Agent-Based Post-Hoc Correction of Agricultural Yield Forecasts
تقترح هذه الورقة إطار عمل لوكيل نماذج لغوية كبيرة (LLM) مهيكل يقوم بإجراء تصحيح لاحق لتوقعات إنتاج المحاصيل الزراعية عن طريق ترميز المعرفة المتخصصة لتحسين تنبؤات النماذج الحالية، محققاً انخفاضاً كبيراً في الأخطاء على كل من مجموعات بيانات الفراولة المملوكة ومجموعات بيانات الذرة العامة التابعة لوزارة الزراعة الأمريكية، لا سيالما عند استخدام نموذج Llama 3.1 8B كنموذج للتحسين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك مزارع فراولة. لديك دفتر ملاحظات تسجل فيه كمية الفراولة التي قطفتها كل أسبوع خلال السنوات القليية الماضية. ولديك أيضاً تطبيق للطقس على هاتفك. تريد أن تعرف كمية الفراولة التي ستقطفها الأسبوع المقبل حتى تتمكن من استئجار العدد المناسب من العمال وحجز المساحة الصحيحة في الثلاجة.
عادةً، ستطلب من برنامج كمبيوتر ("نموذج توقع") أن ينظر إلى دفتر ملاحظاتك ويخمن المستقبل. لكن هذه البرامج تشبه الطلاب المتفوقين جداً في الرياضيات ولكنهم سيئون جداً في المنطق السليم. فقد ينظرون إلى أرقامك ويقولون: "مهلاً، بناءً على هذا النمط، ستقطف مليون حبة فراولة الثلاثاء القادم!" رغم أننا في منتصف الشتاء والنباتات في حالة سكون. أو قد يقولون إنك ستستمر في قطف الفراولة في شهر ديسمبر، رغم أنك قمت بالفعل بتنظيف الحقول.
المزارعون يعرفون أن هذا خطأ لأنهم يفهمون "قصة" المحصول: فهو ينمو، ثم يصل إلى ذروته، ثم يتوقف. أما الكمبيوتر فيرى مجرد أرقام.
الحل: وكيل "المحرر الذكي"
تقترح هذه الورقة البحثية طريقة جديدة لإصلاح هذه التوقعات السيئة. فبدلاً من محاولة بناء برنامج كمبيوتر أكثر ذكاءً من الصفر (وهو أمر يتطلب مستشعرات باهظة الثمن وبيانات لا يملكها المزارعون)، قام المؤلفون ببناء "محرر ذكي" (وكيل ذكاء اصطناعي) يجلس بعد قيام الكمبيوتر بوضع تخمينه.
فكر في الأمر كالتالي:
- المسودة الأولى: يقوم برنامج كمبيوتر قياسي (مثل XGBoost) بكتابة مسودة أولى للتوقع. المسودة جيدة، لكنها ترتكب أخطاءً سخيفة، مثل التنبؤ بوجود فراولة وسط الثلوج.
- المحرر: يقوم وكيل ذكاء اصطناعي متخصص (يعمل بواسطة نموذج لغوي كبير مثل Llama 3.1) بقراءة تلك المسودة. هو لا ينظر إلى الأرقام فحسب؛ بل لديه "كتاب قواعد" للمنطق الزراعي السليم.
- التصحيح: يتحقق المحرر من المسودة مقابل القواعد:
- القاعدة 1 (الموسمية): "هل نحن في فصل الشتاء؟ إذا كان الأمر كذلك، فيجب أن تكون الإجابة صفراً."
- القاعدة 2 (التاريخ): "هل اعتاد المزارع التوقف عن القطاف بحلول أغسطس؟ إذا كان الأمر كذلك، فتوقف عن التنبؤ لشهر سبتمبر."
- القاعدة 3 (المنطق): "هل قفز التوقع بنسبة 500% بين عشية وضحاها؟ هذا مستحيل بالنسبة لنبات الفراولة. قلل الرقم قليلاً."
يقوم المحرر بإعادة كتابة التوقع لجعله واقعياً، ثم يسلم النسخة النهائية المصححة للمزارع.
