Farm4Cloud Agritech Assistant - Qwen3 LoRA
Farm4Cloud Agritech Assistant è un modello in italiano creato da Luigi Iervasi - ierva.it.
fine-tuned tramite LoRA/QLoRA, pensato per supportare attività di agricoltura digitale, sensori IoT, GIS, gestione documentale, alert, dashboard e analisi tecnica per aziende agricole.
Base model
- Base model:
Qwen/Qwen3-0.6B
- Fine-tuning: LoRA/QLoRA
- Lingua principale: italiano
Intended use
Il modello è pensato per:
- supporto tecnico su sensori IoT agricoli;
- descrizione e progettazione di dashboard agritech;
- supporto alla gestione di appezzamenti GIS;
- spiegazione di alert e anomalie;
- supporto alla documentazione tecnica;
- generazione di bozze operative per piattaforme agricole.
Out-of-scope use
Il modello non deve essere usato per:
- sostituire agronomi, tecnici abilitati o consulenti normativi;
- prendere decisioni operative critiche senza validazione umana;
- trattare dati personali o sensibili non autorizzati;
- generare prescrizioni agronomiche vincolanti;
- fornire consulenza legale, sanitaria o finanziaria.
Limitations
Il modello può produrre errori, omissioni o informazioni non aggiornate. Le risposte devono essere verificate da personale competente, soprattutto in caso di trattamenti, irrigazione, sicurezza alimentare, adempimenti normativi o decisioni economicamente rilevanti.
Training data
Il training è stato eseguito su esempi conversazionali in italiano relativi a:
- sensori IoT;
- GIS;
- documenti;
- RAG;
- dashboard;
- alert;
- meteo;
- gestione attività agricole;
- architettura software per piattaforme agritech.
Training procedure
Esempio di comando:
1accelerate launch --config_file configs/accelerate_single_gpu.yaml scripts/train_lora.py \
2 --base_model Qwen/Qwen3-0.6B \
3 --train_file dataset/train.jsonl \
4 --validation_file dataset/validation.jsonl \
5 --output_dir output/farm4cloud-qwen3-lora \
6 --epochs 3 \
7 --learning_rate 2e-4 \
8 --max_length 2048 \
9 --qlora
Evaluation
La valutazione consigliata include:
- accuratezza tecnica;
- coerenza;
- utilità operativa;
- capacità di dichiarare incertezza;
- assenza di dati inventati;
- rispetto del tono professionale;
- sicurezza su dati personali e segreti.
Safety
Prima della pubblicazione il dataset deve essere controllato per rimuovere:
- token API;
- password;
- email personali;
- documenti riservati;
- dati dei clienti;
- dati personali;
- contenuti non autorizzati.
Example
1from transformers import AutoModelForCausalLM, AutoTokenizer
2from peft import PeftModel
3
4base_model = "Qwen/Qwen3-0.6B"
5adapter = "tuo-username/farm4cloud-agritech-qwen3-lora"
6
7tokenizer = AutoTokenizer.from_pretrained(base_model)
8model = AutoModelForCausalLM.from_pretrained(base_model, device_map="auto")
9model = PeftModel.from_pretrained(model, adapter)
Disclaimer
Questo modello è fornito a scopo sperimentale e dimostrativo. L'utilizzo in produzione richiede valutazione tecnica, validazione di dominio, controlli di sicurezza e revisione legale/licenze.
