Генеративный ИИ в агро- и пищевой цепочке: обзор и будущее

Данный мини-обзор дает представление о применении генеративного ИИ в агропродовольственной цепочке поставок и обсуждает открытые исследовательские задачи, в том числе в сочетании с цифровыми двойниками.

ChatGPT использует так называемую большую языковую модель (LLM) для текстового вывода проанализированных данных. Эти LLM являются одним из примеров генеративного искусственного интеллекта (ИИ), который фокусируется на создании нового контента (например, текста, изображений или музыки) на основе изученных шаблонов. В последнее время приложения в пищевой промышленности и сельском хозяйстве начали применять генеративный ИИ. 

Выпуск ChatGPT в ноябре 2022 года произвел революцию в нашем взаимодействии с технологиями, сделав обработку естественного языка более доступной и удобной для пользователя. ChatGPT использует модель GPT, так называемую большую языковую модель (LLM). LLM — это передовая система искусственного интеллекта (ИИ), обученная на огромных объемах текстовых данных для понимания и генерации человекоподобного языка. Ее потенциал заключается в способности выполнять широкий круг задач, связанных с языком, таких как перевод, обобщение и создание контента, с высокой точностью и связностью. LLM являются одним из ярких примеров генеративного ИИ — ветви ИИ, сосредоточенной на создании нового контента (например, текста, изображений или музыки) на основе изученных шаблонов и данных.

В последнее время потенциал генеративного ИИ также был замечен в пищевой промышленности и сельском хозяйстве. В этом мини-обзоре мы хотим предоставить обзор применения генеративного ИИ в агропродовольственной цепочке поставок. Для этого был проведен структурированный обзор литературы для ответа на следующие исследовательские вопросы:

-  Какие приложения в агропродовольственных цепочках используют генеративный ИИ?

-  В чем заключаются проблемы и потенциал генеративного ИИ в агропродовольственных приложениях?

Далее в Разделе 2 представлено подробное описание методологии обзора литературы. Затем в Разделе 3 представлены результаты исследования, т.е. выявленные приложения, использующие генеративный ИИ. После этого в Разделе 4 интерпретируются результаты и исследуются последствия полученных данных путем выявления открытых исследовательских задач и обобщения потенциала генеративного ИИ для агропродовольственных приложений, в том числе в сочетании с цифровыми двойниками. Наконец, в Разделе 5 представлено заключение, обобщающее основные результаты.

Мы применили структурированный обзор литературы, используя предварительно определенные поисковые запросы в базах данных Scopus, IEEE Xplore и ACM Digital Library; IEEE и ACM выбраны как важные издатели в области компьютерных наук. Поиск был проведен в июле 2024 года.

Основной целью данного исследования является генеративный ИИ. Кроме того, LLM были выбраны в качестве другой цели, поскольку исследование Ma et al. (2024) показало, что LLM обычно используются в пищевой науке. Для обзора литературы была применена следующая процедура.

Во-первых, следующие четыре поисковых запроса были применены во всех трех упомянутых библиотеках ("OR" имеет более высокий приоритет, чем "AND", и интерпретируется первым):

   "generative AI" OR "generative artificial intelligence" AND food

   "generative AI" OR "generative artificial intelligence" AND agriculture

   "LLM" OR "large language model" AND food

   "LLM" OR "large language model" AND agriculture

Для каждого поискового запроса мы сначала искали в Scopus, а затем в базах данных IEEE и ACM. В этом же порядке мы обрабатывали статьи. В общей сложности поиск с использованием поисковых запросов в трех упомянутых библиотеках дал 194 идентифицированные публикации.

Во-вторых, автор проверил заголовки и аннотации. Если статья соответствовала теме применения генеративного ИИ в сельскохозяйственном или пищевом промышленном кейсе, она добавлялась в список и полностью анализировалась. Дополнительно исключались уже найденные элементы в одной из других баз данных или с использованием других поисковых запросов. Также исключались статьи, не предоставляющие оригинального исследования, например, исправления и редакционные статьи. Статьи, описывающие применение в медицине или фармации, также исключались. Кроме того, некоторые статьи используют LLM как аббревиатуру для других терминов, например, "low-phytate soybean meal", "legume leaf meal" или "Low lactose milk"; такие статьи были исключены. Наконец, три статьи, которые не удалось получить, были исключены. После этих проверок осталось 45 статей.