كيف يعمل "المحرر" (الأدوات)
تصف الورقة البحثية المحرر كونه يمتلك صندوق أدوات لوظائف محددة يقوم بها في حلقة تكرارية:
- المسافر عبر الزمن (كشف المرحلة): يتحقق مما إذا كان المحصول في أي "موسم". هل هو في البداية فقط؟ هل وصل إلى ذروته؟ أم أنه في مرحلة التراجع؟ إذا توقع الكمبيوتر حصاداً خلال "مرحلة التراجع"، يقوم المحرر بإصلاح ذلك.
- حافظ الذاكرة (تعلم الانحياز): يتذكر ما إذا كان الكمبيوتر قد كان دائماً أعلى أو أقل من الواقع في الأسابيع الماضية. إذا كان الكمبيوتر يبالغ دائماً في التقدير بنسبة 10%، فإن المحرر يطبق خصماً.
- الباحث عن المثيل (البحث عن التشابه): ينظر إلى حقلك الحالي ويجد حقولاً أخرى من سنوات سابقة كانت تشبهه تماماً. "في العام الماضي، عندما كان الطقس هكذا، قطفنا 500 حبة فراولة. دعونا نستخدم ذلك كدليل."
- حارس السلامة (التحقق من النطاق): يعمل كحارس أمن. إذا كان التوقع خارج نطاق المعقول تماماً (مثل التنبؤ بـ 1000 حبة بينما كان الحد الأقصى على الإطلاق هو 100)، فإنه يغلق الباب في وجه التوقع ويضبط الرقم عند حد آمن.
ما الذي اختبروه
اختبر الباحثون هذا "المحرر" على نوعين مختلفين تماماً من البيانات الزراعية:
- الفراولة في المملكة المتحدة: تُزرع في أنفاق (polytunnels)، لذا لا يمكن للأقمار الصناعية رؤيتها. البيانات غير منظمة، وهي مجرد أرقام أسبوعية من دفتر ملاحظات.
- الذرة في الولايات المتحدة: محصول ضخم في حقول مفتوحة مع بيانات حكومية عامة.
جربوا هذا "المحرر" فوق ثلاثة برامج كمبيوتر مختلفة (XGBoost، وRandom Forest، وMoirai2).
النتائج
- المحرر يعمل: في كل حالة تقريباً، جعل المحرّر التوقعات أفضل بكثير. بالنسبة لبيانات الفراولة، قلل متوسط الخطأ بنسبة 20% إلى 28%. وبالنسبة لبيانات الذرة، حسّن الدقة بشكل كبير أيضاً.
- أفضل محرر: عمل المحرر بشكل أفضل عندما تم تشغيله بواسطة ذكاء اصطناعي ذكي لغوياً وهو Llama 3.1 8B.
- المحرر السيئ: عندما جربوا استخدام ذكاء اصطناعي "لغوي-بصري" (LLaVA 13B) — وهو مدرب على النظر إلى الصور — كانت النتائج غير متسقة وأحياناً جعلت الأمور أسوأ. وهذا يثبت أنه لإصلاح الأرقام، تحتاج إلى ذكاء اصطناعي جيد في المنطق والنصوص، وليس واحداً جيداً في التعرف على الصور.
- الأداة الأكثر أهمية: عندما قاموا بإيقاف أداة "المسافر عبر الزمن" (كشف المرحلة)، انهار النظام. وهذا يؤكد أن معرفة ما هو الوقت من السنة هي الجزء الأكثر أهمية من المنطق السليم لإصلاح هذه التوقعات.
العقبة
العيب الرئيسي هو السرعة. يمكن لبرنامج الكمبيوتر القياسي تقديم جميع توقعاته في حوالي 30 ثانية. أما نظام "المحرر" فيستغرق حوالي ساعتين إلى 3 ساعات للقيام بنفس المهمة لأنه يحتاج إلى "التفكير" والتحقق من عمله خطوة بخطوة لكل توقع على حدة.
الخلاصة
تظهر هذه الورقة البحثية أنك لست بحاجة إلى مستشعرات جديدة باهظة الثمن أو بيانات مثالية للحصول على توقعات زراعية أفضل. أنت فقط بحاجة إلى "محرر ذكي" يمكنه قراءة الأرقام الموجودة وتطبيق المنطق السليم لإصلاح الأخطاء الواضحة. إنها طريقة لجعل البيانات القديمة والبسيطة تعمل بشكل أفضل بكثير من خلال إضافة طبقة من التفكير الشبيه بالبشر فوقها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.