Opracowanie i ocena systemów odpowiadania na pytania rolnicze opartych na dużych modelach językowych

Inteligentne odpowiedzi na potrzeby upraw

Rolnicy i specjaliści rolnictwa podejmują codziennie decyzje dotyczące tego, co siać, jak podlewać oraz jak chronić plony. Szybkie otrzymanie dobrej porady może przesądzić o tym, czy plon będzie zdrowy, czy zakończy się kosztowną porażką. W artykule opisano, jak nowoczesne narzędzia AI zwane dużymi modelami językowymi mogą zasilać systemy pytanie‑odpowiedź dla rolnictwa, przekształcając pytania w języku potocznym w praktyczne wskazówki dla pola.

Dlaczego gospodarstwa potrzebują lepszej pomocy cyfrowej

Rolnictwo staje się coraz bardziej oparte na danych — od zdjęć satelitarnych po czujniki glebowe. Mimo to wielu ekspertów i techników nadal ma trudności z dostępem do rzetelnych, zrozumiałych informacji wtedy, gdy ich potrzebuje. Tradycyjne systemy AI często wymagają ogromnych zbiorów oznaczonych danych, wydajnych komputerów i specjalistycznych programistów. W przeciwieństwie do nich duże modele językowe — trenowane na rozległych kolekcjach tekstów — potrafią odpowiadać na pytania, streszczać informacje i rozumować nad problemami przy znacznie mniejszej ilości danych specyficznych dla zadania. To sprawia, że są atrakcyjnymi narzędziami dla rolników, doradców i służb doradczych, które potrzebują szybkiego, niskokosztowego wsparcia.

Budowa rolniczego systemu odpowiadającego

Aby sprawdzić, jak dobrze te modele sprawdzają się w praktyce, autorzy stworzyli system odpowiadania na pytania rolnicze nazwany AgriQAs. Zebrali 90 pytań wielokrotnego wyboru z wiarygodnych źródeł rolniczych, obejmujących trzy obszary: rolnictwo ogólne, ogrodnictwo i produkcję roślinną. Każdy temat zawierał pytania łatwe, średnie i trudne — od prostych definicji po problemy wymagające kilku etapów rozumowania. Przetestowano dwa wiodące modele językowe: jeden od OpenAI (GPT‑4o) i jeden od Google (Gemini‑2.0‑flash). Dla każdego pytania oba modele musiały wybrać poprawną opcję spośród czterech odpowiedzi, tak jak człowiek zdający egzamin.

Nauczanie AI rozwiązywania problemów gospodarstwa

Samodzielne zadanie pytania modelowi nie zawsze prowadzi do najlepszego wyniku. Sposób sformułowania pytania — „prompt” — może silnie wpływać na odpowiedź. Badacze porównali cztery style promptowania. W najprostszej metodzie, zwanej Zero‑Shot, model otrzymywał tylko pytanie i polecenie wyboru opcji. W Chain‑of‑Thought proszono go o pokazanie rozumowania krok po kroku. Self‑Consistency polegało na wygenerowaniu kilku linii rozumowania i wybraniu najbardziej spójnej odpowiedzi. Tree‑of‑Thought zachęcało model do eksploracji kilku różnych ścieżek rozwiązania przed podjęciem decyzji. Zespół użył też automatycznego narzędzia do inżynierii promptów, aby dopracować sformułowanie instrukcji, wzmocnić „rolę” modelu jako eksperta rolniczego i doprecyzować sposób, w jaki ma rozumować.

Jak dobrze poradziły sobie doradcy AI?

We wszystkich pytaniach oba modele wypadły zaskakująco dobrze, ale wyniki w dużym stopniu zależały od sposobu promptowania. GPT‑4o osiągał dokładność w granicach około 85%–95%, podczas gdy Gemini‑2.0‑flash mieścił się w przedziale około 75%–88%. Najsłabsze rezultaty dla obu modeli pochodziły z prostego stylu Zero‑Shot, który daje mało wskazówek dotyczących rozumowania. Najlepsze wyniki uzyskano przy bardziej ustrukturyzowanym myśleniu: Self‑Consistency dał GPT‑4o najwyższe wyniki, a Tree‑of‑Thought sprawdził się najlepiej dla Gemini‑2.0‑flash. Błędy występowały najczęściej przy najtrudniejszych pytaniach oraz w kategorii produkcji roślinnej, która często wymaga szczegółowych, wieloetapowych decyzji. Autorzy poszli dalej niż proste średnie, stosując formalne testy statystyczne, aby potwierdzić, że różnice między metodami promptowania i modelami były rzeczywiste, a nie przypadkowe.

Co to oznacza dla przyszłego rolnictwa

Dla osób spoza specjalizacji kluczowy wniosek jest taki, że „jak pytasz” ma prawie takie samo znaczenie jak „kogo pytasz” przy pracy z AI. Przy starannie zaprojektowanych promptach duże modele językowe mogą służyć jako potężni asystenci dla inżynierów rolnictwa i techników, oferując szybkie, stosunkowo dokładne porady bez konieczności indywidualnego trenowania na każdy nowy problem. Autorzy podkreślają jednak, że systemy te muszą być używane odpowiedzialnie: tendencyjne lub nieprawidłowe odpowiedzi mogą wprowadzić rolników w błąd i spowodować straty ekonomiczne. W miarę jak przyszłe prace będą dodawać dane regionalne, informacje z czujników i jaśniejsze wskazówki od ekspertów, narzędzia takie jak AgriQAs mogą stać się codziennymi towarzyszami w zrównoważonym, wysokotechnologicznym rolnictwie — pomagając producentom podejmować lepsze decyzje przy jednoczesnej ochronie zasobów.

Cytowanie: 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

Słowa kluczowe: rolnicza sztuczna inteligencja, odpowiadanie na pytania, duże modele językowe, inżynieria promptów, rolnictwo cyfrowe