В-третьих, автор прочитал все оставшиеся статьи и извлек следующую информацию, если статья подходила. (1) Был извлечен точный охват статьи (пищевые продукты, питание или сельское хозяйство). (2) Был извлечен используемый тип носителя. В основном это был текст, некоторые подходы также использовали или генерировали изображения. (3) Были извлечены детали приложения. После детального анализа каждой статьи еще 17 статей были исключены, так как фокус не подходил или генеративный ИИ не был значимым аспектом приложения. Следовательно, осталось 28 статей, которые были включены — выявленные приложения будут представлены в следующем Разделе 3. Таблица 1 представляет обзор релевантных количественных показателей.

ТАБЛИЦА 1 Обзор количества найденных, включенных и проанализированных статей.

В этом разделе описываются релевантные свойства, извлеченные в ходе обзора литературы, в отношении области применения и конкретных приложений. В Таблице 2 показаны извлеченные характеристики проанализированных статей.

ТАБЛИЦА 2 Обзор собранных данных для проанализированных подходов. Отсутствуют две обзорные статьи Ma et al. (2024) и Liu et al. (2023b). "Pic" относится к изображениям.

Обратите внимание: три статьи (Ma et al., 2024; Liu et al., 2023b; Yang et al., 2024a) являются обзорами литературы. Поскольку исследования Ma et al. (2024) и Liu et al. (2023b) не представляют конкретного подхода, мы не анализируем их в этом разделе. Однако Yang et al. (2024a) была включена, поскольку она фокусировалась на одном типе системы, а не на обзоре различных типов систем. Следовательно, это рассматривается как отдельная система и включено в анализ. В результате следующие результаты получены из оставшихся 26 работ.

 3.1 Применение генеративного ИИ в сельском хозяйстве

Применение в сельском хозяйстве часто фокусируется на идентификации болезней сельскохозяйственных культур. Здесь можно выделить (i) приложения, которые объединяют процедуры распознавания графической и текстовой информации (Selva Kumar et al., 2024; Qing et al., 2023), от (ii) приложений, интегрирующих LLM для получения рекомендаций по борьбе с выявленными болезнями (Madaan et al., 2023), также, например, в виде чат-ботов (Dhavale et al., 2024). Поскольку балансировка данных между данными о культурах с болезнями и данными о здоровых культурах является ключевой проблемой, некоторые работы описывают, как генерировать данные о болезнях культур с помощью генеративного ИИ, в основном фокусируясь на генерации изображений (Klair et al., 2024; Liu et al., 2023a). Другая важная тема, связанная с культурами, — это прогнозирование урожайности (Majumder et al., 2024).

Второе направление исследований фокусируется на извлечении информации для фермеров и других заинтересованных сторон из текстовых данных. Эти работы используют LLM, иногда предварительно обученные на специфических знаниях, для запроса релевантных данных в потенциально очень больших наборах данных (Stoyanov et al., 2023; Tzachor et al., 2023; Yang et al., 2024a). Другие работы используют оригинальную реализацию ChatGPT и изучают применимость для конкретных тем, например, для вопросов, связанных с почвоведением (Cahyana et al., 2024). Chebbi et al. (2024) использует распознавание именованных сущностей (NER) для оптимизации предоставления информации.

 3.2 Применение генеративного ИИ в области пищевых продуктов и питания

В области питания многие кейсы использования связаны с распознаванием пищи или генерацией рецептов. Первые работы фокусируются на применении ChatGPT. Garcia (2023) описывает применение ChatGPT в различных видах деятельности процесса оказания диетологической помощи. Однако Niszczota и Rybicka (2023) описывают проблемы доверия потребителей к рецептам, сгенерированным ChatGPT. Второй класс работ фокусируется на распознавании пищи, описывая применение (предварительно обученных) LLM для генерации рецептов (Rodríguez-de Vera et al., 2023), также используя методы преобразования изображения в рецепт (Chhikara et al., 2024). Еще одно направление исследований нацелено на преобразование моделей пищи в текстовую информацию в виде рецептов с использованием LLM (Venkataramanan et al., 2023; Razzaq et al., 2023). Важными элементами второго и третьего направлений исследований являются методы идентификации пищевых сущностей в кулинарных рецептах (Pitsilou et al., 2024), модели NER для рецептов (Agarwal et al., 2024) и обучение с нулевой выборкой для извлечения пищевых рецептов для решения проблемы отсутствия меток для рецептов (Caufield et al., 2024). Наконец, исследования также фокусируются на предоставлении индивидуальных рецептов и персонализированной информации о питании (Vadapalli et al., 2024; Szymanski et al., 2024), также с использованием чат-ботов (Yang et al., 2024b).

