iPAS 備考專區 登入

iPAS AI 應用規劃師 初級 科目二 生成式 AI 應用與規劃・115 年第一次・L12・第 31 題

農場病蟲害文件庫要用哪種 AI 技術?

原題

某有機農場累積了十年的病蟲害防治紀錄文件,包含不同作物的病害症狀描述、防治方法和效果評估。農場主希望建立一個 AI 助手,能根據農民描述的作物症狀,快速提供相關的防治建議和歷史案例。下列哪一種技術最適合解決這個需求?

白話

一家有機農場累積了十年的病蟲害防治文件,記錄了不同作物的病害症狀、防治方法和效果評估。農場主想建一個 AI 助手:農民描述作物症狀,AI 就能從這批文件裡找出相關建議和歷史案例。

問你:要讓 AI 助手能查閱農場自己的十年文件庫來回答農民的問題,該用哪種技術?

一句話總結

有一大批私有文件、需要 AI 查完再回答時,RAG(Retrieval-Augmented Generation,檢索增強生成)是標準做法:先把文件變成向量資料庫,用戶問問題時先搜尋相關文件片段,再把片段交給大語言模型組成回覆。

情境

先感受問題:農場累積了十年文件,農民怎麼快速查?

「綠野有機農場」的場主陳大明,十年來把每一次病蟲害的情況都記錄下來:2015 年 6 月番茄葉片出現黃斑、原因是早疫病、處理方式是施用某種有機銅劑、效果評估等等,總共累積了 3,000 份文件。

現在一個年輕農民阿志跑來說:「我的稻子葉尖變黑,有點像燒焦,最近雨水多,怎麼辦?」

陳大明腦海裡隱約記得幾年前有類似案例,但 3,000 份文件他翻不完。他希望建一個 AI 助手,阿志輸入症狀描述,系統能自動找出最相關的歷史案例並給出建議。

關鍵問題:這 3,000 份文件是農場私有的,ChatGPT 這類通用模型訓練資料裡沒有。要讓 AI 能查這些文件,得想辦法讓它「存取」這批資料。

舊方法

沒有 RAG 之前,私有文件庫怎麼用?

  1. 直接問通用 AI:ChatGPT 有農業通識,但不知道綠野農場的具體記錄。回答是通用知識,不是農場自己的案例,對阿志的情況未必適用
  2. 把文件全貼進提示詞:3,000 份文件幾百萬字,大語言模型的輸入長度有限制(通常幾萬到幾十萬 token),根本塞不下。即使塞得下,成本也極高
  3. 人工整理 FAQ:請人把 3,000 份文件整理成問答,費時費力,而且整理完又過時了
  4. Fine-tuning(微調模型):把文件用來訓練模型,但農場每週都有新紀錄,訓練一次要花大量資源,無法即時更新
  5. 關鍵字搜尋:阿志說「葉尖變黑」,但文件裡寫的是「葉片末端褐化」,關鍵字對不上就搜不到

以上方法都有共同問題:要嘛資料用不到,要嘛成本太高,要嘛無法即時更新。

新方法

RAG 怎麼解

RAG(Retrieval-Augmented Generation,檢索增強生成)把這個問題分成兩個階段:

第一階段:建庫(Indexing)。把 3,000 份文件拆成段落,每段話用嵌入模型(Embedding Model)轉成一串數字(向量)。這些向量存進向量資料庫(Vector Database)。這個過程就像把每段文字都「翻譯成坐標」,意思相近的句子坐標會很近。

第二階段:查詢與生成(Retrieval + Generation)。阿志輸入「稻子葉尖變黑,像燒焦,雨水多」,系統先把這句話也轉成向量,在資料庫裡找出最相近的 5-10 段文件片段。找到之後,把這些片段和阿志的問題一起送進大語言模型,模型根據這些「相關的證據」組合成一個有依據的回覆。

這樣,農場的私有文件庫就變成了 AI 助手的「即時查閱資料」。新增文件只要重新嵌入存入向量庫,不需要重新訓練模型。

這就是選項 C 講的:採用 RAG 技術,將農場文件建立向量資料庫,結合大語言模型生成回答。

錯選項

為什麼其他選項是錯的

A直接使用 ChatGPT 的預訓練知識回答農業問題

字面在說什麼

不做任何額外設定,直接用 ChatGPT 等通用模型回答農業問題,靠它在訓練時學到的農業知識。

為什麼不對

ChatGPT 的訓練資料不包含「綠野有機農場的十年記錄」這類私有資料。它能給出通用農業建議,但無法引用農場自己的歷史案例。題目明確說要「提供相關的防治建議和歷史案例」,通用模型做不到這一點。

誰會選錯

對 RAG 不熟、以為 ChatGPT 什麼都知道的人。通用模型的強項是廣泛知識,弱項是私有、即時、特定組織的資訊。

B將所有文件內容加入 ChatGPT 的系統提示詞中

字面在說什麼

把 3,000 份文件全部貼進每次對話的系統提示詞(System Prompt),讓 AI 直接「看到」所有資料。

為什麼不對

大語言模型的 Context Window(輸入上限)有限制,3,000 份文件根本放不下。即使未來模型支援更長 Context,每次請求都傳送全部文件,API 費用極高,回應速度也會很慢。RAG 只傳送「最相關的幾段」,效率高很多。

誰會選錯

知道「要把資料給 AI 看」但不知道向量檢索做法的人。B 方向對,但工程上不可行。

D使用少樣本學習(Few-shot Learning),在提示詞中提供 3-5 個病害案例

字面在說什麼

每次問問題時,在提示詞裡放 3-5 個相關病害案例作為範例,讓 AI 學習這個格式後給出回覆。

為什麼不對

Few-shot Learning 是讓模型學習「回覆的格式與風格」,不是讓它查閱完整的 3,000 份文件。3-5 個例子遠不夠覆蓋所有病蟲害情況。農場有 3,000 份歷史紀錄,目的是讓 AI「查得到」這些紀錄,不是「模仿格式」。

誰會選錯

混淆 Few-shot(示範格式)和 RAG(查閱資料庫)兩個概念的人。Few-shot 是提示技巧,RAG 是知識存取架構,兩者解決不同問題。

變形題

同個考點下次怎麼變形

延伸

想再往下看,這 5 個

答案、題目或解析有問題?回報這題

出處:iPAS 經濟部產業人才能力鑑定 ・ 115 年第一次 iPAS AI 應用規劃師 初級 科目二 生成式 AI 應用與規劃 第 31 題

看官方原文 PDF

原題 © 經濟部產業發展署,AITerms.tw 僅作教學解析使用,本站解析以 CC BY-NC-SA 4.0 授權。