Fusión de grafo de conocimiento y modelo de lenguaje grande para la recomendación de conocimiento de emergencia en...

Área de la Ciencia:

• Respuesta a emergencias
• Gestión del conocimiento
• Inteligencia artificial

Sus antecedentes:

• Las emergencias en túneles de gas requieren decisiones rápidas y precisas.
• El conocimiento de emergencia a menudo está fragmentado en fuentes de datos no estructuradas.
• Los métodos existentes dificultan el acceso rápido a información crítica.

Objetivo del estudio:

• Desarrollar un enfoque de recomendación de conocimiento para emergencias en túneles de gas.
• Combinar sinérgicamente grafos de conocimiento (KG) y modelos de lenguaje grande (LLM).
• Mejorar la velocidad y la calidad de la toma de decisiones de emergencia.

Principales métodos:

• Construcción de un KG específico del dominio a partir de documentos de emergencia heterogéneos utilizando LLM optimizados por prompt.
• Recuperación de subgrafos relevantes mediante búsqueda vectorial basada en similitud semántica.
• Aumento dinámico de LLM con conocimiento de KG recuperado para reducir las alucinaciones.

Principales resultados:

• El enfoque propuesto KG-LLM supera significativamente a los LLM independientes y otras arquitecturas.
• Demostró mejoras en la precisión, completitud y coherencia del conocimiento de emergencia.
• El método proporciona un enfoque estructurado e interpretable para el soporte de decisiones impulsado por el conocimiento.

Conclusiones:

• El método integrado KG-LLM mejora la respuesta a emergencias en túneles de gas.
• Este enfoque ofrece una solución novedosa para la accesibilidad del conocimiento en escenarios de alto riesgo.
• Facilita una toma de decisiones más informada y oportuna durante eventos críticos.