Разработка и оценка систем вопросов и ответов для сельского хозяйства на основе крупных языковых моделей

Умные ответы для выращивания продовольствия

Фермеры и аграрные специалисты ежедневно принимают решения о том, что сажать, как орошать и как защищать посевы. Быстрый доступ к качественным советам может решить, будет ли урожай здоровым или приведёт к ощутимым потерям. В этой статье рассматривается, как современные инструменты ИИ — крупные языковые модели — могут служить основой систем вопросов и ответов для сельского хозяйства, превращая вопросы на естественном языке в практические рекомендации для поля.

Почему фермам нужна лучшая цифровая помощь

Сельское хозяйство становится всё более зависимым от данных — от спутниковых снимков до датчиков почвы. Тем не менее многие эксперты и техники по‑прежнему сталкиваются с трудностями при получении надёжной и доступной по форме информации в нужный момент. Традиционные системы ИИ часто требуют огромных размеченных наборов данных, мощных компьютеров и специалистов‑программистов. В отличие от них, крупные языковые модели — обученные на обширных корпусах текста — могут отвечать на вопросы, суммировать информацию и рассуждать о задачах, требуя при этом гораздо меньше задачно‑специфичных данных. Это делает их привлекательными инструментами для фермеров, консультантов и сельскохозяйственных служб, которым нужна быстрая и недорогая поддержка.

Создание машины ответов для сельского хозяйства

Чтобы проверить, насколько хорошо такие модели работают на практике, авторы создали систему вопросов и ответов для сельского хозяйства под названием AgriQAs. Они собрали 90 вопросов множественного выбора из надёжных аграрных источников, охватывающих три области: общая сельскохозяйственная тематика, садоводство и растениеводство. В каждом разделе были вопросы лёгкого, среднего и сложного уровня — от простых определений до задач, требующих нескольких шагов рассуждения. Были протестированы две ведущие языковые модели: одна от OpenAI (GPT‑4o) и одна от Google (Gemini‑2.0‑flash). Для каждого вопроса обе модели должны были выбрать верный вариант из четырёх ответов, как если бы они сдавали экзамен.

Обучение ИИ решать фермерские задачи

Просто задать вопрос модели недостаточно для получения наилучшего ответа. То, как сформулирован вопрос — «промпт» — сильно влияет на результат. Исследователи сравнили четыре стиля промптинга. В самом простом, называемом Zero‑Shot, модели просто давали вопрос и просили выбрать вариант. В Chain‑of‑Thought её просили показать пошаговое рассуждение. Self‑Consistency заставляла модель сгенерировать несколько вариантов рассуждений и затем выбрать наиболее последовательный ответ. Tree‑of‑Thought побуждала исследовать несколько разных путей решения перед окончательным выбором. Команда также использовала автоматизированный инструмент промпт‑инжиниринга для уточнения формулировок инструкций, усиливая «роль» модели как аграрного эксперта и уточняя, как ей следует рассуждать.

Насколько хорошо выступали ИИ‑советники?

По всем вопросам модели показали себя неожиданно хорошо, но успех во многом зависел от того, как их просили отвечать. GPT‑4o показал точность примерно от 85% до 95%, тогда как Gemini‑2.0‑flash показал диапазон примерно от 75% до 88%. Худшие результаты для обеих моделей были при использовании простого Zero‑Shot — он почти не давал указаний по способу рассуждения. Лучшие результаты давали более структурированные подходы: Self‑Consistency обеспечил GPT‑4o наилучшие показатели, а Tree‑of‑Thought оказался лучшим для Gemini‑2.0‑flash. Ошибки чаще всего встречались на самых сложных вопросах и в категории растениеводства, где часто требуются детализированные многошаговые решения. Авторы пошли дальше простых средних значений и применили формальные статистические тесты, чтобы подтвердить, что различия между методами промптинга и моделями реальны, а не случайны.

Что это значит для будущего сельского хозяйства

Для неспециалистов главный вывод таков: «как вы спрашиваете» имеет почти такое же значение, как и «кого вы спрашиваете», при работе с ИИ. При аккуратно продуманных промптах крупные языковые модели могут выступать мощными помощниками для агротехников и консультантов, предлагая быстрые и достаточно точные советы без необходимости специального дообучения для каждой новой задачи. Авторы подчёркивают, однако, что такие системы нужно использовать ответственно: предвзятые или неверные ответы могут ввести фермеров в заблуждение и привести к экономическим потерям. По мере добавления региональных данных, информации с датчиков и более чётких указаний от человеческих экспертов, инструменты вроде AgriQAs могут стать повседневными помощниками в устойчивом высокотехнологичном сельском хозяйстве — помогая сельхозпроизводителям принимать лучшие решения при сохранении ресурсов.

Цитирование: 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

Ключевые слова: аграрный ИИ, вопрос-ответ, крупные языковые модели, промпт-инжиниринг, цифровое сельское хозяйство