Другое направление исследований нацелено на применение в маркетинге для пищевой промышленности. Они включают генерацию маркетинговых текстов для индустрии продуктов питания и напитков (Kuang et al., 2024) и прогнозирование полезности продукта на основе отзывов клиентов с использованием LLM (Ishtiaq et al., 2024). Дополнительные применения LLM в пищевой науке представлены в работе (Ma et al., 2024).

В этом разделе обсуждаются результаты обзора литературы. Во-первых, обобщается потенциал генеративного ИИ для анализа пищевых производств, фокусируясь на основных приложениях, способах применения LLM и типе создаваемого и обрабатываемого контента. Во-вторых, описываются аспекты генеративного ИИ в агропродовольственной цепочке, которые еще недостаточно освещены в исследованиях, с акцентом на интеграцию цифровых двойников, объяснимость применяемого машинного обучения и проблему доверия к результатам алгоритмов машинного обучения. Наконец, в разделе указаны релевантные угрозы достоверности.

 4.1 Потенциал генеративного ИИ для агропродовольственной цепочки

 4.1.1 Основные приложения

Генеративный ИИ поддерживает управление сельскохозяйственными культурами, точно идентифицируя и диагностируя болезни растений с помощью передовых методов распознавания изображений и текста, обеспечивая своевременное и эффективное вмешательство. Кроме того, он помогает прогнозировать урожайность и оптимизировать распределение ресурсов, помогая фермерам принимать обоснованные решения для повышения производительности и устойчивости. В отношении пищевых продуктов и питания генеративный ИИ поддерживает генерацию рецептов, создавая персонализированные и инновационные рецепты на основе индивидуальных диетических предпочтений и потребностей в питании, улучшая пользовательский опыт при планировании питания. Он также облегчает генерацию рецептов и списков ингредиентов из изображений пищи.

 4.1.2 Использование LLM

Для обоих выявленных направлений исследований генеративный ИИ, в основном LLM, работает «в обоих направлениях»: для извлечения информации из данных и для генерации текста для представления данных. На сегодняшний день проанализированные подходы часто используют генеративный ИИ для поиска информации или такие общие модели, как GPT, для предоставления информации. Особенно для общения с людьми — потребителями, а также с другими заинтересованными сторонами в агропродовольственной цепочке — генеративный ИИ имеет большой потенциал, особенно для «перевода» содержания моделей, например, численного моделирования для пищевых производств. Подобно предметно-ориентированным языкам, которые представляют собой специализированные языки программирования, предназначенные для эффективного решения проблем в конкретной области (Fowler, 2010), было бы полезно использовать настраиваемые LLM, т.е. предварительно обучать их. Кроме того, здесь могут быть полезны специализированные для пищевой отрасли фундаментальные модели (например, Qi et al., 2023), а не общие модели, такие как GPT. В этом направлении требуются дальнейшие исследования.

 4.1.3 Мультимодальные подходы

Проанализированные подходы в основном используют текст (и, следовательно, LLM) в качестве базы данных; только приложения для борьбы с болезнями культур и одно приложение для извлечения рецепта из изображения применяют или генерируют данные изображений. Хотя такие мультимодальные подходы могут быть сложными, они обещают большой потенциал. Например, Klair et al. (2024) и Liu et al. (2023a) описывают, как генерировать данные о болезнях растений с помощью генеративного ИИ. Это очень важно, поскольку часто объем таких данных недостаточно велик, а сбор дополнительных таких данных дорогостоящий. Однако балансировка данных между элементами с релевантными аномалиями и нормальными экземплярами так же важна для анализа на основе машинного обучения, как и большой объем данных. Особенно генерация изображений все еще находится в зачаточном состоянии. Особенно если требуются очень точные представления, например, о растениях и деталях болезней, генерация изображений должна быть очень точной и иметь меньше творческой свободы. Поэтому общедоступные генераторы, такие как DALL-E, не подходят — индивидуально обученные нейронные сети, например, на основе генеративно-состязательных сетей, более применимы, ср. Liu et al. (2023a). Здесь существует высокий потенциал для будущих исследований, в том числе в области обнаружения аномалий продукции в пищевых производствах.

