Jak zbudowaliśmy ShroomCast

Jak wybraliśmy model uczenia maszynowego, na którym opiera się twoja prognoza. Kulisy: ponad 15 modeli, 4000 obserwacji kurek z hrabstwa Mayo i uczciwy egzamin w 2025 roku.

W 2021 roku szczyt kurek w Irlandii przypadł na wrzesień. W 2025 roku szczyt był w lipcu. Dwa miesiące różnicy, ten sam gatunek, ten sam kraj. Kalendarz nie zawsze się zgadza, pogoda zmienia się z roku na rok, a zeszłoroczne notatki nie zawsze się powtarzają. W hrabstwie Mayo nasz zespół zebrał przez sześć lat ponad 4000 zweryfikowanych obserwacji kurek, a w 2025 roku poddaliśmy na tych danych 15 różnych modeli ML uczciwemu egzaminowi. Ten artykuł opowiada, jak je porównaliśmy, który wygrał i dlaczego to właśnie z niego korzystasz teraz w ShroomCast.

Las to nie kalendarz. Spójrz na obserwacje kurek w Irlandii z ostatnich 7 sezonów na jednym wykresie:

Kto w 2021 roku pojechałby do lasu w lipcu, znalazłby tylko mech. Kto w 2025 roku czekałby na wrzesień, minąłby szczyt o sześć tygodni. To nie jednorazowa anomalia, tylko norma: temperatura, opady, wilgotność gleby, typ lasu, cykle księżyca, każdy z tych czynników przesuwa owocnikowanie o dni i tygodnie, a razem potrafią przeciągnąć szczyt sezonu z lipca na wrzesień i z powrotem.

Dlatego grzybiarze od wieków działają „na czuja”, według słabo uchwytnych znaków w rodzaju „po burzy, za cztery dni, idź do dębiny”. W niektórych lasach i sezonach to działa. W skali kraju i całego roku to loteria.

Z danymi problem staje się rozwiązywalny. Jeśli masz tysiące rzeczywiście odnotowanych wysypów w jednym regionie, powiązanych z pogodą z tamtych dni, możesz znaleźć w tych danych prawidłowości i przewidzieć kolejny wysyp. Właśnie ten problem rozwiązuje ShroomCast.

Stan na dzień tego wydania:

• Ponad 1 mln zweryfikowanych obserwacji grzybów od 2019 roku.
• Ponad 360 regionów objętych modelem.
• Ponad 7 lat danych pogodowych dla każdego z tych regionów.
• 14 gatunków modelowanych osobno (kurka, prawdziwek, smardz, rydz, podgrzybek, opieńka i inne).

Źródła zbieramy zawsze w ten sam sposób: publiczne bazy obserwacji oraz własne zapiski terenowe naszego zespołu i sprawdzone źródła, z którymi współpracujemy bezpośrednio. Każdy rekord to nie tylko „znalezione tego dnia”, ale trójka (region, gatunek, data) plus pełny kontekst pogody i gleby z okolic tego dnia.

Każdy gatunek w każdym regionie modelujemy osobno. Kurka ma swoje czynniki wyzwalające, smardz swoje, prawdziwek swoje. W ramach jednego modelu patrzymy na pięć grup cech:

1. Pogoda: temperatura powietrza, opady, wilgotność, ciśnienie atmosferyczne, zachmurzenie.
2. Gleba: temperatura gleby, wilgotność gleby, skład.
3. Las: typ (iglasty, liściasty, mieszany), wysokość n.p.m., lokalny mikroklimat.
4. Cykle naturalne: fazy księżyca, rytm sezonowy, okna owocnikowania właściwe dla gatunku.
5. Dynamika historyczna: co działo się w tym regionie z tym gatunkiem w poprzednich latach w podobnych warunkach.

Żeby pokazać, jak wybieramy model, weźmy jeden region i jeden gatunek. Mayo to idealny poligon z kilku powodów: duża pula obserwacji z wielu lat (ponad 4000 dla samej kurki), a do tego uzupełniliśmy zbiór danymi o kurkach z całej Irlandii jako tło.

Lata 2019-2024 były naszym okresem treningowym. Modele „uczyły się” na tych sześciu sezonach: jakie połączenia pogody i gleby poprzedzały rzeczywiste wysypy, a jakie nie. Rok 2025 zostawiliśmy nietknięty. To przyszłość, której żaden model nie widział podczas treningu.

Każdy punkt na powyższym wykresie to albo znalezisko naszego zespołu, albo zweryfikowana obserwacja ze sprawdzonych źródeł, z którymi współpracujemy. Żadnych danych wywnioskowanych. Tylko to, co człowiek naprawdę zobaczył i zapisał.

Tego większość użytkowników nigdy nie widzi: przetarg między modelami.

Uruchomiliśmy ponad 15 różnych architektur ML. Ich nazwy są mniej ważne niż samo podejście: każdy model patrzył na te same dane i musiał nauczyć się przewidywać prawdopodobieństwo owocnikowania kurek w Mayo dla każdego tygodnia 2025 roku. W ramach każdej architektury sprawdziliśmy dziesiątki wariantów: różne horyzonty cech, różne strategie regularyzacji, różne sposoby kodowania sezonowości.

