Sztuczna inteligencja w ramach

Teza

Nie twierdzimy, że modele językowe są błędne. Twierdzimy, że bez ram ich wyniku nie sposób zweryfikować ani powtórzyć — i że da się to zmierzyć.

Co się psuje, gdy ram nie ma

W rolnictwie te trzy problemy mają cenę wyrażoną w kilogramach azotu, plonie i emisji.

Odpowiedzialne wdrożenie: etapy

Gdzie w tym wszystkim stoi model językowy

W obu drogach pracuje ten sam rodzaj modelu językowego. Różnica jest jedna: w górnej to on jest źródłem treści merytorycznej, w dolnej — tylko tłumaczem między rolnikiem a mechanizmem, który liczy.

Metoda pomiaru

100

rzeczywistych pól
11 regionów, po 25 na uprawę

3

powtórzenia
tego samego pytania

2

modele językowe
Claude Sonnet 5 i Haiku 4.5

3

dopuszczalne klasy
obniż / utrzymaj / zwiększ

Pola z rejestru ARiMR, dane pogodowe historyczne. Oba modele językowe pochodzą od tego samego dostawcy — nie porównujemy konkurentów, tylko dwa narzędzia z jednej półki. Każde z 900 zapytań zapisane wraz z parametrami technicznymi; przebieg jest odtwarzalny z jednego pliku.

Ta sama rada? Zależy, kogo zapytasz

Tych samych sto pól, to samo pytanie, dwa różne modele generyczne. Każdy kwadrat to jedno pole.

Każdy z tych modeli powtarza swoją odpowiedź, zapytany ponownie o to samo pole. Stabilność jest więc pozorna: rolnik dostaje stabilną radę tego modelu. Zmieni się narzędzie — zmieni się rada. Nowa też będzie powtarzalna.

Oba modele mylą się — każdy inaczej

Wiersz: co wynika z danych pola. Kolumna: co doradził model. Liczby to pola.

Pierwszy skręca w stronę „obniż": rozdaje tę radę na 63 pola ze stu i trafia w 31 — czyli myli się częściej, niż ma rację. Drugi rozkłada błędy równiej, ale ląduje niewiele powyżej zgadywania. Mechanizm liczący musi osiągnąć F1 = 0,9 — żaden z tych modeli nawet się do tego nie zbliża.

Co zostaje po odpowiedzi

{
  "klasa": "utrzymaj",
  "probabilities": {
    "obniż":    0.000,
    "utrzymaj": 0.985,
    "zwiększ":  0.015
  },
  "model_version":
    "...-rf-v20260421-92ad0fb",
  "trained_at": "2026-04-21",
  "f1_macro_cv": 0.9123
}

{
  "klasa": "zwiększ",
  "dawka_kg_n_ha": 160,
  "uzasadnienie":
    "Gleba lekka, opady poniżej
     średniej, warto rozważyć
     wyższą dawkę."
}

Skąd wiadomo, że mechanizm jest sprawdzony

Trafność rdzenia mierzona niezależnie od tego wystąpienia — walidacją krzyżową, na danych odłożonych poza uczenie. Tę samą liczbę widzieliście przed chwilą w odpowiedzi API.

Tej liczby nie da się podać dla modelu generycznego — nie ma czego zwalidować. Nie ma wersji, zbioru testowego ani progu, o który można się oprzeć.

Czego ten pomiar nie dowodzi

• Dwa modele generyczne, nie wszystkie. Inny dostawca mógłby wypaść inaczej.
• Jedna dziedzina. Dawka azotu to wąskie i dobrze postawione pytanie.
• Rzeczywiste pola, symulowana reakcja. Pola z rejestru ARiMR, gleba i pogoda realne — symulowana jest odpowiedź plonu na azot.
• Walidacja polowa jest przed nami. Zaplanowana na danych stacji doświadczalnych i własnych poletkach hold-out.

Twierdzimy jedno: rada bez ram nie daje się ani wybrać, ani sprawdzić. I to zostało zmierzone.

Wniosek wykracza poza rolnictwo