DOI: https://doi.org/10.37433/aad.v7i2.603
تاريخ النشر: 2026-01-26
المؤلف: Paul Hill وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تستكشف هذه الدراسة تطوير وتقييم نموذج أساسي منخفض التكلفة للذكاء الاصطناعي، يسمى Utah PeachBot، يهدف إلى تعزيز خدمات الإرشاد الزراعي لمزارعي الخوخ على نطاق صغير في يوتا. باستخدام منصة GPT من OpenAI، تم ضبط النموذج باستخدام موارد بستانية مختارة لتقديم دعم استشاري قائم على الأدلة في الوقت الفعلي لوكلاء الإرشاد. قام فريق من الخبراء يتكون من ستة وكلاء إرشاد بتقييم مخرجات النموذج، مما كشف عن موثوقية ودقة عالية للاستفسارات العامة المتعلقة بزراعة الخوخ.
على الرغم من هذه النتائج الإيجابية، حددت الدراسة قيودًا تتعلق بالتحديد الإقليمي وملاءمة التوصيات المقدمة من Utah PeachBot. سلطت التعليقات من فريق الخبراء الضوء على ضرورة الضبط المستمر للنموذج، مع التأكيد على دمج البيانات المحلية والسياقية لتعزيز فعاليته. يوصي المؤلفون بتنفيذ تدريجي لنماذج GPT المخصصة في خدمات الإرشاد الزراعي لتحسين جودة نشر المعلومات، واتخاذ القرارات، وكفاءة العمليات داخل أنظمة الإرشاد.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على تطور خدمات الإرشاد الزراعي من نموذج نقل التكنولوجيا التقليدي إلى نهج أكثر لامركزية ومشاركة يركز على تبادل المعرفة. على الرغم من التقدم، لا يزال المزارعون على نطاق صغير، وخاصة في المناطق النامية، يواجهون تحديات بسبب الفجوة الرقمية الكبيرة ونسبة المزارع إلى وكيل الإرشاد العالية، المقدرة بـ 1000 إلى 1 في البلدان ذات الدخل المنخفض والمتوسط. تتطلب هذه الحالة من وكلاء الإرشاد تقديم معلومات في الوقت المناسب، محددة الموقع، وشخصية لدعم المزارعين في اتخاذ قرارات حاسمة بشأن تقلب المناخ، وإدارة الآفات، وتخفيف المخاطر.
تناقش الورقة أيضًا الدور التحويلي لتقنيات المعلومات والاتصالات (ICTs) وظهور الذكاء الاصطناعي التوليدي (GenAI) في تعزيز خدمات الإرشاد الزراعي. يتمتع GenAI، وخاصة من خلال النماذج الأساسية (FMs) مثل ChatGPT، بالقدرة على دمج مجموعات بيانات كبيرة في معرفة قابلة للتنفيذ، مما يحسن عمليات اتخاذ القرار للمزارعين. تهدف الدراسة إلى التحقيق في قابلية التطبيق وفعالية نموذج أساسي منخفض التكلفة، Utah PeachBot، المصمم لمساعدة وكلاء إرشاد جامعة ولاية يوتا في تقديم دعم استشاري في الوقت المناسب لمزارعي الخوخ على نطاق صغير، مع معالجة احتياجاتهم المحددة في اختيار الأصناف، وإدارة الآفات، والري. تسعى هذه البحث إلى المساهمة في الأدبيات المحدودة حول دمج النماذج الأساسية في خدمات الإرشاد الزراعي.
طرق
في هذا القسم، يصف المؤلفون تطوير Utah PeachBot، وهو نموذج لغوي كبير مخصص (LLM) تم إنشاؤه باستخدام منصة GPT من OpenAI. تم تدريب النموذج بشكل خاص على مواد بستانية مختارة، بما في ذلك جداول التسميد، وأدلة إدارة الآفات، وتوصيات الأصناف، وممارسات الري، لتقديم استجابات قائمة على الأدلة في الوقت الفعلي لمزارعي الخوخ على نطاق صغير في يوتا. يعمل Utah PeachBot كمساعد ذكاء اصطناعي لوكلاء إرشاد USU، مستخدمًا إطار عمل CREATE لضمان مخرجات حساسة للسياق. يشمل هذا الإطار ستة عناصر: الشخصية، الطلب، المثال، التعديل، نوع المخرجات، والإضافات، التي توجه استجابات النموذج لتكون قائمة على البحث، ومخصصة، وسهلة الاستخدام.
قيم فريق من الخبراء يتكون من ستة وكلاء إرشاد بستاني من USU Utah PeachBot خلال دراسة تجريبية استمرت شهرًا في فبراير 2025. ساهم الوكلاء بأسئلة متكررة وحددوا موارد أساسية حول إنتاج الخوخ، والتي تم دمجها في قاعدة معرفة النموذج. ركز التقييم على وضوح ودقة وتوافق استجابات النموذج مع إرشادات USU. أدت التعليقات من التجربة إلى تعديلات، بما في ذلك تحديثات لمعلومات الزراعة وإدراج إخلاءات المسؤولية عن المبيدات. تم اعتبار الدراسة معفاة من قبل لجنة مراجعة الأخلاقيات بجامعة ولاية يوتا، حيث تضمنت تقييمات من موظفين محترفين دون جمع معلومات شخصية.
