AgroLLM : connecter les agriculteurs et les pratiques agricoles grâce aux grands modèles linguistiques pour un transfert de connaissances et une application pratique améliorés

Les grands modèles linguistiques (LLM) offrent de nouvelles opportunités pour l'éducation agricole et le soutien à la décision, mais leur adoption est limitée par une terminologie spécifique au domaine, une récupération ambiguë et des incohérences factuelles. Ce travail présente AgroLLM, un système de connaissances agricoles gouverné par le domaine qui intègre des connaissances structurées issues de manuels scolaires avec une génération augmentée par récupération (RAG) et une couche de traitement des connaissances du domaine (DKPL). Le DKPL apporte des concepts symboliques du domaine, des règles causales et des seuils agronomiques qui guident la récupération et valident les résultats du modèle. Un corpus sélectionné de dix-neuf manuels agricoles a été converti en segments annotés sémantiquement et intégrés à l'aide des modèles Gemini, OpenAI et Mistral. La performance a été évaluée à l'aide d'un référentiel de 504 questions alignées avec quatre catégories de domaine FAO/USDA. Trois LLM (Mistral-7B, Gemini 1.5 Flash et ChatGPT-4o Mini) ont été évalués pour la qualité de récupération, la précision du raisonnement et la cohérence DKPL. Les résultats montrent que ChatGPT-4o Mini avec RAG contraint par DKPL a atteint la plus haute précision (95,2 %), avec des réductions substantielles des hallucinations et des violations numériques. L'étude démontre que l'intégration de connaissances structurées du domaine dans le pipeline RAG améliore significativement la cohérence factuelle et produit des recommandations agricoles fiables et contextuelles. AgroLLM offre une base reproductible pour développer des outils d'apprentissage et de conseil assistés par IA dignes de confiance en agriculture.