El modelo de lenguaje basado en inteligencia artificial sensible - ChatGPT: Análisis bibliométrico y posibles usos en la agricultura y pecuaria
DOI:
https://doi.org/10.17268/sci.agropecu.2023.010Palavras-chave:
modelo de lenguaje autorregresivo, aprendizaje profundo, producción de textos, minería de texto, minería de datos, inteligencia artificial, chatbotResumo
ChatGPT su suma a la lista de sistemas basados en inteligencia artificial diseñados para realizar tareas específicas y responder preguntas mediante la interacción con los usuarios (Siri de Apple, Alexa de Amazon, Assistant y Bard de Google, Cortana de Microsoft, Watson de IBM, Bixby de Samsung, entre otros). ChatGPT funciona utilizando el modelo de lenguaje GPT (Transformador Preentrenado Generativo) de OpenAI y es capaz de aprender de las preferencias y patrones de comportamiento de los usuarios para personalizar su respuesta. ChatGPT tiene el potencial de ser aplicado en diferentes ámbitos, siendo la educación, periodismo, redacción científica, comunicación, biología celular, biotecnología, donde ya existen evidencias. El objetivo de este trabajo fue analizar las posibles aplicaciones de ChatGPT en la industria agrícola y pecuaria. En primer lugar, fue realizado un análisis cenciométrico con VosViewer y Bibliometrix (Bliblioshiny). Se identificaron 3 clústeres: (a) Característica principales; (b) sistemas de aprendizaje que utiliza; y (c) aplicaciones. A la pregunta ¿Cuáles son las principales aplicaciones en que ChatGTP revolucionará la agricultura (o pecuaria) en el mundo? ChatGPT respondió: (a) en el ámbito agrícola: mejora de la toma de decisiones agrícolas, optimización de la producción agrícola, detección y prevención de enfermedades de las plantas, gestión del clima y gestión de la cadena de suministro; y (b) en el campo pecuario: mejora de la salud y el bienestar animal, optimización de la producción animal, gestión de la cadena de suministro, detección y prevención de enfermedades zoonóticas y gestión del clima para la producción animal. ChatGPT no fundamenta científicamente su respuesta, pero del análisis realizado, encontramos que existe suficiente evidencia científica para concluir, en este caso, que sus respuestas fueron correctas. Si bien ChatGPT no necesariamente fundamenta científicamente sus respuestas, los usuarios deberían hacerlo. Faltan estudios del uso de la Inteligencia Artificial y su relación con la ética.
Referências
Agtecher (2022). How OpenAI and ChatGPT can be used in Agriculture. https://agtecher.com/es/how-openai-and-chatgpt-can-be-used-in-agriculture/
Cahan, P., & Treutlein, B. (2023). A conversation with ChatGPT on the role of computational systems biology in stem cell research. Stem Cell Reports, 18(1), 1-2. https://doi.org/10.1016/j.stemcr.2022.12.009
Di, Y., Gao, M., Feng, F., Li, Q., & Zhang, H. (2022). A New Framework for Winter Wheat Yield Prediction Integrating Deep Learning and Bayesian Optimization. Agronomy, 12(12), 3194. MDPI AG. http://dx.doi.org/10.3390/agronomy12123194
Dimitriadou, E., & Lanitis, A. (2023). A critical evaluation, challenges, and future perspectives of using artificial intelligence and emerging technologies in smart classrooms. Smart Learning Environments, 10, 12.
Else, H. (2023). Abstracts written by ChatGPT fool scientists. Nature 613, 423. doi: https://doi.org/10.1038/d41586-023-00056-7
Ezanno, P., Picault, S., Beaunée, G., (...), Monod, H., Guégan, J.-F. (2021). Research perspectives on animal health in the era of artificial intelligence. Veterinary Research, 52(1),40. https://doi.org/10.1186/s13567-021-00902-4
Gallardo, M., Elia, A., Thompson, R.B. (2020). Decision support systems and models for aiding irrigation and nutrient management of vegetable crops. Agricultural Water Management, 240, 106209. https://doi.org/10.1016/j.agwat.2020.106209
Ganesh, A., & Kalpana, P. (2022). Future of artificial intelligence and its influence on supply chain risk management – A systematic review. Computers and Industrial Engineering, 169, 108206. https://doi.org/10.1016/j.cie.2022.108206
García, R., Aguilar, J., Toro, M., (...), Pinto, A., Rodríguez, P. (2023). Autonomic computing in a beef-production process for Precision Livestock Farming. Journal of Industrial Information Integration, 31, 100425. https://doi.org/10.1016/j.jii.2022.100425
Holzinger, A., Keiblinger, K., Holub, P., Zatloukal, K., Müller, H. (2023). AI for life: Trends in artificial intelligence for biotechnology. New Biotechnology, 74, 16-24. https://doi.org/10.1016/j.nbt.2023.02.001
Hassan, S. M., Maji, A. K., Jasiński, M., Leonowicz, Z., & Jasińska, E. (2021). Identification of Plant-Leaf Diseases Using CNN and Transfer-Learning Approach. Electronics, 10(12), 1388. http://dx.doi.org/10.3390/electronics10121388
Huh, S. (2023). Issues in the 3rd year of the COVID-19 pandemic, including computer-based testing, study design, ChatGPT, journal metrics, and appreciation to reviewers. Journal of educational evaluation for health professions, 20, 5.