 4.2 Исследовательские задачи

 4.2.1 Цифровые (пищевые) двойники

Генеративный ИИ и цифровые пищевые двойники могут быть взаимосвязаны для создания высокоточных и динамичных виртуальных моделей пищевых продуктов и процессов (Liu et al., 2023b). Цифровые двойники, которые являются виртуальными копиями физических объектов или систем, могут использовать данные в реальном времени для моделирования и прогнозирования результатов пищевого производства (Henrichs et al., 2022), в то время как генеративный ИИ может улучшить генерацию этих моделей за счет интерпретации текстовых данных. Генеративный ИИ улучшает дополнение и интеграцию данных в цифровых (пищевых) двойниках, создавая высококачественную, трудно собираемую информацию, облегчая комплексный анализ данных, несмотря на неоднородный характер данных. При виртуальном моделировании генеративный ИИ обеспечивает создание разнообразных сценариев, например, позволяя фермерам изучать различные стратегии и потенциальные результаты, оптимизируя тем самым процессы принятия решений и снижая стоимость и риск, связанные с ручным созданием сценариев. Кроме того, контент, созданный ИИ, может упростить сложные рассуждения на основе графов знаний в более практичные и понятные рекомендации для заинтересованных сторон в агропродовольственной цепочке, сокращая разрыв между техническими идеями и практическими советами, что также может повысить доверие пользователей к этим системам. Интегрируя генеративный ИИ, цифровые двойники также могут прогнозировать сенсорные атрибуты и срок годности новых пищевых продуктов, обеспечивая более высокое качество и последовательность. Это требует преобразования потоков данных в категорийную текстовую информацию. Этот большой потенциал и широкий спектр применения пока недостаточно изучены.

 4.2.2 Объяснимость

Машинное обучение в пищевых приложениях имеет потенциал произвести революцию в таких областях, как персонализированное питание, мониторинг безопасности пищевых продуктов, сельскохозяйственные процессы и операции пищевой переработки, за счет анализа больших наборов данных для прогнозирования тенденций, анализа данных в реальном времени для повышения эффективности и автономного принятия решений (Krupitzer and Stein, 2024). Однако значительной проблемой машинного обучения, особенно глубокого обучения, является его необъяснимость; сложная и непрозрачная природа моделей глубокого обучения часто затрудняет понимание того, как принимаются решения. Эта проблема «черного ящика» может привести к проблемам с доверием и подотчетностью, поскольку заинтересованные стороны могут с трудом интерпретировать причины, лежащие в основе конкретных рекомендаций или действий, предпринятых системой. Синергия между генеративным ИИ и подходами, основанными на моделях, например, в сочетании с цифровыми двойниками, также может выиграть от использования генеративного ИИ для передачи результатов анализа. Например, вместо того, чтобы просто представлять новые конфигурации машин операторам линий или фермерам, цифровой двойник мог бы также объяснять их с помощью генеративного ИИ (Krupitzer et al., 2022). Однако это требует от генеративного ИИ понимания модели, что снова приводит к необходимости в специализированных для пищевой отрасли моделях генеративного ИИ, особенно LLM; кроме того, должна быть возможность гибко настраивать эти модели с использованием собственных данных компании. Конечно, объяснимость самого генеративного ИИ является еще одной важной темой.