Główna zasada wyboru: model oceniano nie po tym, jak dobrze pamięta stare dane (to potrafi każda przeuczona konstrukcja), ale po tym, jak trafnie przewidział rok 2025, którego nie widział podczas treningu. To jest uczciwy egzamin.

Powyższy wykres pokazuje ten sam zbiór rzeczywistych obserwacji z 2025 roku z nałożonymi prognozami dwóch modeli finałowych. Niebieska linia (ML Model 1) czysto odwzorowuje prawdziwe wysypy: łapie początek sezonu, nie przegapia sierpniowego szczytu i poprawnie opada przez październik. Drugi wariant albo się spóźnia, albo zawyża intensywność w „cichych” tygodniach.

Na oko różnica wydaje się niewielka, ale w praktyce jest ogromna. Jedna zbędna prognoza „Znakomita” w tygodniu bez grzybów kosztuje cię zmarnowany dzień i bak paliwa. Przegapiony szczyt kosztuje cię sezon. Wygrał więc model, który średnio najrzadziej wprowadzał użytkownika w błąd w 2025 roku.

Tę samą procedurę przeprowadziliśmy dla każdego gatunku i każdego z ponad 360 regionów. Nie wszędzie wygrała ta sama architektura. W regionach z uboższą bazą obserwacji wygrywały modele ostrożniejsze, w gęstych regionach prowadziły warianty bardziej czułe. Ostateczny system produkcyjny składa się z tych lokalnie najlepszych wyborów.

Zwycięskie modele działają produkcyjnie i liczą prognozę na 14 dni dla każdego gatunku w twoim regionie. Cztery razy dziennie system pobiera świeżą pogodę, aktualizuje cechy, uruchamia model i publikuje wynik. Widzisz go jako skalę kolorów:

• 0-20% Bardzo niska (fiolet, nie dziś)
• 20-40% Niska (niebieski, prawie bez szans)
• 40-60% Średnia (zielony, warto sprawdzić swoje stałe miejsca)
• 60-80% Wysoka (żółty, warunki są dobre)
• 80-100% Znakomita (pomarańczowy, bierz koszyk)

Wszystko, co wyszło z tysięcy godzin trenowania modeli, to pięć kolorów i jedna liczba na dzień. I tak ma być. Złożony model, prosta odpowiedź.

Przejrzystość jest częścią produktu. Nie każdy region ma równie gęste dane i nie ukrywamy tego.

Najmocniej: Wielka Brytania i Irlandia. Tu mamy największą gęstość obserwacji i najdłuższe serie dla poszczególnych gatunków. Mayo powyżej pokazuje, jak wygląda dobrze nasycony region.

Solidnie: południowa połowa Szwecji (Götaland i większość Svealandu). Niedawno rozszerzyliśmy tu pokrycie i już dostajemy stabilny sygnał.

Słabiej: północna Szwecja (Norrland), zwłaszcza subarktyczny Norrbotten. Okna owocnikowania są krótsze, obserwacji mniej. Model nadal działa, ale przedział niepewności jest szerszy. Mówimy o tym w aplikacji otwarcie: tam, gdzie danych jest mało, prognoza jest ostrożniejsza.

To nie wada, tylko natura tego problemu. Więcej danych, trafniejsze odpowiedzi. Co sezon dodajemy nowe obserwacje i ponownie kalibrujemy modele.

Jedna techniczna kwestia, która regularnie wraca. ShroomCast celowo nie pokazuje prognoz dla konkretnych punktów na mapie. Tylko dla regionów (dziesiątki kilometrów kwadratowych).

Powód nie jest techniczny. Gdyby aplikacja mówiła „na tej polanie, 50 metrów na północ od tego zakrętu, jest dziś 92% szans na kurki”, tydzień później tej polany by już nie było. Lasy nie przetrwają najazdów według współrzędnych. Dlatego pracujemy na poziomie regionów, a własne miejscówki zostawiamy grzybiarzom.

ShroomCast nie zapisuje twoich lokalizacji. Nie pamięta, gdzie chodzisz. Nie buduje twojej osobistej mapy. Tak to zaprojektowaliśmy, to nie przeoczenie.

Obecnie pokrycie obejmuje Irlandię, Wielką Brytanię, Szwecję, Francję i Niemcy. W kolejnym wydaniu dojdą Holandia, Belgia i Szwajcaria. Nowe gatunki dodajemy, gdy baza obserwacji urośnie na tyle, żeby je udźwignąć (co najmniej kilka tysięcy zweryfikowanych obserwacji na region, inaczej model nie ma sensu).

W każdym nowym sezonie powtarzamy ten sam egzamin, co dla Mayo: trenujemy na minionych latach, testujemy na bieżącym i wybieramy zwycięzców. To nie jednorazowe wdrożenie modelu, tylko ciągła kalibracja.

Prognozowanie grzybów to nie magia ani zgadywanie. To próba widzenia lasu lepiej niż kalendarz i intuicja razem wzięte, przy uczciwym mówieniu użytkownikowi, gdzie model jest pewny, a gdzie nie.

Robimy to, bo sami jesteśmy grzybiarzami. Każdy w zespole stracił co najmniej jeden dzień w sezonie w pustym lesie, a ten produkt powstał po to, żeby przestać tracić takie dni. Jeśli ten ból jest ci znajomy, sprawdź prognozę dla swojego regionu.