Büyük dil modellerine dayanan tarımsal soru-cevap sistemlerinin geliştirilmesi ve değerlendirilmesi

Büyüyen Gıda İçin Akıllı Yanıtlar

Çiftçiler ve tarım uzmanları ne ekecekleri, nasıl sulama yapacakları ve ürünleri nasıl koruyacakları konusunda günlük kararlar alır. Hızlı ve doğru tavsiye almak sağlıklı bir hasat ile maliyetli bir başarısızlık arasındaki farkı yaratabilir. Bu makale, büyük dil modelleri olarak adlandırılan modern yapay zeka araçlarının tarım için soru‑cevap sistemlerini nasıl besleyebileceğini, düz yazılı soruları sahaya yönelik pratik kılavuzlara nasıl dönüştürebileceğini inceliyor.

Çiftliklerin Daha İyi Dijital Desteğe Neden İhtiyacı Var

Uydu görüntülerinden toprak sensörlerine kadar tarım giderek daha veri‑odaklı hâle geliyor. Yine de birçok uzman ve teknisyen ihtiyaç duyduklarında güvenilir, anlaşılır bilgiye erişmekte zorlanıyor. Geleneksel yapay zeka sistemleri genellikle büyük etiketli veri kümeleri, güçlü bilgisayarlar ve uzman programcılar gerektirir. Buna karşın, geniş metin koleksiyonları üzerinde eğitilmiş büyük dil modelleri, daha az görev‑özgü veriyle soruları yanıtlayabilir, bilgileri özetleyebilir ve problemler üzerinde akıl yürütebilir. Bu da onları hızlı, düşük maliyetli destek arayan çiftçiler, danışmanlar ve tarım yayım hizmetleri için cazip kılar.

Bir Tarımsal Yanıt Makinesi İnşa Etmek

Bu modellerin pratikte ne kadar iyi çalışabileceğini görmek için yazarlar AgriQAs adında bir tarımsal soru‑cevap sistemi oluşturdu. Genel tarım, bahçecilik ve ürün yetiştiriciliği olmak üzere üç alanı kapsayan, güvenilir tarımsal kaynaklardan alınmış 90 çoktan seçmeli soru topladılar. Her konu basit tanımlar gibi kolay sorulardan birkaç adımlı muhakeme gerektiren zor problemlere kadar kolay, orta ve zor sorular içeriyordu. İki önde gelen dil modeli test edildi: OpenAI’dan bir model (GPT‑4o) ve Google’dan bir model (Gemini‑2.0‑flash). Her soru için her iki modelin de sınavda bir insan gibi dört seçenek arasından doğru seçeneği seçmesi istendi.

Yapay Zekaya Çiftlik Problemlerini Düşünmeyi Öğretmek

Bir modele sadece soru sormak her zaman en iyi yanıtı vermez. Sorunun yazılış biçimi—"istem"—sonucu güçlü biçimde etkileyebilir. Araştırmacılar dört istem tarzını karşılaştırdı. En basiti olan Zero‑Shot’ta modele sadece soru verilmiş ve bir seçenek seçmesi söylenmişti. Chain‑of‑Thought’ta adım adım muhakeme göstermesi isteniyordu. Self‑Consistency’te model birkaç farklı muhakeme hattı üretiyor ve en tutarlı cevabı seçiyordu. Tree‑of‑Thought, karar vermeden önce birkaç farklı çözüm yolunu keşfetmesini teşvik ediyordu. Ekip ayrıca modelin rolünü bir tarım uzmanı olarak güçlendirip nasıl muhakeme edeceğini netleştiren otomatik bir istem‑mühendisliği aracıyla talimatların sözdizimini iyileştirdi.

Yapay Zeka Danışmanları Ne Kadar İyi Performans Gösterdi?

Tüm sorular göz önüne alındığında, her iki model de şaşırtıcı derecede iyi performans gösterdi, ancak sonuçlar büyük ölçüde istem tarzına bağlıydı. GPT‑4o yaklaşık %85 ile %95 arasında doğruluk elde ederken, Gemini‑2.0‑flash yaklaşık %75 ile %88 arasında değişti. Her iki model için en zayıf sonuçlar, nasıl muhakeme edileceği konusunda az rehberlik sunan basit Zero‑Shot tarzından geldi. En güçlü sonuçlar daha yapılandırılmış düşünmeye dayandı: GPT‑4o için en iyi puanları Self‑Consistency verdi, Gemini‑2.0‑flash için ise Tree‑of‑Thought en iyi sonucu verdi. Hatalar en çok en zor sorularda ve sıkça ayrıntılı, çok adımlı kararlar gerektiren ürün‑yetiştiriciliği kategorisinde görüldü. Yazarlar yalnızca basit ortalamaların ötesine geçerek istem yöntemleri ve modeller arasındaki farkların tesadüfi olmadığını doğrulamak için resmi istatistiksel testler kullandı.

Bu Geleceğin Tarımı İçin Ne Anlama Geliyor?

Uzman olmayanlar için temel mesaj, yapay zeka ile çalışırken "nasıl sorduğunuz"un, "kime sorduğunuz" kadar önemli olduğudur. İyi tasarlanmış istemlerle büyük dil modelleri, her yeni problem için özel eğitim gerektirmeden tarım mühendisleri ve teknisyenleri için hızlı, makul derecede doğru tavsiyeler sunabilen güçlü asistanlar olarak hizmet edebilir. Ancak yazarlar, bu sistemlerin sorumlu bir şekilde kullanılmasının şart olduğunu vurguluyor: yanlı veya yanlış cevaplar çiftçileri yanıltıp ekonomik zarara yol açabilir. Gelecekte bölgesel veriler, sensör bilgileri ve insan uzmanlardan daha net rehberlik eklendikçe, AgriQAs benzeri araçlar sürdürülebilir, yüksek teknoloji tarımda günlük yardımcılar haline gelebilir—çiftçilerin kaynakları korurken daha iyi kararlar almasına destek olarak.

Atıf: 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

Anahtar kelimeler: tarımsal yapay zeka, soru cevaplama, büyük dil modelleri, istem mühendisliği, dijital tarım