نتائج
كشف تقييم مخرجات Utah PeachBot من قبل فريق خبراء في فبراير 2025 أن المنصة قدمت عمومًا معلومات دقيقة حول مواضيع زراعة الخوخ، بما في ذلك طرق التقليم، واختيار الأصناف المقاومة للبرد، وجداول التحكم في الآفات. أشار المختبرون إلى أنه على الرغم من أن توصيات المنصة للأصناف المقاومة للبرد وجداول التقليم تتماشى مع الإرشادات البستانية المعمول بها، إلا أن بعض المخرجات، مثل التوصيات المحلية المحددة، لم تعكس الظروف الفريدة لبعض المناطق في يوتا. على سبيل المثال، اعتبرت الاقتراحات المتعلقة بلفافة ورقة الخوخ غير مناسبة للظروف المحلية، مما يبرز الاعتماد على بيانات إقليمية أوسع بدلاً من رؤى سياقية محددة.
بالإضافة إلى ذلك، بينما أنتجت المنصة نصائح علمية سليمة، لم تكن بعض التوصيات قابلة للتطبيق بسهولة لأصحاب المنازل. أشار المختبرون إلى أن نموذج درجة اليوم للتحكم في دودة غصن الخوخ، على الرغم من دقته، يفتقر إلى الفائدة العملية لغير الخبراء. كما أثيرت مخاوف بشأن موثوقية خرائط مناطق وزارة الزراعة الأمريكية في المناطق المعرضة لتقلبات درجات الحرارة، مما يشير إلى الحاجة إلى تعديلات محلية في مخرجات النموذج. على الرغم من هذه القيود، تم استقبال إدراج خيارات التحكم في الآفات العضوية وممارسات الري الدقيقة بشكل إيجابي، مما يشير إلى أنه بينما يعمل Utah PeachBot كمورد قيم، فإن المزيد من التطوير ضروري لتعزيز ملاءمته وقابليته للتطبيق في المناخات الدقيقة وسياقات المجتمع المحددة.
مناقشة
تقدم الدراسة تطوير وتقييم Utah PeachBot، وهو نموذج توليدي مسبق التدريب منخفض التكلفة ومحدد المجال مصمم لمساعدة مزارعي الخوخ على نطاق صغير في يوتا. تضمنت الأهداف تخصيص معلمات النموذج وتصميم التعليمات لتعزيز الملاءمة للمزارعين المحليين، وتجميع قاعدة معرفة، وتقييم موثوقية ودقة النموذج من خلال التعليقات من ستة وكلاء إرشاد زراعي. تشير النتائج إلى أنه بينما قدم Utah PeachBot عمومًا معلومات موثوقة حول إدارة المحاصيل، والري، والتحكم في الآفات، تم ملاحظة عدم اتساق في التوصيات المحددة إقليميًا واقتراحات غير عملية للمزارعين على نطاق صغير. أكد الخبراء على الحاجة إلى مزيد من التعديلات السياقية ودمج الموارد المحلية لتعزيز قابلية تطبيق النموذج.
تسلط المناقشة الضوء على التحديات المرتبطة بالنماذج الأساسية (FMs) في الزراعة، بما في ذلك الحاجة إلى بيانات عالية الجودة ومحددة الموقع، وتأثير التحولات في التوزيع بسبب تغير الظروف الزراعية، والمخاوف بشأن ملكية البيانات والاستخدام الأخلاقي. تدعو الدراسة إلى تطوير مستمر لـ Utah PeachBot، بما في ذلك التحديثات المنتظمة وآليات التعليقات، لخدمة احتياجات منتجي الخوخ في يوتا بشكل أفضل. كما تقترح أن نماذج GPT المخصصة يمكن أن توفر مسارًا قابلاً للتطبيق لتعزيز خدمات الإرشاد الزراعي، خاصة في المناطق النامية، مع تشجيع المزيد من البحث في فعالية ودمج الذكاء الاصطناعي التوليدي بشكل أخلاقي في السياقات الزراعية.
DOI: https://doi.org/10.37433/aad.v7i2.603
Publication Date: 2026-01-26
Author(s): Paul Hill et al.
Primary Topic: Smart Agriculture and AI
Overview
This study explores the development and evaluation of a low-cost AI foundational model, named Utah PeachBot, aimed at enhancing agricultural extension services for small-scale peach producers in Utah. Utilizing OpenAI’s GPT platform, the model was fine-tuned with curated horticultural resources to provide real-time, evidence-based advisory support for Extension agents. An expert panel of six Extension agents assessed the model’s outputs, revealing high reliability and accuracy for general inquiries related to peach cultivation.
