Resumen: La agricultura está experimentando una importante transformación impulsada por la inteligencia artificial (IA), el aprendizaje automático y las tecnologías de representación del conocimiento. Sin embargo, los sistemas de inteligencia agrícola actuales a menudo carecen de comprensión, explicabilidad y adaptabilidad contextuales, especialmente para los pequeños agricultores con recursos limitados. Modelos de lenguaje grande de uso general (LLM), aunque potentes, generalmente carecen del conocimiento y el razonamiento contextual específico del dominio necesario para el apoyo práctico de decisiones en la agricultura. Tienden a producir recomendaciones que sean demasiado genéricas o poco realistas para aplicaciones del mundo real. Para abordar estos desafíos, presentamos OpenAg, un marco integral diseñado para avanzar en la inteligencia general artificial agrícola (AGI). OpenAG combina modelos de base específicos de dominio, gráficos de conocimiento neuronal, razonamiento de múltiples agentes, explicación causal y aprendizaje de transferencia adaptativa para entregar ideas conscientes de contexto, explicables y procesables. El sistema incluye: (i) una base de conocimiento agrícola unificada que integra la literatura científica, los datos del sensor y el conocimiento generado por los agricultores; (ii) un gráfico de conocimiento agrícola neural para razonamiento e inferencia estructurados; (iii) un sistema adaptativo de razonamiento de múltiples agentes donde los agentes de IA se especializan y colaboran en los dominios agrícolas; y (iv) un mecanismo de transparencia causal que garantiza que las recomendaciones de IA sean interpretables, científicamente basadas y alineadas con las limitaciones del mundo real. OpenAg tiene como objetivo cerrar la brecha entre el conocimiento científico y la experiencia tácita de los agricultores experimentados para apoyar la toma de decisiones agrícolas escalables y localmente relevantes.
Publicado Originalme en rss.arxiv.org El 5 de junio de 2025.
Ver Fuente Original
