Dự báo bón phân
“`bash
curl -X POST https://esgllm.io.vn/api/predict \
-d ‘{“data_file”:”cleaned.csv”,”model”:”fertilizer_opt”}T + AI môi trường**. |
| Quảng Ninh | Tôm, cá | IoT giám sát chất lượng nước, AI đề xuất bón dinh dưỡng. |
