Ik zou het niet vertrouwen. Gezien de ongelukkige kritische massa van "bro-science", onjuiste opvattingen en algemene statistische ruis in de trainingsdata... zou je beter af zijn met het vertrouwd raken met een geschikt hulpmiddel, zoals KIS Organic's 'A Dichotomous Key for Understanding Nutrient Deficiencies'.
Als je vasthoudt aan een tech-enabled oplossing, zou je beter af zijn met Google Lens en dynamisch de scope van een hoge resolutie afbeelding aanpassen om iets te onderzoeken waar je twijfels over hebt of waar je verloren over bent.
Wat gaat ChatGPT zeggen als je bladeren een X-tekort vertonen, maar het echte probleem eigenlijk over- of onderbewatering is, niet de beschikbare voedingsstoffen? Dit zijn de grenswaardegevallen waar menselijke intuïtie en ervaring van pas komen.
Kan dit gedaan worden? Dit kan absoluut gedaan worden. We zouden het samen kunnen doen. We zouden een enorme en JUIST gelabelde dataset nodig hebben, we zouden een open-source beeldverwerkingsmachine learning-algoritme gebruiken, en we zouden itereren totdat het de gespecificeerde nauwkeurigheid heeft. Er zijn momenteel vergelijkbare/analoge toepassingen van dergelijke modellen in de industrie, we kunnen meer berichten als je geïnteresseerd bent.
Persoonlijk gezien, het diep in veel technische onderwerpen zitten professioneel heeft me doen getuigen van de pure incompetentie van bijna elke LLM die op de markt beschikbaar is. Doe je iets waar het antwoord simpelweg een statistische verdraaiing is van de eindige aard van de linguïstiek waar data al op de juiste manier is geconvergeerd in de training? Vraag dan zeker die LLM om je grammatica te verbeteren. Vraag het niet over (bijvoorbeeld) juridisch advies of nuance IMO.