Enhancing Agricultural Machinery Management through Advanced LLM Integration

要約

特にインテリジェント農業機械管理に関する協議 (CIAMM) を通じた農業実践への人工知能の統合は、農業の効率と持続可能性に革命をもたらす可能性があります。
この論文では、大規模言語モデル (LLM)、特に GPT-4 をマルチラウンド プロンプト エンジニアリングと組み合わせて農業機械管理における意思決定プロセスを強化する新しいアプローチを紹介します。
私たちは、LLM が正確でコンテキストに関連した出力を生成できるように、プロンプトを体系的に開発および洗練しました。
私たちのアプローチは、さまざまなオンライン ソースから手動で厳選されたデータセットを使用して評価され、パフォーマンスは精度と GPT-4 スコアで評価されました。
比較実験は、LLama-2-70B、ChatGPT、GPT-4 モデルと、Chain of Thought (CoT) や Thought of Thought (ThoT) などのベースラインおよび最先端の手法を使用して実施されました。
結果は、私たちの方法がこれらのアプローチよりも大幅に優れており、生成された応答のより高い精度と関連性を達成していることを示しています。
この論文では、農業分野における AI の堅牢性と適用性を向上させるための高度なプロンプト エンジニアリング技術の可能性を強調しています。

要約(オリジナル)

The integration of artificial intelligence into agricultural practices, specifically through Consultation on Intelligent Agricultural Machinery Management (CIAMM), has the potential to revolutionize efficiency and sustainability in farming. This paper introduces a novel approach that leverages large language models (LLMs), particularly GPT-4, combined with multi-round prompt engineering to enhance decision-making processes in agricultural machinery management. We systematically developed and refined prompts to guide the LLMs in generating precise and contextually relevant outputs. Our approach was evaluated using a manually curated dataset from various online sources, and performance was assessed with accuracy and GPT-4 Scores. Comparative experiments were conducted using LLama-2-70B, ChatGPT, and GPT-4 models, alongside baseline and state-of-the-art methods such as Chain of Thought (CoT) and Thought of Thought (ThoT). The results demonstrate that our method significantly outperforms these approaches, achieving higher accuracy and relevance in generated responses. This paper highlights the potential of advanced prompt engineering techniques in improving the robustness and applicability of AI in agricultural contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google