要約
さまざまな最適化システムへの人工知能 (AI) モデルの組み込みが増加しています。
しかし、複雑な都市管理や環境管理の問題に対処するには、通常、深い領域科学と情報学の専門知識が必要です。
この専門知識は、情報に基づいた意思決定をサポートするためのデータとシミュレーション主導の導出に不可欠です。
これに関連して、事前トレーニングされた大規模言語モデル (LLM) を活用する可能性を調査します。
ChatGPT API を推論コアとして採用することで、自然言語処理、メソントロジー ベースのプロンプト チューニング、およびトランスフォーマーを含む統合ワークフローの概要を示します。
このワークフローは、既存の研究論文や都市データセットとシミュレーションの技術マニュアルを使用して、シナリオベースのオントロジーの作成を自動化します。
私たちの方法論の成果は、広く採用されているオントロジー言語 (OWL、RDF、SPARQL など) のナレッジ グラフです。
これらは、データとメタデータのモデリング、複雑なデータセットの統合、マルチドメイン シミュレーション モデルの結合、意思決定指標とワークフローの定式化を強化することにより、都市意思決定支援システムの開発を促進します。
私たちの方法論の実現可能性は、AI によって生成されたオントロジーと、一般的なオントロジー ソフトウェア (例: prot\’eg\’e) のチュートリアルで採用されている有名なピザ オントロジーを並べた比較分析を通じて評価されます。
最後に、情報に基づいた意思決定をサポートするために、さまざまなドメイン データとシミュレーションのアンソロジーを生成することによって、複合輸送貨物輸送の複雑な都市システムを最適化する実際のケース スタディで終わります。
要約(オリジナル)
The incorporation of Artificial Intelligence (AI) models into various optimization systems is on the rise. Yet, addressing complex urban and environmental management problems normally requires in-depth domain science and informatics expertise. This expertise is essential for deriving data and simulation-driven for informed decision support. In this context, we investigate the potential of leveraging the pre-trained Large Language Models (LLMs). By adopting ChatGPT API as the reasoning core, we outline an integrated workflow that encompasses natural language processing, methontology-based prompt tuning, and transformers. This workflow automates the creation of scenario-based ontology using existing research articles and technical manuals of urban datasets and simulations. The outcomes of our methodology are knowledge graphs in widely adopted ontology languages (e.g., OWL, RDF, SPARQL). These facilitate the development of urban decision support systems by enhancing the data and metadata modeling, the integration of complex datasets, the coupling of multi-domain simulation models, and the formulation of decision-making metrics and workflow. The feasibility of our methodology is evaluated through a comparative analysis that juxtaposes our AI-generated ontology with the well-known Pizza Ontology employed in tutorials for popular ontology software (e.g., prot\’eg\’e). We close with a real-world case study of optimizing the complex urban system of multi-modal freight transportation by generating anthologies of various domain data and simulations to support informed decision-making.
arxiv情報
| 著者 | Jose Tupayachi,Haowen Xu,Olufemi A. Omitaomu,Mustafa Can Camur,Aliza Sharmin,Xueping Li |
| 発行日 | 2024-05-29 16:40:31+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google