 4.2.3 Доверие

Потенциальные проблемы доверия пользователей к генеративному ИИ включают опасения по поводу точности и надежности сгенерированного контента, поскольку пользователи могут опасаться, что информация, созданная ИИ, может быть вводящей в заблуждение или неверной (Niszczota and Rybicka, 2023). В целом, существует также обеспокоенность по поводу конфиденциальности и безопасности данных, поскольку пользователи и компании беспокоятся о том, как их личная информация используется и защищается системами ИИ. Этические соображения являются еще одним важным фактором: пользователи ставят под сомнение прозрачность процессов принятия решений ИИ и возможность предвзятости в результатах, созданных ИИ (см. предыдущий пункт об объяснимости). Кроме того, отсутствие человеческого контроля и подотчетности в операциях ИИ может привести к скептицизму, поскольку пользователи могут не быть уверены в способности ИИ надлежащим образом обрабатывать сложные, нюансированные ситуации. Это может быть критически важно в такой чувствительной области, как пищевая промышленность, где подотчетность и правовые нормы являются особенно важными темами. Наконец, потенциальное неправильное использование генеративного ИИ в злонамеренных целях, таких как создание ложной информации, еще больше обостряет проблемы доверия среди пользователей и может быть особенно проблематичным, когда процедуры сертификации пищевых продуктов полагаются на сгенерированную текстовую информацию.

 4.3 Угрозы достоверности

Из-за своего краткого характера данный мини-обзор не может обеспечить тщательный анализ темы. Кроме того, проанализированные работы не могли быть детально проанализированы, например, путем сравнения применяемых методов генеративного ИИ. Наконец, дополнительные статьи могут быть найдены при явном поиске ChatGPT, например, Zhao et al. (2023); однако эта работа не должна ограничиваться конкретными системами.

В этой статье представлен обзор применения генеративного ИИ в агропродовольственной цепочке. В отличие от Ma et al. (2024), обзор не ограничивается LLM. На основе анализа 26 работ наиболее заметными приложениями являются обнаружение болезней растений в сельском хозяйстве и генерация рецептов для кейсов использования в области пищевых продуктов и питания.

Интеграция генеративного ИИ для пищевой промышленности все еще находится в зачаточном состоянии. Проблемы заключаются особенно в мультимодальной интеграции различных источников данных, необходимости в специализированных для пищевой отрасли моделях, а не в фундаментальных моделях, таких как GPT, и в потенциальных проблемах доверия пользователей.

Однако потенциал генеративного ИИ в агропродовольственных приложениях очень велик, особенно для бесшовной интеграции пользователей с машинами. В этом отношении генеративный ИИ может помочь, генерируя объяснения машинных решений и передавая их пользователям. Кроме того, он имеет большой потенциал в извлечении информации из больших репозиториев данных с текстовой информацией.

1.    Agarwal A., Kapuriya J., Agrawal S., Konam A. V., Goel M., Gupta R., et al. (2024). Deep learning based named entity recognition models for recipes. In *Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)*, Torino, Italia. CrossRef Google Scholar.

2.    Cahyana D., Hadiarto A., Irawan, Hati D. P., Pratamaningsih M. M., Karolinoerita V., et al. (2024). Application of chatgpt in soil science research and the perceptions of soil scientists in Indonesia. Artif. Intell. Geosciences 5, 100078. doi: 10.1016/j.aiig.2024.100078. CrossRef Google Scholar.

3.    Caufield J. H., Hegde H., Emonet V., Harris N. L., Joachimiak M. P., Matentzoglu N., et al. (2024). Structured prompt interrogation and recursive extraction of semantics (spires): a method for populating knowledge bases using zero-shot learning. Bioinformatics 40, btae104. doi: 10.1093/bioinformatics/btae104. CrossRef Google Scholar.

4.    Chebbi A., Kniesel G., Abdennadher N., Dimarzo G. (2024). Enhancing named entity recognition for agricultural commodity monitoring with large language models. In Proceedings of the 4th Workshop on Machine Learning and Systems, Geneva, Switzerland, 22 April, 2024. Google Scholar.

5.    Chhikara P., Chaurasia D., Jiang Y., Masur O., Ilievski F. (2024). Fire: food image to recipe generation. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), Waikoloa, HI, USA, 03–08 January, 2024. Google Scholar.

6.    Dhavale C., Pawar T., Singh A., Pole S., Sabat K. (2024). Revolutionizing farming: Gan-enhanced imaging, cnn disease detection, and llm farmer assistant. In 2024 2nd International Conference on Computer, Communication and Control, Indore, India, 08–10 February, 2024. Google Scholar.

