Модель строится на основе многолетних метеоклиматических данных конкретного хозяйства. Ее цель — выявить закономерности, которые позволят прогнозировать вероятность наступления низких температур.

В основе работы модели лежат методы машинного обучения, которые используют исторические данные для обучения алгоритма распознавать характерные признаки, предшествующие заморозкам. Алгоритм обрабатывает ежедневные климатические показатели, такие как температура воздуха, влажность, атмосферное давление, скорость ветра и другие факторы окружающей среды, чтобы выявить устойчивые связи между ними и реальными случаями возникновения заморозков.

Затем модель классифицирует состояние погодных условий на предстоящий период: «заморозки ожидаются» или «заморозков не ожидается». Этот процесс осуществляется путем сопоставления текущих значений климатических переменных с ранее изученными образцами, которые были сформированы в процессе обучения системы.

Таким образом, с помощью модели возвратных заморозков можно эффективно спланировать мероприятия по защите и минимизации последствий низких температур, что значительно снизит риски потери урожая.

В основе чат-бота Ceres GPT лежат классические учебные материалы по энологии, включая научные статьи и руководства по виноградарству и виноделию. Материалы были тщательно структурированы и обработаны для создания базы знаний, на которой строится модель.

Ceres GPT способен анализировать запросы пользователей, выделяя ключевые слова и контекст, что позволяет генерировать релевантные ответы. Кроме того, чат-бот может быть интегрирован в личный кабинет пользователя Ceres PRO и способен учитывать особенности конкретного хозяйства, такие как климат, тип почвы и сорт выращиваемого винограда. Это дает возможность получать персонализированные рекомендации, направленные на оптимизацию процессов ухода за растениями и повышение качества урожая.