Janzen, T. (2023). What are five ways ChatGPT will revolutionize agriculture in the U.S.? https://www.agriculture.com/news/technology/what-are-five-ways-chatgtp-will-revolutionize-agriculture-in-the-us
Ji, B., Banhazi, T., Perano, K., (...), Wang, C., Li, B. (2020). A review of measuring, assessing and mitigating heat stress in dairy cattle. Biosystems Engineering, 199, 4-26. https://doi.org/10.1016/j.biosystemseng.2020.07.009
Kumar, P., Udayakumar, A., Anbarasa Kumar, A. et al. Multiparameter optimization system with DCNN in precision agriculture for advanced irrigation planning and scheduling based on soil moisture estimation. Environ Monit Assess, 195, 13. https://doi.org/10.1007/s10661-022-10529-3
Pavlik, J. V. (2023). Collaborating With ChatGPT: Considering the Implications of Generative Artificial Intelligence for Journalism and Media Education. Journalism & Mass Communication Educator, 78(1), 84–93. https://doi.org/10.1177/10776958221149577
Reagan, K. L., Deng, S., Sheng, J., et al. (2022). Use of machine-learning algorithms to aid in the early detection of leptospirosis in dogs. Journal of Veterinary Diagnostic Investigation, 34(4), 612-621. https://doi.org/10.1177/10406387221096781
Sadiku, M. N., Ashaolu, T. J., Ajayi-Majebi, A., & Musa, S. M. (2021). Artificial intelligence in education. International Journal of Scientific Advances, 2(1), 5–11.
SinghA. K., BhakatC., GhoshM. K., & DuttaT. K. (2021). Technologies used at advanced dairy farms for optimizing the performance of dairy animals: A review. Spanish Journal of Agricultural Research, 19(4), e05R01. https://doi.org/10.5424/sjar/2021194-17801
Stokel-Walker, C., & Van Noorden, R. (2023). What ChatGPT and generative AI mean for science. Nature, 614(7947), 214–216. https://doi.org/10.1038/d41586-023-00340-6
Sajith, G., Srinivas, R., Golberg, A., Magner, J. (2022). Bio-inspired and artificial intelligence enabled hydro-economic model for diversified agricultural management. Agricultural Water Management, 269, 107638. https://doi.org/10.1016/j.agwat.2022.107638
Stokel-Walker, C. (2023). ChatGPT listed as author on research papers: many scientists disapprove. Nature, 613, 620-621. https://doi.org/10.1038/d41586-023-00107-z
Tedeschi, L. O. (2022). ASAS-NANP symposium: Mathematical modeling in animal nutrition: The progression of data analytics and artificial intelligence in support of sustainable development in animal science. Journal of Animal Science, 100(6), skac111. https://doi.org/10.1093/jas/skac111
Thorp, H. H. (2023). ChatGPT is fun, but not an author. Science, 379(6630), 313. https://doi.org/10.1126/science.adg7879
van Dis, E.A.M., Bollen, J., Zuidema, W., van Rooij, R., Bockting, C.L. (2023). ChatGPT: five priorities for research. Nature, 614(7947), 224-226. https://doi.org/10.1038/d41586-023-00288-7
Uyeh, D. D., Mallipeddi, R., Park, T., Woo, S., & Ha, Y. (2022) Technological Advancements and Economics in Plant Production Systems: How to Retrofit? Front. Plant Sci., 13, 929672. https://doi.org/10.3389/fpls.2022.929672
Vidyarthi, V. K., & Jain, A. (2023). Advanced Rule-Based System for Rainfall Occurrence Forecasting by Integrating Machine Learning Techniques. Journal of Water Resources Planning and Management, 149(1), 04022072.
Wilkinson, J. M., Lee, M. R. F., Rivero, M. J., & Chamberlain, A. T. (2020). Some challenges and opportunities for grazing dairy cows on temperate pastures. Grass and Forage Science, 75(1), 1-17. https://doi.org/10.1111/gfs.12458
Wong, L-W., Tan, G. V.-H., Ooi, K.-B., Lin, B., & Dwivedi, Y. K. (2022). Artificial intelligence-driven risk management for enhancing supply chain agility: A deep-learning-based dual-stage PLS-SEM-ANN analysis. International Journal of Production Research, 2063089. https://doi.org/10.1080/00207543.2022.2063089
Yağ, İ., & Altan, A. (2022). Artificial Intelligence-Based Robust Hybrid Algorithm Design and Implementation for Real-Time Detection of Plant Diseases in Agricultural Environments. Biology, 11(12), 1732. http://dx.doi.org/10.3390/biology11121732
Downloads
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Scientia Agropecuaria
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Los autores que publican en esta revista aceptan los siguientes términos:
a. Los autores conservan los derechos de autor y conceden a la revista el derecho publicación, simultáneamente licenciada bajo una licencia de Creative Commons que permite a otros compartir el trabajo, pero citando la publicación inicial en esta revista.
b. Los autores pueden celebrar acuerdos contractuales adicionales separados para la distribución no exclusiva de la versión publicada de la obra de la revista (por ejemplo, publicarla en un repositorio institucional o publicarla en un libro), pero citando la publicación inicial en esta revista.
c. Se permite y anima a los autores a publicar su trabajo en línea (por ejemplo, en repositorios institucionales o en su sitio web) antes y durante el proceso de presentación, ya que puede conducir a intercambios productivos, así como una mayor citación del trabajo publicado (ver efecto del acceso abierto).
