SAULO - Modelo de inteligencia artificial generativa para optimizar la producción de aguacate Hass, mediante LLMs y datos locales reales de la unidad productiva

Abstract

Colombia es el tercer productor mundial de aguacate Hass, con proyección de crecimiento del 36% en las próximas décadas. Sin embargo, el modelo agrícola del país presenta un bajo nivel técnico en la fertilización de suelos, lo que ha llevado a un uso excesivo de fertilizantes. Entre 2002 y 2016, el consumo de nitrógeno, fósforo y potasio (N-P-K) en Colombia fue 4.3 veces superior al promedio global, generando desequilibrios en la producción, impactos ambientales y altos sobrecostos. Esta investigación propone SAULO – Agrónomo digital apalancado por Inteligencia Artificial Generativa para Optimizar la Producción de Aguacate Hass, un modelo basado en Modelos de Lenguaje Generativos (LLMs) para optimizar la fertilización del cultivo aprovechando los datos locales de unidades productivas. El estudio se desarrolla en una unidad productiva piloto en Colombia, donde se implementará una plataforma con una base de datos Neo4j, optimizada para manejar grafos y relaciones semánticas. SAULO emplea agentes inteligentes que interpretan datos en lenguaje natural (NL) y generan recomendaciones sobre fertilización, riego y control de plagas. El diseño metodológico sigue un enfoque pro-code, integrando LLMs con recuperación aumentada de información (RAG) para mejorar la precisión y contextualización de las respuestas. La evaluación del modelo se realiza evidenciando la capacidad de SAULO para responder preguntas específicas de la unidad productiva sin generar alucinaciones, manteniendo siempre el contexto y la veracidad de los datos entregados al usuario. El impacto esperado de este desarrollo incluye la reducción del desperdicio de insumos, mayor eficiencia en la toma de decisiones agronómicas y una plataforma escalable para la agricultura de precisión. (Tomado de la fuente)

Colombia is the third largest Hass avocado producer in the world, with a projected growth of 36% in the coming decades. However, the country's agricultural model presents a low technical level in soil fertilization, which has led to an excessive use of fertilizers. Between 2002 and 2016, the consumption of nitrogen, phosphorus and potassium (N-P-K) in Colombia was 4.3 times higher than the global average, generating imbalances in production, environmental impacts and high cost overruns. This research proposes SAULO - Digital Agronomist Leveraged by Generative Artificial Intelligence to Optimize Hass Avocado Production, a model based on Generative Language Models (LLMs) to optimize crop fertilization taking advantage of local data from productive units. The study is being developed in a pilot production unit in Colombia, where a platform will be implemented with a Neo4j database, optimized to handle graphs and semantic relationships. SAULO employs intelligent agents that interpret data in natural language (NL) and generate recommendations on fertilization, irrigation and pest control. The methodological design follows a pro-code approach, integrating LLMs with augmented information retrieval (AGR) to improve the accuracy and contextualization of responses. The evaluation of the model is performed by evidencing the capacity of SAULO to answer specific questions of the productive unit without generating hallucinations, always maintaining the context and the veracity of the data delivered to the user. The expected impact of this development includes the reduction of input wastage, greater efficiency in agronomic decision-making and a scalable platform for precision agriculture.