Современное промышленное садоводство оснащают автоматизированными метеостанциями, датчиками мониторинга состояния растений и почвы, а также IoT-платформами. Развитие цифровизации производственных процессов садоводства обусловливает необходимость разработки интеллектуальной системы поддержки принятия решений. Применение методов обработки естественного языка (NLP) с использованием больших языковых моделей (LLM), компьютерного зрения и анализа данных позволило разработать программный комплекс «AI-агент поддержки принятия решений» для садоводства. В составе AI-агента реализованы механизм генерации с дополненным поиском (RAG), позволяющий получать ответы на профессиональные вопросы, интерфейс анализа изображений растений на базе YOLO, модуль мониторинга с настройкой уведомлений и интеграцией с внешними источниками (MQTT, API), а также инструменты А/Б тестирования для сравнения эффективности ответов. AI-агент построен на открытых библиотеках Python, предоставляет веб-интерфейс (Gradio) и REST API. Экспериментальная оценка показала, что применение RAG повышает релевантность ответов: в 84% случаев эксперты отдали предпочтение ответам, дополненным информацией из базы знаний (доверительный интервал для 95% составил [78,2%; 89,8%] при p менее 0,001). Распознавая объекты яблоневого сада, модуль компьютерного зрения на основе YOLO достиг точности 0,82 и полноты 0,76. Система мониторинга обеспечивает прием данных через MQTT и HTTP с пропускной способностью до 500 записей/с и отправляет оповещения в Telegram со средней задержкой 2 с. Разработанный AI-агент можно использовать как исследовательский инструмент для проведения научных экспериментов и создания коммерческих решений в области точного садоводства: например, автоматизированных рабочих мест агронома, платформ для мониторинга растений, сервисов дистанционной диагностики болезней, систем раннего оповещения о неблагоприятных событиях (заморозки, засуха, вредители) и модулей прогнозирования урожайности./Modern industrial horticulture is increasingly integrating automated weather stations, soil and plant sensors, and the Internet of Things (IoT) platforms. This pervasive digitalization necessitates the development of intelligent decision support systems (IDSS) capable of interpreting complex agro-data. By leveraging natural language processing (NLP) via Large Language Models (LLMs), computer vision, and real-time data analysis, the author has developed the “AI Decision Support Agent” – a specialized software package for digital horticulture. The system features a Retrieval-Augmented Generation (RAG) mechanism for expert-level query resolution, a YOLO-based computer vision interface for plant phenotyping and object detection, and a monitoring module with MQTT and API integration for real-time sensor data acquisition. Additionally, an A/B testing framework was implemented to evaluate the qualitative accuracy of system responses. Built using open-source Python libraries, the agent provides a Gradio-based web interface and a scalable REST API. Experimental evaluation demonstrated that the RAG mechanism significantly enhances response relevance: in 84% of cases, experts preferred RAGaugmented responses over standard LLM outputs (95% confidence interval (CI) [78.2%, 89.8%]; p 0.001). For apple orchard object detection, the YOLO-based vision module achieved a precision of 0.82 and a recall of 0.76. The data acquisition system maintains a throughput of up to 500 records per second via MQTT and HTTP, with notification delay averaging 2 seconds. The developed IDSS serves as a versatile tool for both academic research and commercial applications in precision horticulture, including automated agronomist workstations, plant monitoring platforms, remote disease diagnostics, early-warning systems for biotic and abiotic stresses (frost, drought, pests), and yield forecasting modules.
