AI-Powered Agricultural Advisory System Using Retrieval-Augmented Generation

على مر الأجيال، كان المستشار الأكثر ثقة للمزارع هو الأرض نفسها، التي تُقرأ من خلال عدسة الخبرة المحلية والحكمة المتوارثة. ومع ذلك، في عصر تتوسع فيه المعرفة العلمية يومياً، غالباً ما يصطدم تدفق المعلومات التقليدي هذا بجدار. فالتفاصيل الحيوية حول كيمياء التربة، أو علاجات الآفات الجديدة، أو الإعانات الحكومية، محبوسة داخل كتيبات سميكة، وأوراق بحثية، ومواقع حكومية، مبعثرة عبر مشهد رقمي يصعب التنقل فيه. وعندما يطرح المزارع سؤالاً بسيطاً، غالباً ما تكون الإجابة مدفونة تحت جبل من النصوص، أو الأسوأ من ذلك، تضيع تماماً. هذا هو التحدي الذي يقع في قلب العلوم الزراعية الحديثة: كيفية سد الفجوة بين المعرفة الواسعة والمتخصصة وبين الشخص الذي يحتاجها أكثر من غيره، في الوقت الذي يحتاجها فيه تماماً.

يكمن الحل في نهج محدد للذكاء الاصطناعي يُعرف باسم "التوليد المعزز بالاسترجاع" (Retrieval-Augmented Generation). لفهم هذا، تخيل أميناً للمكتبة لا يكتفي بحفظ بضع حقائق فحسب، بل لديه إمكانية الوصول إلى مكتبة كاملة. عندما تطرح سؤالاً، لا يعتمد هذا الأمين على الذاكرة وحدها لتخمين الإجابة، بل يركر أولاً إلى الرفوف، ويستخرج الكتب الأكثر صلة، ويقرأ الصفحات المحددة التي تنطبق على حالتك، ثم يدمج تلك المعلومات الجديدة في استجابة واضحة ومباشرة. يضمن هذا الأسلوب أن تكون الإجابة قائمة على الحقائق بدلاً من التخمين. ومن خلال الجمع بين نموذج لغوي قوي ومجموعة منسقة من الوثائق الموثوقة، يمكن للباحثين إنشاء نظام يفهم دقة استفسار المزارع ويستجيب بنصيحة قائمة على الأدلة.

في دراسة حديثة، اقترح الباحثان شيتان غوتيكار وسامارث غاياكي من جامعة سانجيفاني في الهند نوعاً جديداً من الأنظمة الاستشارية الزراعية أسمياه "AgriSaathi". كان هدفهما إنشاء أداة يمكنها الاستماع إلى سؤال المزارع، وإيجاد المعلومات الصحيحة من قاعدة بيانات موثقة للوثائق الزراعية، وتوليد استجابة مفيدة وسياقية. تم تصميم النظام للتعامل مع تعقيدات الزراعة، حيث قد تكون النصيحة بشأن زراعة البصل في منطقة ما خاطئة تماماً لمنطقة أخرى بسبب الاختلافات في التربة أو المناخ أو اللوائح المحلية.

بدأ الباحثون بجمع مجموعة ضخمة من البيانات الزراعية الموثوقة؛ حيث استخلصوا معلومات من البوابات الحكومية، والمؤسسات البحثية، والكتيبات الرسمية، لتغطي كل شيء من زراعة المحاصيل وإدارة الأسمدة إلى مكافحة الآفات وأنماط الطقس. تم تنظيف هذه المادة الخام وتقسيمها إلى قطع أصغر من النصوص سهلة الإدارة. تم تحويل كل قطعة إلى "بصمة رقمية"، وهي تمثيل رياضي يلتقط معنى الكلمات بدلاً من مجرد الكلمات نفسها. خُزنت هذه البصمات في قاعدة بيانات متخصصة، مما سمح للنظام بالبحث حسب المعنى. فعندما يسأل مزارع: "ما هو أفضل سماد لمحصول القمح الخاص بي؟"، لا يبحث النظام فقط عن كلمة "سماد"، بل يفهم القصد من السؤال ويجد الوثائق التي تناقش تغذية القمح، حتى لو اختلف التعبير الدقيق.

