מודלי שפה קטנים: פתרון AI לרפתות ללא ענן

בעידן שבו מודלי שפה גדולים דורשים כוח מחשוב ענק, חקלאי חלב מתקשים להשתמש בהם בשטח. מחקר חדש מציג פתרון: מודלי שפה קטנים (SLM) שרצים על חומרה מקומית ברפתות. החוקרים בדקו 20 מודלים פתוחים מקהילת HuggingFace תחת מגבלות מחשוב מציאותיות של חווה חקלאית, ומצאו הבטחה גדולה לתמיכה בהחלטות עסקיות יומיומיות. המחקר בנה מערכת AI אג'נטית המשלבת חמישה אג'נטים ייעודיים: חיפוש ספרות, חיפוש באינטרנט, אינטראקציה עם בסיס נתונים SQL, בסיס נתונים NoSQL ויצירת גרפים על פי מודלים חזויים. הבדיקה התבצעה בשתי שלבים: שלב ראשון עם חמש שאלות סינון בסיסיות הקשורות לחלב, כדי לזהות מודלים שמסוגלים לעקוב אחר הוראות ולפעול בסביבה מוגבלת. מודלים שעברו נבדקו בשלב שני עם 30 שאלות – חמש לכל קטגוריית משימה, בתוספת קטגוריה לבדיקת יושרה. בתוצאות, מודל Qwen-4B הצטיין ברוב קטגוריות המשימות, אף שהראה חוסר יציבות באינטראקציה עם NoSQL דרך PySpark. זהו המחקר הראשון שבודק במפורש את כדאיות SLM כמנועים לתמיכת החלטות בחקלאות חלב, עם דגש על פרטיות ויעילות מחשוב. SLM מאפשרים פריסה מעשית ברפתות, מבלי להסתמך על שירותי ענן יקרים. המשמעות לחקלאים ישראלים גדולה: רפתות בישראל, שמתמודדות עם אתגרי כוח אדם ומשאבים, יכולות להשתמש בכלים כאלה לשיפור ניהול עדרים, תזונה ותחזוקה. בהשוואה ל-LLM כבדים, SLM מציעים גישה דמוקרטית יותר ל-AI, במיוחד באזורים עם חיבור אינטרנט חלש. המחקר מדגיש את הצורך בכוונון נוסף לשאלות ספציפיות לחלב. לסיכום, SLM מבטיחים מהפכה בחקלאות חלב, אך דורשים שיפור. חקלאים ועסקים חקלאיים בישראל צריכים לשקול פיילוטים עם Qwen-4B כדי לבחון יישום בשטח. האם הגיע הזמן להטמיע AI מקומי ברפתות?