Applying generative AI to plant disease diagnosis: a multimodal agent for supporting smallholder farmers

• Ano de defesa: 2025
• Autor(a) principal: SILVA, Ladson Gomes
• Orientador(a): BLAWID, Stefan Michael
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Generative artificial intelligence; Retrieval-augmented generation; Plant disease diagnosis; Conversational systems; Knowledge retrieval; Agricultural technology
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/66963

O presente trabalho busca entender como técnicas mais recentes de inteligên cia artificial generativa—como os Modelos de Linguagem de Grande Escala (LLMs) e a Geração Aumentada por Recuperação (RAG) podem ser aplicadas no diagnóstico de doenças em plantas. O estudo envolve a criação do LIMMO, um agente conver sacional multimodal pensado para ajudar agricultores familiares por meio de conver sas em linguagem natural e também pelo envio de imagens. Combinando modelos avançados de linguagem, análise de imagem com redes neurais e recuperação de in formações especializadas, o sistema tenta lidar com alguns dos principais desafios do campo, como a falta de acesso a dados confiáveis e a dificuldade de conseguir apoio técnico em tempo real. A arquitetura final do sistema integra múltiplas fontes de con hecimento, incluindo uma base de dados vetoriais local, APIs de busca na web (como a Tavily) e a API da Embrapa para acesso a dados agrícolas especializados. Para análise de imagens, o sistema utiliza uma abordagem redundante, com a API CultivAI como método primário e o processamento baseado em GPT como sistema de backup quando aextração principal falha ou é questionada pelo usuário. Esta arquitetura mod ular com Protocolos de Contexto de Modelo (MCPs) demonstrou ser mais eficiente que as implementações anteriores baseadas em sistemas multi-agentes. A metodolo gia de avaliação utilizou 100 perguntas sintéticas, analisando precisão, consistência factual, qualidade da recuperação e utilidade das respostas. Os resultados mostram que o sistema RAG com acesso a fontes externas supera significativamente as abor dagens que dependem apenas de conhecimento local, particularmente em consultas complexas ou fora do escopo imediato da base de conhecimento. Para o futuro, o tra balho aponta caminhos que incluem expansão das fontes de dados, testes massivos em condições reais, desenvolvimento de um sistema de rastreamento de doenças, e mecanismos para diferenciação de ferramentas generalistas como ChatGPT, Gemini ou Perplexity AI em consultas fora do escopo especializado.