تطوير وتقييم أنظمة الإجابة على الأسئلة الزراعية المعتمدة على نماذج لغوية كبيرة

إجابات ذكية لإنتاج الغذاء

يتخذ المزارعون والخبراء الزراعيون قرارات يومية حول ما يزرعونه، وكيف يرشون المياه، وكيف يحمون المحاصيل. الحصول على نصيحة جيدة بسرعة يمكن أن يصنع الفارق بين محصول سليم وخسارة مكلفة. تستكشف هذه المقالة كيف يمكن لأدوات الذكاء الاصطناعي الحديثة، المسماة نماذج لغوية كبيرة، أن تُشَغّل أنظمة للإجابة على الأسئلة في المجال الزراعي، محوِّلة الأسئلة بصيغة اللغة العادية إلى إرشادات عملية للميدان.

لماذا تحتاج المزارع إلى مساعدة رقمية أفضل

أصبحت الزراعة أكثر اعتمادًا على البيانات، من صور الأقمار الصناعية إلى حساسات التربة. ومع ذلك لا يزال العديد من الخبراء والفنيين يواجهون صعوبة في الوصول إلى معلومات موثوقة وسهلة الفهم عند حاجتهم إليها. غالبًا ما تتطلب أنظمة الذكاء الاصطناعي التقليدية مجموعات بيانات معنونة كبيرة وحواسيب قوية ومبرمجين متخصصين. بالمقابل، يمكن للنماذج اللغوية الكبيرة—المدرَّبة على مجموعات نصية ضخمة—الإجابة عن الأسئلة، وتلخيص المعلومات، والتفكير في المشكلات ببيانات مهمة أقل تخصصًا. هذا يجعلها أدوات جذابة للمزارعين والمستشارين وخدمات الإرشاد التي تحتاج إلى دعم سريع ومنخفض التكلفة.

بناء آلة للإجابة على الأسئلة الزراعية

لمعرفة مدى فعالية هذه النماذج عمليًا، أنشأ المؤلفون نظام إجابة زراعيًا أسموه AgriQAs. جمعوا 90 سؤال اختيار من متعدد من مصادر زراعية موثوقة، تغطي ثلاث مجالات: الزراعة العامة، والبستنة، وإنتاج المحاصيل. تضمن كل موضوع أسئلة سهلة ومتوسطة وصعبة، تتدرج من تعريفات بسيطة إلى مسائل تتطلب عدة خطوات من التفكير. اختُبِرت نماذج لغوية رائدة: واحدة من OpenAI (GPT‑4o) وأخرى من Google (Gemini‑2.0‑flash). لكل سؤال، كان على كلا النموذجين اختيار الخيار الصحيح من بين أربعة، كما يفعل الإنسان في امتحان.

تعليم الذكاء الاصطناعي التفكير في مشكلات المزرعة

طرح سؤال على النموذج وحده لا يضمن دائمًا أفضل إجابة. طريقة صياغة السؤال—المعروفة باسم «المطالبة»—يمكن أن تؤثر بشدة على النتيجة. قارن الباحثون أربعة أساليب للمطالبات. في الأبسط، المسمى Zero‑Shot، يُعطى النموذج السؤال فقط ويُطلب منه اختيار خيار. في Chain‑of‑Thought، طُلب منه إظهار التفكير خطوة بخطوة. في Self‑Consistency طلبوا من النموذج توليد عدة سلاسل منطقية ثم اختيار الإجابة الأكثر اتساقًا. أما Tree‑of‑Thought فشجّع النموذج على استكشاف عدة مسارات حل قبل اتخاذ القرار. كما استخدم الفريق أداة تلقائية لهندسة المطالبات لتحسين صياغة التعليمات، مما عزّز «دور» النموذج كخبير زراعي ووضّح كيفية التفكير المطلوب منه.

كيف أدّى المستشارون الآليون؟

على مستوى جميع الأسئلة، أدّت النماذج جيدًا إلى حدّ ما، لكن الأداء كان يعتمد بقوة على أسلوب المطالبة. حقق GPT‑4o دقّة تقارب بين 85% و95%، بينما تراوحت Gemini‑2.0‑flash بين نحو 75% و88%. جاءت أضعف النتائج لكلا النموذجين من أسلوب Zero‑Shot البسيط، الذي يوفر إرشادًا ضئيلاً حول كيفية التفكير. أفضل النتائج اعتمدت على تفكير أكثر بنية: أعطى Self‑Consistency أفضل الدرجات لـ GPT‑4o، بينما نجح Tree‑of‑Thought أفضل لـ Gemini‑2.0‑flash. كانت الأخطاء أكثر شيوعًا في أصعب الأسئلة وفي فئة إنتاج المحاصيل، التي تتطلب غالبًا قرارات تفصيلية متعددة الخطوات. تجاوز المؤلفون المتوسطات البسيطة، مستخدمين اختبارات إحصائية رسمية لتأكيد أن الفروق بين أساليب المطالبة والنماذج حقيقية وليست محض صدفة.

ماذا يعني هذا لمستقبل الزراعة

بالنسبة لغير المتخصصين، الرسالة الأساسية أن «كيفية السؤال» تهم تقريبًا بقدر «من تسأل» عند العمل مع الذكاء الاصطناعي. مع مطالبات مُصمَمة بعناية، تستطيع النماذج اللغوية الكبيرة أن تكون مساعدين أقوياء للمهندسين والفنيين الزراعيين، مقدمة نصائح سريعة ودقيقة إلى حد معقول دون الحاجة لتدريب مخصص على كل مشكلة جديدة. يؤكد المؤلفون، مع ذلك، على ضرورة استخدام هذه الأنظمة بمسؤولية: فقد تقود الإجابات المتحيزة أو الخاطئة المزارعين إلى قرارات مضلِّلة وتسبب خسائر اقتصادية. ومع إضافة بيانات إقليمية، ومعلومات من الحساسات، وإرشاد أوضح من خبراء بشريين في الأعمال المستقبلية، يمكن لأدوات مثل AgriQAs أن تصبح رفيقًا يوميًّا في الزراعة المستدامة عالية التقنية—مساعدة المزارعين على اتخاذ قرارات أفضل مع الحفاظ على الموارد.

الاستشهاد: Eldem, A., Eldem, H. The development and evaluation of agricultural question-answering systems based on large language models. Sci Rep 16, 5357 (2026). https://doi.org/10.1038/s41598-026-35003-9

الكلمات المفتاحية: الذكاء الاصطناعي الزراعي, الإجابة عن الأسئلة, نماذج لغوية كبيرة, تصميم المطالبات, الزراعة الرقمية