SYSTEMS AND METHODS FOR ACCELERATE SPEED TO MARKET FOR IMPROVED PLANT-BASED PRODUCTS

A computer-based method for training and subsequently applying a machine-learning (ML) model to accelerate development of improved plant-based products comprising: (a) collecting into a database seed data including at least parentage information with genetics; (b) training a first ML model based on seed data collected for each data type for each seed variety; (c) establishing a functional specification for the plant-based product; (d) extracting plant traits needed to meet the functional specification; (e) inputting those plant traits into the trained first ML model to generate a predictive breeding crosses list ranked on probability that a progeny of a cross will substantially conform to one or more of those plant traits; (f) collecting data from the progeny planted based on the crosses list; and (g) comparing the collected progeny data to corresponding predictions made by the first ML model toward determining next action recommended by the first ML model. L'invention concerne un procédé informatique d'entraînement et d'application ultérieure d'un modèle d'apprentissage automatique (ML) pour accélérer le développement de produits végétaux améliorés, le procédé comprenant les étapes consistant à : (a) collecter dans une base de données des données de départ comprenant au moins des informations de parenté avec une génétique ; (b) entraîner un premier modèle ML sur la base de données de départ collectées pour chaque type de données pour chaque variété de graines ; (c) établir une spécification fonctionnelle pour le produit végétal ; (d) extraire des caractéristiques de plante nécessaires pour satisfaire la spécification fonctionnelle ; (e) entrer lesdites caractéristiques de plante dans le premier modèle ML entraîné pour générer une liste de croisement prédictive classée selon la probabilité qu'une descendance d'un croisement soit sensiblement conforme à une ou à plusieurs de ces caractéristiques de plante ; (f) collecter des données à partir de la descendance plantée sur la base de la liste de croisement ; et (g) comparer les données de descendance collectées à des prédictions correspondantes effectuées par le premier modèle ML vers la détermination d'une action suivante recommandée par le premier modèle ML.