ierva/farm4cloud-agritech-qwen3-lora

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:

accelerate launch --config_file configs/accelerate_single_gpu.yaml scripts/train_lora.py \
  --base_model Qwen/Qwen3-0.6B \
  --train_file dataset/train.jsonl \
  --validation_file dataset/validation.jsonl \
  --output_dir output/farm4cloud-qwen3-lora \
  --epochs 3 \
  --learning_rate 2e-4 \
  --max_length 2048 \
  --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

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base_model = "Qwen/Qwen3-0.6B"
adapter = "tuo-username/farm4cloud-agritech-qwen3-lora"

tokenizer = AutoTokenizer.from_pretrained(base_model)
model = AutoModelForCausalLM.from_pretrained(base_model, device_map="auto")
model = 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.