Tussen termijn - deel 2

In het vorige deel heb ik de actoren overlopen van de oplossingsarchitectuur van mijn project en kort getoetst op het systeem. In dit deel ga ik alle onderdelen van het systeem kort overlopen en ga ik in een andere blogpost een aantal onderdelen verder uitdiepen. Ik voeg uit gemak ook het schema toe dat ik in de vorige blogpost heb getoond zodat de overzicht behouden wordt. 

Figuur 1: De Oplossingsarchitectuur

Knowledge Base

De eerste functionele component van het systeem dat ik overloop is de "Knowledge Base". Dit component is in principe een woordenboek dat alle plant ziektes bevat dat het systeem ondersteunt, en hun remediërings advies. Dit woordenboek wordt gebruikt om het systeem te voorzien van relevante data, zodat het systeem deze data op zijn beurt kan presenteren aan de eind gebruiker in het geval dat de gebruiker die specifieke informatie nodig heeft. Ook word dit woordenboek samengesteld door betrouwbare kennis bronnen, (zie blogpost deel 1) Dit functioneel component is niet onderdeel van mijn project scope net als de kennis bronnen van mijn vorige blogpost voor de zelfde redenen. Maar voor mijn project ga ik deze wel met voorbeeld data vullen en is deze onderdelen van mijn systeem database.

AI Diagnosis Engine

Dit functioneel component is een high-level representatie van meerdere kleine componenten die ik in de volgende blogpost verder toelicht. AIDE (AI-diagnose-engine) stelt het AI-component van dit project voor.  Dit onderdeel is verantwoordelijk voor het analyseren van afbeeldingen van planten die door de eindgebruiker zijn verzonden. Deze berichten worden behandeld als analyseverzoeken van de eindgebruiker in hun interactie met AIDE. AIDE communiceert met de rest van het systeem via de database, door gebruik te maken van REST API calls en de database te raadplegen voor nieuwe analyseverzoeken. Vervolgens worden deze aanvragen verwerkt en wordt een log gemaakt van de gedetecteerde classificaties. Deze classificaties hebben elk hun eigen waarschijnlijkheid, die aangeeft hoe waarschijnlijk AIDE hun nauwkeurigheid schat. De precisie in dit proces hangt sterk af van hoe goed de computer-vision AI die gebruikt word door dit systeem, is getraind. Dit hangt grotendeels af van de hoeveelheid en de kwaliteit van de data die worden gebruikt om het te trainen.

Interactieplatform

De volgende component die ik zal verduidelijken is het "Interactieplatform". Dit functionele component vertegenwoordigt het medium via welke de eindgebruiker met het systeem zal communiceren. Mijn architectuur is zo gemaakt dat eender welk soort digitaal medium met het systeem zou kunnen communiceren. In mijn implementatie is dit medium een mobiele applicatie genaamd "PlantCare", deze is ontwikkeld tijdens de implementatiefase van mijn thesis. Dit medium communiceert op dezelfde manier met de rest van het systeem als AIDE, via REST API-aanroepen naar de database. Wanneer een gebruiker het systeem wil gebruiken hoeft hij/zij enkel een foto van de plant voor het medium te voorzien en deze voert een analyseverzoek in de database in. Hierna zal AIDE dit verzoek lezen en de resultaten terugsturen naar het medium. Na deze reactie zal het medium deze resultaten voorleggen aan de gebruiker.

Database

Eerder besproken