A RAG-Based Multi-Agent LLM System for Natural Hazard Resilience and Adaptation

要約

大規模な言語モデル（LLMS）は、人工知能と機械学習のフロンティアでの変革能力であり、極端な自然災害イベントなどの差し迫った社会的課題に対処する際に意思決定者をサポートできます。
一般化されたモデルとして、LLMはしばしば、特に特別な知識を必要とする分野で、コンテキスト固有の情報を提供するのに苦労しています。
この作業では、自然災害と極端な気象現象のコンテキストでの分析と意思決定をサポートするために、検索された生成（RAG）ベースのマルチエージェントLLMシステムを提案します。
概念実証として、山火事シナリオに焦点を当てた専門システムであるWildFiregptを提示します。
このアーキテクチャは、ユーザー中心のマルチエージェント設計を採用して、多様な利害関係者グループ全体でテーラードリスクの洞察を提供します。
ドメイン固有の投影データ、観測データセット、および科学文献をRAGフレームワークを通じて統合することにより、システムは、提供する情報の精度とコンテキストの関連性の両方を保証します。
10の専門家主導のケーススタディにわたる評価は、WildFiregptが自然災害および極端な天候の文脈での意思決定支援のための既存のLLMベースのソリューションを大幅に上回ることを示しています。

要約(オリジナル)

Large language models (LLMs) are a transformational capability at the frontier of artificial intelligence and machine learning that can support decision-makers in addressing pressing societal challenges such as extreme natural hazard events. As generalized models, LLMs often struggle to provide context-specific information, particularly in areas requiring specialized knowledge. In this work, we propose a Retrieval-Augmented Generation (RAG)-based multi-agent LLM system to support analysis and decision-making in the context of natural hazards and extreme weather events. As a proof of concept, we present WildfireGPT, a specialized system focused on wildfire scenarios. The architecture employs a user-centered, multi-agent design to deliver tailored risk insights across diverse stakeholder groups. By integrating domain-specific projection data, observational datasets, and scientific literature through a RAG framework, the system ensures both accuracy and contextual relevance of the information it provides. Evaluation across ten expert-led case studies demonstrates that WildfireGPT significantly outperforms existing LLM-based solutions for decision support in natural hazard and extreme weather contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google