7.    Fowler M. (2010). Domain-specific languages. Boston, MA: Addison-Wesley Professional. Google Scholar.

8.    Garcia M. B. (2023). Chatgpt as a virtual dietitian: exploring its potential as a tool for improving nutrition knowledge. Appl. Syst. Innov. 6, 96. doi: 10.3390/asi6050096. CrossRef Google Scholar.

9.    Henrichs E., Noack T., Pinzon Piedrahita A. M., Salem M. A., Stolz J., Krupitzer C. (2022). Can a byte improve our bite? an analysis of digital twins in the food industry. Sensors 22, 115. doi: 10.3390/s22010115. CrossRef Google Scholar.

10. Ishtiaq A., Munir K., Raza A., Samee N. A., Jamjoom M. M., Ullah Z. (2024). Product helpfulness detection with novel transformer based bert embedding and class probability features. IEEE Access 12, 55905–55917. doi: 10.1109/ACCESS.2024.3390605. CrossRef Google Scholar.

11. Klair Y. S., Agrawal K., Kumar A. (2024). Impact of generative ai in diagnosing diseases in agriculture. In 2024 2nd International Conference on Disruptive Technologies (ICDT), Greater Noida, India, 15–16 March, 2024. Google Scholar.

12. Krupitzer C., Noack T., Borsum C. (2022). Digital food twins combining data science and food science: system model, applications, and challenges. Processes 10, 1781. doi: 10.3390/pr10091781. CrossRef Google Scholar.

13. Krupitzer C., Stein A. (2024). Unleashing the potential of digitalization in the agri-food chain for integrated food systems. Annu. Rev. Food Sci. Technol. 15, 307–328. doi: 10.1146/annurev-food-012422-024649. CrossRef Google Scholar.

14. Kuang A. C. L., Lim T. M., Tan C. W., Ho C. F., Husaini N. A. (2024). Ai ads: practicability of text generation for f&b marketing. J. Logist. Inf. Serv. Sci. 11, 324–345. doi: 10.33168/JLISS.2024.0220. CrossRef Google Scholar.

15. Liu B., Zhang H., Liu J., Wang Q. (2023a). Acigs: an automated large-scale crops image generation system based on large visual language multi-modal models. In 2023 20th Annual IEEE International Conference on Sensing, Communication, and Networking (SECON), Madrid, Spain, 11–14 September, 2023. Google Scholar.

16. Liu J., Zhou Y., Li Y., Li Y., Hong S., Li Q., et al. (2023b). Exploring the integration of digital twin and generative ai in agriculture. In *2023 15th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC)*, Hangzhou, China, 26–27 August, 2023. Google Scholar.

17. Ma P., Tsai S., He Y., Jia X., Zhen D., Yu N., et al. (2024). Large language models in food science: innovations, applications, and future. Trends Food Sci. & Technol. 148, 104488. doi: 10.1016/j.tifs.2024.104488. CrossRef Google Scholar.

18. Madaan V., Bindal G., Singh S., Yadav S. K., Singh A., Sinha P., et al. (2023). Integrating language models and machine learning for crop disease detection for farmer guidance. In *Workshop on Advances in Computational Intelligence (ACI-2023) co-located with the 2nd International Conference on Artificial Intelligence and Data Science (ICAIDS-2023)*, Hyderabad, Telangana, India, 29–30 December, 2023. Google Scholar.

19. Majumder S., Khandelwal Y., K S. (2024). Computer vision and generative ai for yield prediction in digital agriculture. In 2024 2nd International Conference on Networking and Communications (ICNWC). Google Scholar.

20. Niszczota P., Rybicka I. (2023). The credibility of dietary advice formulated by chatgpt: robo-diets for people with food allergies. Nutrition 112, 112076. doi: 10.1016/j.nut.2023.112076. CrossRef Google Scholar.

21. Pitsilou V., Papadakis G., Skoutas D. (2024). Using llms to extract food entities from cooking recipes. In 2024 IEEE 40th International Conference on Data Engineering Workshops (ICDEW), Utrecht, Netherlands, 13–16 May, 2024. Google Scholar.

