Enhancing Environmental Control in Broiler Production: Retrieval-Augmented Generation for Improved Decision-Making with Large Language Models.

Resumo

A crescente demanda mundial por proteína animal, especialmente carne de frango, impõe à avicultura o desafio de adaptar seus sistemas produtivos por meio da adoção de tecnologias digitais. Entre os avanços mais promissores da inteligência artificial (IA), os grandes modelos de linguagem (Large Language Models – LLMs) apresentam potencial para aprimorar a tomada de decisão na produção de frangos de corte, auxiliando no controle ambiental por meio da interpretação de dados climáticos, da geração de relatórios para otimização das condições de criação, da orientação sobre ajustes na ventilação, da recomendação de estratégias de manejo térmico, do apoio ao monitoramento da qualidade do ar e da tradução de resultados de simulações em recomendações práticas para melhorar o bem-estar das aves. Contudo, para que esse potencial seja plenamente explorado, é necessário superar limitações relacionadas à transparência, à exatidão, à precisão e à relevância das respostas geradas pelos LLMs. Este estudo investiga o impacto da técnica Retrieval-Augmented Generation (RAG) no aprimoramento da precisão e da relevância das respostas de LLMs voltadas ao controle ambiental em sistemas de produção de frangos de corte. Foram realizados experimentos utilizando o modelo OpenAI GPT-4o, combinados com análises de similaridade semântica, para avaliar a qualidade das respostas produzidas com e sem a utilização da RAG. Os resultados confirmaram a eficácia da abordagem, ao mesmo tempo em que identificaram aspectos passíveis de aperfeiçoamento. O teste t pareado revelou escores de similaridade significativamente mais elevados quando a RAG foi empregada, demonstrando seu impacto positivo na qualidade das respostas. Este estudo contribui para o avanço da aplicação de LLMs enriquecidos com RAG no controle ambiental da avicultura, atendendo às demandas do setor ao demonstrar como a inteligência artificial pode melhorar a tomada de decisão em favor da produtividade e do bem-estar animal, além de beneficiar a sociedade ao disponibilizar soluções acessíveis e de baixo custo para pequenos produtores, fornecendo informações práticas e orientadas para a gestão da produção.