Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Digital Green
Farmer.Chat, de Digital Green, répond aux questions des agriculteurs dans quatre pays
Digital Green, une organisation à but non lucratif qui travaille avec de petits exploitants, exploite Farmer.Chat, un chatbot multilingue d’IA générative qui répond aux questions sur les cultures et l’agriculture. Son équipe indique que près de 75 % des questions ont reçu une réponse, avec un temps de réponse moyen de 9,05 secondes.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
Près de 75 %
Part des questions des utilisateurs auxquelles la plateforme a répondu1
71 %
Précision moyenne du contexte (part des informations récupérées qui correspondent à la question), sur plus de 1 000 requêtes testées1
Près de 80 %
Requêtes dont la réponse reste très fidèle au contenu récupéré (évaluation RAGAS)1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
Les petits exploitants ne peuvent souvent pas obtenir à temps des conseils locaux sur les cultures, les ravageurs et la météo. Les services de vulgarisation traditionnels reposent sur des agents qui se déplacent en personne, ce qui est difficile à étendre dans les zones reculées. Les chatbots antérieurs suivaient des scripts fixes et géraient peu de langues.
Ce qu’ils ont construit
Farmer.Chat est un chatbot qui répond aux questions des agriculteurs en langage courant. Il fonctionne sur Telegram et WhatsApp et dans une application mobile, accepte le texte, les messages vocaux et les images, et prend en charge six langues (swahili, amharique, haoussa, hindi, odia et telugu, en plus de l’anglais). Il est déployé au Kenya, en Inde, en Éthiopie et au Nigeria. Ses utilisateurs sont des agriculteurs et des agents de vulgarisation agricole.
Comment ils s’y sont pris
Le système repose sur la génération augmentée par récupération : il cherche d’abord les passages pertinents dans une base de connaissances locale de documents et de vidéos, puis demande à un modèle de langage de rédiger la réponse à partir de ces passages. Selon l’article, GPT-4 filtre et reclasse les contenus récupérés et GPT-3.5 gère les autres tâches. Des prévisions météo et des diagnostics de maladies des cultures issus de services extérieurs sont ajoutés à certains endroits. La première version a été lancée sur Telegram au Kenya en octobre 2023 et améliorée en plusieurs étapes à partir des retours des utilisateurs et d’études qualitatives.
Résultats
L’équipe indique que la plateforme a répondu à près de 75 % des questions. Le temps de réponse moyen était de 9,05 secondes, passées surtout à reclasser et à générer la réponse. Dans des tests portant sur plus de 1 000 requêtes, la précision moyenne du contexte était de 71 %, et près de 80 % des réponses avaient une grande fidélité au contenu récupéré. 67 % ont été jugées très pertinentes. Les auteurs font état d’une grande satisfaction des utilisateurs quant à la qualité et à la pertinence des réponses, en particulier chez les femmes et les agriculteurs peu alphabétisés, d’après leurs études auprès des utilisateurs et leurs entretiens.
Tous les chiffres publiés
| Indicateur | Chiffre | Citation |
|---|---|---|
| Part des questions des utilisateurs auxquelles la plateforme a répondu | Près de 75 %1 | |
| Temps de réponse moyen | 9,05 secondes1 | |
| Précision moyenne du contexte (part des informations récupérées qui correspondent à la question), sur plus de 1 000 requêtes testées | 71 %1 | |
| Requêtes dont la réponse reste très fidèle au contenu récupéré (évaluation RAGAS) | Près de 80 %1 | |
| Réponses jugées très pertinentes | 67 %1 |
Enseignements pour votre projet
Fondez les réponses sur une base de connaissances locale et soignée. Farmer.Chat puise dans des documents et des vidéos propres à chaque région plutôt que de s’en remettre aux connaissances générales du modèle.
Allez là où sont déjà les utilisateurs. Les bots Telegram et WhatsApp évitent de demander à des agriculteurs peu alphabétisés d’installer quoi que ce soit, et les messages vocaux et les images élargissent l’accès.
Mesurez les questions restées sans réponse et classez-les par cause. L’équipe a trié les échecs par type, comme les questions hors champ, pour décider quel contenu ajouter.
Testez les biais avant de passer à l’échelle. L’équipe a mené un exercice de red teaming sur les biais de genre (sondage délibéré pour détecter des réponses injustes) dans le cadre de l’évaluation.
Réserves
- Les chiffres proviennent d’un article rédigé par des membres de Digital Green et un auteur de Microsoft Research India. Ils ne sont pas vérifiés de manière indépendante.
- Les scores de qualité (précision du contexte, fidélité, pertinence) proviennent d’une notation automatisée par LLM (la bibliothèque RAGAS), et non d’agronomes qui vérifient les réponses.
- Les totaux d’utilisateurs et de requêtes mis en avant par l’article (plus de 15 000 agriculteurs, plus de 300 000 requêtes) ne sont pas repris comme indicateurs, car les effectifs par pays de son tableau n’additionnent pas au même total.
- L’article indique que GPT-4 sert au filtrage et au reclassement et GPT-3.5 aux autres tâches. Les modèles ont pu changer depuis octobre 2024.
- L’étiquette de secteur est le choix le plus proche disponible pour le conseil agricole (vulgarisation auprès des agriculteurs). Le déployeur est une organisation à but non lucratif.
- L’article date le premier lancement d’octobre 2023 au Kenya. L’article porte la date indiquée du 8 octobre 2024 (version 2).
Sources
- Farmer.Chat: Scaling AI-Powered Agricultural Services for Smallholder Farmers
arXiv (Digital Green and Microsoft Research India) · 2024-10-08 · Article de recherche · arxiv.org
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.