دستیار هوشمند بومی علوم خاک

ظهور «هوش مصنوعی مولد» (Generative Artificial Intelligence – GenAI) پارادایم جدیدی را در ترویج کشاورزی و مدیریت دانش پدید آورده و روند گذار به کشاورزی هوشمند را تسریع بخشیده است (خنیفر، ۱۴۰۴a؛ ۱۴۰۴b). بااین‌حال، «مدل‌های زبانی بزرگ» (Large Language Models – LLMs) عمومی، به‌عنوان زیرمجموعه‌ای از هوش مصنوعی مولد، علی‌رغم توانایی بالا در پردازش داده‌های متنی و تصویری، در ارائۀ توصیه‌های تخصصی در زمینۀ علوم خاک همچنان با چالش‌هایی مواجه‌اند. این مدل‌ها عمدتاً به‌دلیل فقدان دانش تخصصی عمیق، به‌ویژه عدم دسترسی به «دانش بومی» و عدم اشراف بر «بوم‌سازگان اقلیمی ایران»، به کلی‌گویی روی آورده یا اطلاعات نادرست (توهّم) تولید می‌کنند (Khanifar, 2025a).

پژوهش اخیر (Khanifar, 2025b) نشان می‌دهد دقت این مدل‌ها در پاسخ‌دهی به پرسش‌های تخصصی علوم خاک حدود ۶۵ درصد است. اگرچه ارزیابی‌های جدیدتر حاکی از بهبود عملکرد تا مرز ۸۰ درصد در مفاهیم عمومی علوم خاک است، شکاف عملکردی در مواجهه با داده‌های محلی و تجویزهای دقیق زراعی/خاکی همچنان عمیق به نظر می‌رسد. این کاستی می‌تواند به توصیه‌های نادرست کودی، تخریب منابع خاک و به‌خطرافتادن امنیت غذایی منجر شود؛ نقیصه‌ای که همراه با خطر بالای تولید اطلاعات غیرواقعی، یکی از موانع اصلی جلب اعتماد بهره‌برداران و کارشناسان به شمار می‌رود.

به‌منظور غلبه بر محدودیت‌های یادشده، یک معماری ترکیبی پیشنهاد و پیاده‌سازی خواهد شد؛ ساختاری چهارلایه که همچون یک نیمرخ خاک، از سطح در دسترسِ کاربر تا بستر دانش راستی‌آزمایی‌شده امتداد می‌یابد.

در این سامانه، پس از دریافت ورودی کاربر، درخواست در چهار گام پردازش می‌شود تا پاسخی دقیق و بومی تولید گردد:

• ۱
  دریافت ورودی — متن، نتایج آزمایش خاک یا تصویر گیاه توسط کاربر ارسال و ابتدا با LLM عمومی تحلیل می‌شود.
• ۲
  بازیابی دانش بومی — سیستم با استفاده از تکنیک RAG، دقیق‌ترین مستندات علمی بومی و مرتبط را بازیابی می‌کند.
• ۳
  پیمایش گراف دانش — هم‌زمان، روابط علّی و معلولی میان موجودیت‌ها از گراف دانش استخراج می‌شود.
• ۴
  تولید پاسخ نهایی — مدل زبانی با تلفیق «دانش جهانی خود» و «دانش بومی بازیابی‌شده»، پاسخ نهایی را به کاربر ارائه می‌دهد.

پیاده‌سازی این سامانه، برخلاف روش‌های سنتی توسعۀ هوش مصنوعی که نیازمند «تنظیم دقیق» کامل مدل‌ها و زیرساخت‌های سخت‌افزاری سنگین است، بر معماری RAG و گراف دانش استوار است؛ رویکردی که دو مزیت راهبردی به همراه دارد: