The past decade has witnessed the rapid development and adoption of ML & DL methodologies in agricultural systems, showcased by great successes in agricultural applications. However, these conventional ML/DL models have certain limitations: they heavily rely on large, costly-to-acquire labeled datasets for training, require specialized expertise for development and maintenance, and are mostly tailored for specific tasks, thus lacking generalizability. Recently, large pre-trained models, also known as FMs, have demonstrated remarkable successes in language, vision, and decision-making tasks across various domains. These models are trained on a large amount of data from multiple domains and modalities. Once trained, they can accomplish versatile tasks with just minor fine-tuning and minimal task-specific labeled data. Despite their proven effectiveness and huge potential, there has been little exploration of applying FMs to agriculture AI. Thus, this study aims to explore the potential of FMs in the field of smart agriculture. In particular, conceptual tools and technical background are presented to help the understanding of the problem space and uncover new research directions. To this end, recent FMs in the general CS domain are reviewed, and the models are categorized into four categories: language FMs, vision FMs, multimodal FMs, and reinforcement learning FMs. Then, the steps of developing agriculture FMs (AFMs) are outlined and potential applications in smart agriculture are discussed. Moreover, challenges and risks associated with developing AFMs are discussed, including model training, validation, and deployment. In summary, the advancement of AI in agriculture is explored by introducing AFMs as a promising paradigm that can significantly mitigate the reliance on extensive labeled datasets and enhance the efficiency, effectiveness, and generalization of agricultural AI systems.

Bản dịch tiếng Việt:

Thập kỷ qua đã chứng kiến ​​​​sự phát triển và áp dụng nhanh chóng các phương pháp ML & DL trong các hệ thống nông nghiệp, được thể hiện bằng những thành công lớn trong các ứng dụng nông nghiệp. Tuy nhiên, các mô hình ML/DL thông thường này có một số hạn chế nhất định: chúng phụ thuộc nhiều vào các bộ dữ liệu được gắn nhãn lớn, tốn kém để có được để đào tạo, yêu cầu chuyên môn chuyên môn để phát triển và bảo trì và hầu hết được thiết kế riêng cho các nhiệm vụ cụ thể, do đó thiếu tính khái quát. Gần đây, các mô hình được đào tạo trước lớn, còn được gọi là FM, đã chứng tỏ những thành công đáng kể về ngôn ngữ, tầm nhìn và nhiệm vụ ra quyết định trên nhiều lĩnh vực khác nhau. Những mô hình này được đào tạo trên một lượng lớn dữ liệu từ nhiều lĩnh vực và phương thức. Sau khi được đào tạo, họ có thể hoàn thành các nhiệm vụ linh hoạt chỉ với dữ liệu được gắn nhãn dành riêng cho nhiệm vụ tối thiểu và tinh chỉnh nhỏ. Mặc dù tính hiệu quả đã được chứng minh và tiềm năng to lớn của chúng, nhưng vẫn có rất ít nghiên cứu về việc áp dụng FM vào AI trong nông nghiệp. Vì vậy, nghiên cứu này nhằm mục đích khám phá tiềm năng của FM trong lĩnh vực nông nghiệp thông minh. Đặc biệt, các công cụ khái niệm và nền tảng kỹ thuật được trình bày để giúp hiểu biết về không gian vấn đề và khám phá các hướng nghiên cứu mới. Để đạt được mục đích này, các FM gần đây trong miền CS chung sẽ được xem xét và các mô hình được phân loại thành bốn loại: FM ngôn ngữ, FM tầm nhìn, FM đa phương thức và FM học tập tăng cường. Sau đó, các bước phát triển FM nông nghiệp (AFM) được vạch ra và các ứng dụng tiềm năng trong nông nghiệp thông minh sẽ được thảo luận. Hơn nữa, những thách thức và rủi ro liên quan đến việc phát triển AFM cũng được thảo luận, bao gồm đào tạo, xác nhận và triển khai mô hình. Tóm lại, sự tiến bộ của AI trong nông nghiệp được khám phá bằng cách giới thiệu AFM như một mô hình đầy hứa hẹn có thể giảm thiểu đáng kể sự phụ thuộc vào các bộ dữ liệu được dán nhãn rộng rãi và nâng cao hiệu quả, hiệu suất và tính tổng quát của các hệ thống AI trong nông nghiệp.

Document Ready

Click below to load the full PDF document natively.