بمجرد استرجاع المعلومات ذات الصلة، يتم تمريرها إلى نموذج لغوي كبير، وهو المحرك الذي يولد الاستجابة النهائية. يعمل هذا النموذج كمترجم ومُجمّع، حيث يأخذ الحقائق الخام من الوثائق المسترجعة وينسجها في إجابة طبيعية وحوارية. والأهم من ذلك، أن النظام مصمم ليبقى مرتكزاً على المادة المصدرية؛ فهو يهدف إلى تجنب اختلاق الحقائق أو الاعتماد فقط على بيانات تدريبه الداخلية، والتي قد تؤدي أحياناً إلى أخطاء أو نصائح قديمة. بدلاً من ذلك، من المفترض أن يبني استجابته على الوثائق المحددة التي يجدها، بل إنه يقدم مراجع لكي يتمكن المستخدم من معرفة مصدر المعلومات بالضبط. ميزة التتبع هذه حيوية لبناء الثقة، مما يسمح للمزارعين أو الخبراء بالتحقق من النصيحة مقابل المصدر الأصلي.

أولى الباحثون أيضاً اهتماماً كبيراً للجانب الإنسي في المعادلة؛ فقد أدركوا أن نهج "النموذج الواحد الذي يناسب الجميع" سيفشل في عالم الزراعة المتنوع. ولمعالجة ذلك، تم تصميم النظام للتعامل مع محاصيل ومناطق ولغات مختلفة في المستقبل. يهدف النموذج الأولي إلى دعم اللغات الإنجليزية والهندية والمراثية، لضمان ألا تكون اللغة عائقاً أمام الوصول إلى المعلومات الحيوية. علاوة على ذلك، طور الفريق إطاراً لقياس مدى فعالية النظام، من خلال النظر في عوامل مثل سرعة الاستجابة، ومدى دقة النصيحة، ومدى رضا المستخدمين. ويخططون لاختبار النظام مع مجموعة متنوعة من المزارعين لضمان أن النصيحة تعمل لمختلف أنواع المحاصيل ومستويات الخبرة، رغم أن هذا التقييم تم تحديده كخطوة ضرورية قبل تقديم ادعاءات كمية.

بينما يظهر النموذج الأولي إمكانات كبيرة، إلا أن الباحثين حذرون في ملاحظة قيوده؛ فهم يؤكدون أن جودة النصيحة تعتمد كلياً على جودة الوثائق التي يتم تغذية النظام بها. فإذا كانت المادة المصدرية منحازة تجاه منطقة أو محصول معين، فإن النصيحة ستعكس ذلك الانحياز. كما يقرون بأن الزراعة محلية للغاية؛ فالتوصية التي تنجح في مزرعة في وادٍ ما قد لا تنجح في مزرعة تبعد بضعة أميال فقط بسبب الاختلافات الطفيفة في التربة أو المناخ المحلي. النظام هو أداة قوية للوصات إلى المعلومات، لكنه ليس بديلاً للخبرة المحلية أو الملاحظة الميدانية.

تخلص الدراسة إلى أن نهج "الاسترجاع المعزز" هذا يمثل خطوة كبيرة للأمام في جعل المعرفة الزراعية متاحة. فمن خلال الجمع بين سرعة وقدرة الذكاء الاصطناعي على المحاورة وبين موثوقية الوثائق المتحقق منها، يوفر "AgriSaathi" وسيلة للمزارعين للحصول على إجابات دقيقة وفي الوقت المناسب لأسئلة معقدة. ويرى الباحثون مستقبلاً يمكن فيه توسيع هذا النظام ليشمل بيانات الطقس في الوقت الفعلي، وأسعار السوق، وتحديد الأمراض بناءً على الصور، والتفاعل الصوتي متعدد اللغات. وفي الوقت الحالي، يقف هذا العمل كدليل على أنه عندما يتم توجيه الذكاء الاصطناعي بالتزام صارم بالحقائق المتحقق منها، يمكنه أن يصبح شريكاً حقيقياً في العمل الأزلي المتمثل في إطعام العالم.