Aprovechamiento de LLMs para la Complejidad Ambiental: Conjuntos de Datos Estructurados de Ajuste Fino y Estrategias...

Área de la Ciencia:

• Ciencias Ambientales; Inteligencia Artificial; Ciencia de Datos

Sus antecedentes:

• La inteligencia artificial (IA) generativa, en particular los modelos de lenguaje grandes (LLM), tiene el potencial de avanzar en el análisis ambiental.
• Los desafíos de despliegue incluyen el conocimiento de dominio estructurado limitado y estrategias de toma de decisiones poco claras.
• Los modelos de IA existentes carecen de adaptabilidad en contextos complejos de toma de decisiones ambientales.

Objetivo del estudio:

• Desarrollar un conjunto de datos de conocimiento ambiental centrado en China para el ajuste fino y la evaluación comparativa de LLM.
• Evaluar las compensaciones de rendimiento entre LLM ajustados y generalistas en la toma de decisiones ambientales.
• Proponer una estrategia de despliegue en capas para LLM en inteligencia ambiental.

Principales métodos:

• Construcción de un conjunto de datos de conocimiento ambiental jerárquicamente organizado y basado en libros de texto.
• Ajuste fino de LLM en el conjunto de datos especializado para tareas ambientales estandarizadas.
• Evaluación comparativa de modelos ajustados frente a modelos generalistas de última generación en flujos de trabajo agénticos y tareas de decisión.
• Evaluación del rendimiento del modelo en términos de precisión, eficiencia de respuesta, adaptabilidad y sostenibilidad a nivel de sistema.

Principales resultados:

• Los modelos de ajuste fino mostraron mejoras modestas en precisión (+1%) y eficiencia (+52%) en tareas estandarizadas, pero adaptabilidad limitada (-3%) en flujos de trabajo agénticos.
• Los modelos generalistas superaron en sostenibilidad a nivel de sistema y tareas interdisciplinarias (+10%), demostrando un razonamiento interdominio y una integración de herramientas superiores.
• Existe una compensación entre el ajuste fino especializado y la adaptabilidad amplia para los LLM en aplicaciones ambientales.

Conclusiones:

• Se recomienda una estrategia de despliegue de LLM en capas para la inteligencia ambiental.
• El ajuste fino selectivo es adecuado para tareas estables, regulatorias y de verificación.
• Los flujos de trabajo agénticos con modelos generalistas son efectivos para la toma de decisiones dinámica, intensiva en datos e interdisciplinaria.
• El estudio proporciona un conjunto de datos reutilizable y un marco para desplegar LLM como herramientas de apoyo a la toma de decisiones ambientales.