Etykietka: agronomia

Dzmitry Jabłoński, CTO, GeoPard Agriculture

Ktoś zapytał mnie w zeszłym tygodniu, na jakim modelu bazuje nasz agronom od sztucznej inteligencji. To najczęściej zadawane pytanie techniczne i zazwyczaj nie jest to właściwe pytanie na początek.

Oto szczera odpowiedź, a następnie ta jeszcze bardziej użyteczna.

Szczera odpowiedź: kilka

Kierujemy każde zadanie do modelu, który najlepiej je odpowiada. W praktyce oznacza to oddzielne ścieżki dla:

• Rozumowanie geoprzestrzenne. Odczytywanie statystyk strefowych, porównywanie warstw, wyjaśnianie, dlaczego jedna część pola zachowuje się inaczej niż inna.
• Oceń matematykę. Współczynniki usuwania, progi krytyczne, konwencje narastania, konwersje jednostek.
• Rozmowa. Zrozumienie, co agronom tak naprawdę miał na myśli, pisząc prośbę składającą się z połowy zdania.
• Klasyfikacja zadań. Decyzja, do którego przepływu pracy należy żądanie, zanim wydarzy się cokolwiek innego.
• Barierki ochronne. Sprawdzanie wyników zanim staną się artefaktami.

Żaden pojedynczy model nie jest najlepszy we wszystkich pięciu. Te, które dobrze rozumują w nieuporządkowanym kontekście przestrzennym, nie zawsze zachowują dyscyplinę arytmetyczną. Te, które komunikują się naturalnie, nie zawsze potrafią wiarygodnie klasyfikować.

Nie publikujemy tabeli routingu, i nie chcemy być nieśmiali. Ona się zmienia. Wersje modelu pojawiają się co kilka miesięcy i każda z nich zmienia równowagę na jednej lub dwóch z tych ścieżek. Zamrożenie odpowiedzi we wpisie na blogu sprawiłoby, że jesienią byłaby ona błędna.

Bardziej użyteczna odpowiedź: warstwy

Gdybyś jutro zamienił nasze modele na inny zestaw Frontier, produkt nadal by działał i nadal byłby rozpoznawalny jako nasz. Taki jest cel projektu i warto wyjaśnić dlaczego.

Zalecenie agronomiczne to nie odpowiedź tekstowa. To liczba, która trafia do terminala maszyny i jest stosowana na polu. To właśnie odległość między tymi dwoma rzeczami stanowi istotę inżynierii.

Weźmy konkretną klasę awarii. Model może wygenerować idealnie uzasadniony przepis na fosfor w funtach P.₂O₅ na akr. Prawidłowy współczynnik usuwania, prawidłowy próg, prawidłowa logika narastania. Następnie stawka jest przypisana do produktu, który ma 4% P.₂O₅, a rozsiewacz otrzymuje to jako dawkę produktu. Plan był trafny. Aplikacja jest niedokładna o ponad rząd wielkości.

Żadna jakość modelu temu nie zapobiegnie. Robi to warstwa konwersji.

To samo dotyczy systemów jednostek, limitów stawek regulacyjnych, wartości badań gleby, powyżej których dawka prawidłowa agronomicznie wynosi zero, a także różnicy między wartością podaną przez laboratorium a wartością oczekiwaną z równania. To nie są problemy z rozumowaniem. To problemy systemowe i to one decydują o tym, czy zalecenie jest bezpieczne do wdrożenia.

Zatem warstwy otaczające model wykonują najważniejszą pracę.

Grunt. Asystent odczytuje dane klienta. Jego badania gleby, oczyszczone zbiory, topografię, historię stosowanych środków. Nie jest to ogólny obraz agronomii, ich.

Parametry jawne. Każdy współczynnik, próg i konwencja użyte do zbudowania stawki są widoczne i edytowalne przed wygenerowaniem. Jeśli agronom nie zgadza się z założeniem, zmienia je. Liczba, której użytkownik nie może sprawdzić, to liczba, której nie może posiadać.

Matematyka deterministyczna. Obliczanie stawek odbywa się w kodzie, a nie w prozie. Model decyduje, co i dlaczego obliczyć. Nie wykonuje obliczeń arytmetycznych.

Walidacja przed generacją. Przed powstaniem jakiejkolwiek mapy plany są sprawdzane pod kątem zgodności z zasadami agrotechnicznymi obowiązującymi w danym regionie oraz wszelkimi zasadami, które klient dodał do swojej bazy wiedzy.

Ludzka akceptacja. Nic nie dociera do maszyny, dopóki użytkownik się nie wyloguje. To nie jest ustępstwo w kwestii UX. To ostatnia i najważniejsza warstwa.

Co oceniamy

Z uwagi na powyższe, ocena modelu w izolacji niewiele nam powie.

Wysoki wynik w teście wielokrotnego wyboru z agronomii wskazuje, że model zapoznał się z podręcznikami. Nie mówi jednak, czy system poprawnie przeliczy dawkę składników odżywczych na dawkę produktu, czy odmówi zalecenia nawożenia fosforem na polu, na którym wynik testu jest już wysoki, ani czy zauważy, że raport glebowy został uzyskany inną metodą ekstrakcji niż zakłada równanie.

Oceniamy więc system od początku do końca. Czy pobiera właściwe warstwy z konta klienta? Czy używa obronionych współczynników? Czy pokazuje swoje rozumowanie? Czy wychwytuje własne błędy, zanim opuszczą one budynek? To trudniej sprowadzić do jednej liczby, dlatego właśnie uważamy, że jest to właściwy sposób pomiaru.

Przynieś swój własny model

Dzięki MCP możesz wskazać swojemu modelowi dane GeoPard i bezpośrednio zapytać go o swoje pola. Niektórzy z naszych bardziej technicznych użytkowników już to robią i uważamy, że to dobra rzecz. Dokumentacja Asystenta AI opisuje jak to działa.

Warto jednak powiedzieć wprost: kiedy to robisz, dziedziczysz warstwy. Ugruntowanie, przejrzystość parametrów, dyscyplinę jednostkową, walidację, etap zatwierdzania. Nie ma ich w modelu. Są częścią, którą ktoś musi zbudować.

Dlaczego jest to zakład, a nie zabezpieczenie

Możliwości modelu szybko się komodytyzują. Co kilka miesięcy przesuwa się granica i każdy dostaje nowe piętro za darmo. Stawianie na jeden konkretny model to obstawianie chwilowej przewagi.

Warstwy się kumulują. Gromadzą zasady agronomiczne, konwencje regionalne, wiedzę klientów i wszystkie rodzaje awarii, które znaleźliśmy i rozwiązaliśmy. To się poprawia w miarę użytkowania i nie resetuje się po wprowadzeniu nowego modelu na rynek.

Co jest dalekim sposobem na powiedzenie: zapytaj, co system robi z błędną odpowiedzią. To powie ci więcej niż wiedza o tym, który model ją wygenerował.

Oto asystent, który robi dokładnie to samo – od zadania pytania do wystawienia recepty – w ciągu dwóch minut:

Wersję interaktywną, w której widoczny jest każdy krok rozumowania, można znaleźć w Strona asystenta AI GeoPard.