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.

Bản dịch tiếng Việt:

Việc tích hợp trí tuệ nhân tạo vào thực hành nông nghiệp, đặc biệt thông qua Tư vấn về Quản lý Máy nông nghiệp Thông minh (CIAMM), có khả năng cách mạng hóa tính hiệu quả và tính bền vững trong nông nghiệp. Bài viết này giới thiệu một cách tiếp cận mới tận dụng các mô hình ngôn ngữ lớn (LLM), đặc biệt là GPT-4, kết hợp với kỹ thuật nhắc nhở nhiều vòng để nâng cao quá trình ra quyết định trong quản lý máy móc nông nghiệp. Chúng tôi đã phát triển và cải tiến một cách có hệ thống các lời nhắc để hướng dẫn LLM tạo ra kết quả đầu ra chính xác và phù hợp với ngữ cảnh. Phương pháp tiếp cận của chúng tôi được đánh giá bằng cách sử dụng tập dữ liệu được quản lý thủ công từ nhiều nguồn trực tuyến khác nhau và hiệu suất được đánh giá bằng độ chính xác và Điểm GPT-4. Các thử nghiệm so sánh được thực hiện bằng cách sử dụng các mô hình LLama-2-70B, ChatGPT và GPT-4, cùng với các phương pháp cơ bản và hiện đại như Chuỗi tư duy (CoT) và Tư duy tư duy (ThoT). Kết quả chứng minh rằng phương pháp của chúng tôi vượt trội hơn đáng kể so với các phương pháp này, đạt được độ chính xác và mức độ phù hợp cao hơn trong các phản hồi được tạo ra. Bài viết này nhấn mạnh tiềm năng của các kỹ thuật kỹ thuật nhanh chóng tiên tiến trong việc cải thiện tính mạnh mẽ và khả năng ứng dụng của AI trong bối cảnh nông nghiệp.

Document Ready

Click below to load the full PDF document natively.