Abu Dhabi telah mengembangkan sistem kecerdasan buatan yang dilatih khusus untuk menjawab pertanyaan-pertanyaan pertanian — dan tidak seperti ChatGPT atau alat AI komersial lainnya, AgriLLM sepenuhnya gratis untuk digunakan, dimodifikasi, atau dikembangkan oleh siapa saja.
Sistem ini, yang diciptakan oleh ai71 dalam kemitraan dengan 15 organisasi global termasuk CGIAR dan Gates Foundation, mengatasi masalah kritis: 75 persen keluarga petani di seluruh dunia kekurangan dukungan pertanian yang dapat diandalkan, menurut Organisasi Pangan dan Pertanian PBB.
“AgriLLM adalah model bahasa besar yang telah disesuaikan secara khusus untuk pertanian,” Mehdi Ghissassi, Chief Product and Technology Officer di ai71, mengatakan kepada Khaleej Times. “Meskipun model umum seperti ChatGPT dilatih pada data multi-domain yang luas, AgriLLM dilatih pada kumpulan data pertanian berkualitas tinggi dari lebih dari 15 mitra global.”
Tetap up to date dengan berita terbaru. Ikuti KT di Saluran WhatsApp.
Perbedaannya terlihat dalam pengujian. Berdasarkan evaluasi internal ai71, AgriLLM menghasilkan jawaban yang benar secara faktual sekitar 30 persen lebih sering dibandingkan GPT-4o ketika menjawab pertanyaan pertanian. Model ini mengutamakan akurasi dibandingkan panjang lebar, memberikan panduan yang ringkas dan berbasis bukti dibandingkan tanggapan luas yang mungkin mencakup informasi yang salah.
“Dalam bertani, jawaban yang penuh percaya diri namun salah dapat menimbulkan konsekuensi yang nyata,” kata Ghissassi. “Itulah sebabnya kami sangat berhati-hati untuk mendasarkan model ini pada pengetahuan pertanian yang terverifikasi.”
Permasalahan yang spesifik pada tanaman
Data pelatihan diambil dari sumber khusus, termasuk lebih dari 350.000 dokumen pertanian, 50.000 makalah penelitian, dan 120.000 pertanyaan pertanian dunia nyata dengan jawaban yang tervalidasi. Hal ini memungkinkan AgriLLM untuk menangani permasalahan spesifik tanaman, kondisi pertumbuhan regional, dan tantangan terkait iklim yang sering dihadapi oleh sistem AI untuk keperluan umum.
Ketika seorang petani bertanya tentang benih yang tahan kekeringan, sistem tidak menghasilkan rekomendasi umum. “Asisten dapat mengutip penelitian spesifik di balik panduan ini dan menyesuaikan respons terhadap pengguna—apakah itu petani, penyuluh, peneliti, atau pembuat kebijakan,” jelas Ghissassi.
AgriLLM juga menjadi lebih tepat ketika pertanyaannya semakin sempit. Pertanyaan yang luas mungkin akan memberikan saran umum, sementara pertanyaan lanjutan mengenai jenis tanah, lokasi, atau iklim akan memicu semakin banyaknya tanggapan yang ditargetkan berdasarkan pelatihan pertanian yang dilakukan.
Ahmed Waqqas Alawlaqi
Staf Penulis
Ahmed Waqqas Alawlaqi adalah Koresponden Khusus termuda, yang melaporkan dari Abu Dhabi tentang pemuda, AI dan inovasi, serta kisah-kisah kepentingan manusia. Karyanya menghadirkan perspektif eksklusif dari Ibu Kota, menyoroti suara-suara yang membentuk masa depan UEA.