22. Qi Z., Yu Y., Tu M., Tan J., Huang Y. (2023). Foodgpt: a large language model in food testing domain with incremental pre-training and knowledge graph prompt. arXiv:2308.10173. doi: 10.48550/arXiv.2308.10173. CrossRef Google Scholar.

23. Qing J., Deng X., Lan Y., Li Z. (2023). Gpt-aided diagnosis on agricultural image based on a new light yolopc. Comput. Electron. Agric. 213, 108168. doi: 10.1016/j.compag.2023.108168. CrossRef Google Scholar.

24. Razzaq M. S., Maqbool F., Ilyas M., Jabeen H. (2023). Evorecipes: a generative approach for evolving context-aware recipes. IEEE Access 11, 74148–74164. doi: 10.1109/ACCESS.2023.3296144. CrossRef Google Scholar.

25. Rodríguez-de Vera J. M., Villacorta P., Estepa I. G., Bolaños M., Sarasúa I., Nagarajan B., et al. (2023). Dining on details: llm-guided expert networks for fine-grained food recognition. In Proceedings of the 8th International Workshop on Multimedia Assisted Dietary Management, 29 October, 2023. Google Scholar.

26. Selva Kumar S., Khan A. K. M. A., Banday I. A., Gada M., Shanbhag V. V. (2024). Overcoming llm challenges using rag-driven precision in coffee leaf disease remediation. In 2024 International Conference on Emerging Technologies in Computer Science for Interdisciplinary Applications (ICETCS), Bengaluru, India, 22–23 April, 2024. Google Scholar.

27. Stoyanov S., Kumurdjieva M., Tabakova-Komsalova V., Doukovska L. (2023). Using llms in cyber-physical systems for agriculture - zemela. In 2023 International Conference on Big Data, Knowledge and Control Systems Engineering (BdKCSE), Bengaluru, India, 22–23 April, 2024. Google Scholar.

28. Szymanski A., Wimer B. L., Anuyah O., Eicher-Miller H. A., Metoyer R. A. (2024). Integrating expertise in llms: crafting a customized nutrition assistant with refined template instructions. In Proceedings of the CHI Conference on Human Factors in Computing Systems, Sofia, Bulgaria, 02–03 November, 2023. Google Scholar.

29. Tzachor A., Devare M., Richards C., Pypers P., Ghosh A., Koo J., et al. (2023). Large language models and agricultural extension services. Nat. food 4, 941–948. doi: 10.1038/s43016-023-00867-x. CrossRef Google Scholar.

30. Vadapalli J., Gupta S., Karki B., Tsai C.-H. (2024). Incorporating citizen-generated data into large language models. In Proceedings of the 25th Annual International Conference on Digital Government Research, New York, NY, USA, 11 June, 2024. Google Scholar.

31. Venkataramanan R., Roy K., Raj K., Prasad R., Zi Y., Narayanan V., et al. (2023). Cook-gen: robust generative modeling of cooking actions from recipes. In 2023 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Honolulu, Oahu, HI, USA, 01–04 October, 2023. Google Scholar.

32. Yang T., Mei Y., Xu L., Yu H., Chen Y. (2024a). Application of question answering systems for intelligent agriculture production and sustainable management: a review. Resour. Conservation Recycl. 204, 107497. doi: 10.1016/j.resconrec.2024.107497. CrossRef Google Scholar.

33. Yang Z., Khatibi E., Nagesh N., Abbasian M., Azimi I., Jain R., et al. (2024b). Chatdiet: empowering personalized nutrition-oriented food recommender chatbots through an llm-augmented framework. Smart Health 32, 100465. doi: 10.1016/j.smhl.2024.100465. CrossRef Google Scholar.

34. Zhao B., Jin W., Del Ser J., Yang G. (2023). Chatagri: exploring potentials of chatgpt on cross-linguistic agricultural text classification. Neurocomputing 557, 126708. doi: 10.1016/j.neucom.2023.126708. CrossRef Google Scholar.

Krupitzer C (2024) Generative artificial intelligence in the agri-food value chain - overview, potential, and research challenges. Front. Food. Sci. Technol. 4:1473357. doi: 10.3389/frfst.2024.1473357

Перевод статьи «Generative artificial intelligence in the agri-food value chain - overview, potential, and research challenges» автора Krupitzer C, оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: magnific