ChatLeafDisease: un enfoque de prompting de cadena de pensamiento para la clasificación de enfermedades de cultivos...

Área de la Ciencia:

• Ciencia Agrícola
• Inteligencia Artificial
• Patología Vegetal

Sus antecedentes:

• La clasificación precisa de las enfermedades de los cultivos es vital para la seguridad alimentaria y el manejo eficaz de las enfermedades.
• Los modelos de aprendizaje profundo requieren una cantidad sustancial de datos de entrenamiento, lo que limita su aplicación a diversos cultivos.
• Los modelos de lenguaje grandes (LLM) ofrecen potencial para el aprendizaje zero-shot, pero su uso en la clasificación de enfermedades de cultivos está poco explorado.

Objetivo del estudio:

• Desarrollar un marco novedoso y sin entrenamiento para la clasificación de enfermedades de cultivos utilizando LLM.
• Evaluar la eficacia del marco propuesto frente a los modelos existentes para la identificación de enfermedades del tomate.
• Evaluar la escalabilidad y el rendimiento del marco para nuevas enfermedades de cultivos.

Principales métodos:

• Se desarrolló ChatLeafDisease (ChatLD), un marco basado en GPT-4o con prompting de cadena de pensamiento (CoT).
• Se integró una base de datos de descripciones de enfermedades y un agente de clasificación guiado por prompts de CoT.
• Se comparó el rendimiento de ChatLD con los modelos GPT-4o, Gemini y CLIP (Contrastive Language-Image Pre-training).

Principales resultados:

• ChatLD logró una precisión del 88,9% para seis enfermedades del tomate, superando significativamente a GPT-4o (45,9%), Gemini (56,1%) y CLIP (64,3%).
• Las reglas de puntuación dentro de los prompts de CoT fueron cruciales para capturar las diferencias específicas de las enfermedades y mejorar la precisión.
• Las descripciones de enfermedades condensadas mejoraron el rendimiento de la clasificación, y ChatLD demostró una alta precisión para nuevas enfermedades de cultivos, lo que indica escalabilidad.

Conclusiones:

• El marco ChatLD ofrece una solución basada en LLM altamente precisa y escalable para la clasificación de enfermedades de cultivos.
• Este enfoque sin entrenamiento, que aprovecha las descripciones textuales, supera las limitaciones de datos de los métodos de aprendizaje profundo tradicionales.
• ChatLD presenta una alternativa prometedora para la identificación de enfermedades agrícolas, apoyando los esfuerzos de seguridad alimentaria mundial.