El modelo de lenguaje basado en inteligencia artificial sensible - ChatGPT: Análisis bibliométrico y posibles usos en la agricultura y pecuaria

Autores

  • Raúl Siche Escuela de Ingeniería Agroindustrial, Facultad de Ciencias Agropecuarias, Universidad Nacional de Trujillo, Trujillo.
  • Nikol Siche Escuela de Ingeniería Zootecnia, Facultad de Ciencias Agropecuarias, Universidad Nacional de Trujillo.

DOI:

https://doi.org/10.17268/sci.agropecu.2023.010

Palavras-chave:

modelo de lenguaje autorregresivo, aprendizaje profundo, producción de textos, minería de texto, minería de datos, inteligencia artificial, chatbot

Resumo

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

Publicado

2023-03-17

Como Citar

Siche, R. ., & Siche, N. . (2023). El modelo de lenguaje basado en inteligencia artificial sensible - ChatGPT: Análisis bibliométrico y posibles usos en la agricultura y pecuaria. Scientia Agropecuaria, 14(1), 111-116. https://doi.org/10.17268/sci.agropecu.2023.010

Edição

Seção

Artículos originales

Artigos mais lidos pelo mesmo(s) autor(es)

<< < 1 2