Despite these positive findings, the study identified limitations concerning regional specificity and the practicality of the recommendations provided by Utah PeachBot. Feedback from the expert panel highlighted the necessity for ongoing fine-tuning of the model, emphasizing the integration of local, context-specific data to enhance its effectiveness. The authors recommend a phased implementation of customized GPTs in agricultural advisory services to improve the quality of information dissemination, decision-making, and operational efficiency within extension systems.
Introduction
The introduction of this research paper highlights the evolution of agricultural extension services from a traditional technology transfer model to a more decentralized, participatory approach that emphasizes knowledge exchange. Despite advancements, small-scale farmers, particularly in developing regions, continue to face challenges due to a significant digital divide and a high farmer-to-extension agent ratio, estimated at 1000 to 1 in low- and middle-income countries. This situation necessitates that extension agents provide timely, location-specific, and personalized information to support farmers in making critical decisions regarding climate variability, pest management, and risk mitigation.
The paper also discusses the transformative role of Information and Communication Technologies (ICTs) and the emergence of generative artificial intelligence (GenAI) in enhancing agricultural extension services. GenAI, particularly through foundational models (FMs) like ChatGPT, has the potential to synthesize large datasets into actionable knowledge, thereby improving decision-making processes for farmers. The study aims to investigate the applicability and effectiveness of a low-cost FM, the Utah PeachBot, designed to assist Utah State University Extension agents in providing timely advisory support to small-scale peach producers, addressing their specific needs in variety selection, pest management, and irrigation. This research seeks to contribute to the limited literature on the integration of FMs in agricultural advisory services.
Methods
In this section, the authors describe the development of Utah PeachBot, a customized large language model (LLM) created using OpenAI’s GPT platform. The model was specifically trained on curated horticultural materials, including fertilization schedules, pest management guides, cultivar recommendations, and irrigation practices, to provide real-time, evidence-based responses for small-scale peach producers in Utah. Utah PeachBot serves as an AI assistant for USU Extension agents, utilizing the CREATE framework to ensure context-sensitive outputs. This framework encompasses six elements: Character, Request, Example, Adjustment, Type of Output, and Extras, which guide the model’s responses to be research-based, tailored, and user-friendly.
An expert panel of six USU Extension horticulture agents evaluated Utah PeachBot during a one-month pilot study in February 2025. The agents contributed frequently asked questions and identified essential resources on peach production, which were incorporated into the model’s knowledge base. The evaluation focused on the clarity, accuracy, and alignment of the model’s responses with USU Extension guidelines. Feedback from the pilot led to modifications, including updates to cultivation information and the inclusion of pesticide disclaimers. The study was deemed exempt by the Utah State University IRB, as it involved professional staff evaluations without collecting personal information.
Results
The evaluation of Utah PeachBot’s outputs by an expert panel in February 2025 revealed that the platform generally provided accurate information on peach cultivation topics, including pruning methods, cold-hardy variety selection, and pest control timelines. Testers noted that while the platform’s recommendations for cold-hardy varieties and pruning schedules aligned with established horticultural guidelines, some outputs, such as specific local recommendations, did not reflect the unique conditions of certain areas in Utah. For instance, suggestions related to Peach Leaf Curl were deemed inappropriate for local conditions, highlighting a reliance on broader regional data rather than context-specific insights.
Additionally, while the platform produced scientifically sound advice, some recommendations were not easily applicable for homeowners. Testers pointed out that the degree-day model for Peach Twig Borer control, although accurate, lacked practical utility for non-experts. Concerns were also raised regarding the reliability of USDA zone maps in regions prone to temperature fluctuations, indicating a need for localized adjustments in the model’s outputs. Despite these limitations, the inclusion of organic pest control options and accurate irrigation practices were positively received, suggesting that while Utah PeachBot serves as a valuable resource, further development is necessary to enhance its relevance and applicability in specific microclimates and community contexts.
Discussion
The study presents the development and evaluation of Utah PeachBot, a low-cost, domain-specific generative pre-trained transformer (GPT) designed to assist small-scale peach growers in Utah. The objectives included customizing model parameters and instruction design to enhance relevance for local growers, curating a knowledge base, and assessing the model’s reliability and accuracy through feedback from six agricultural extension agents. The findings indicate that while Utah PeachBot generally provided reliable information on crop management, irrigation, and pest control, inconsistencies in region-specific recommendations and impractical suggestions for small-scale farmers were noted. Experts emphasized the need for further contextual adjustments and integration of local resources to enhance the model’s applicability.
The discussion highlights challenges associated with foundational models (FMs) in agriculture, including the necessity for high-quality, location-specific data, the impact of distribution shifts due to changing agricultural conditions, and concerns regarding data ownership and ethical use. The study advocates for ongoing development of Utah PeachBot, including regular updates and feedback mechanisms, to better serve the needs of Utah’s peach producers. It also suggests that custom GPTs could provide a viable pathway for enhancing agricultural advisory services, particularly in developing regions, while encouraging further research into the effectiveness and ethical integration of generative AI in agricultural contexts.