智能提取储库调度信息,整合大型语言模型和结构化提示

科学领域:

• 水文与水资源工程 水文与水资源工程
• 环境科学中的人工智能
• 信息提取和自然语言处理.

背景情况:

• 储调度法规对于运营效率和决策至关重要.
• 目前的信息提取方法由于手动数据标签而耗时.
• 现有的人工智能处理水库调度方法在认知负载和输出稳定性方面面临挑战.

研究的目的:

• 开发一种高效,准确的实体和关系提取方法,用于使用结构化提示的储调度.
• 创建一个人工智能代理,帮助水资源专业人员获取结构化数据.
• 为了解决手动标签和自然语言的局限性,在人工智能驱动的提取中引发不稳定性.

主要方法:

• 改进标签并使用Backus-Naur Form (BNF) 组织它们,以创建一个结构化的提示格式.
• 开发一个人工智能代理,以结构化提示语言为导向,用于储库调度提取.
• 进行实验验证,以评估AI代理的性能和效率.

主要成果:

• 人工智能代理有效地减少了用户的认知负担和输出不稳定性.
• 在实体和关系方面,F1得分高于80%的高提取性能.
• 证明了结构化提示语言在指导大型语言模型中的有效性.

结论:

• 拟议的方法提供了一种新且有效的解决方案,用于在水库运输中提取知识.
• 这种方法可以扩展到其他水资源管理领域.
• 人工智能代理为专业人士提供了一个实用的工具,增强决策和智能建议.