Amélioration de la préservation de la sémantique des bâtiments dans l'entraînement des modèles d'IA grâce aux encodages des grands modèles linguistiques

Avancées dans l'entraînement des modèles d'IA pour la sémantique des bâtiments

Des recherches récentes mettent en lumière une percée dans l'industrie de l'architecture, de l'ingénierie, de la construction et de l'exploitation (AECO), en se concentrant sur l'amélioration de la représentation sémantique des bâtiments dans l'entraînement des modèles d'IA. En utilisant des embeddings de grands modèles de langage (LLM), l'étude révèle des améliorations significatives dans la capacité des systèmes d'IA à comprendre les relations entre les sous-types d'objets de bâtiment.

Méthodologie et résultats

La recherche a impliqué l'entraînement de modèles GraphSAGE pour classer 42 sous-types d'objets de bâtiment au sein de cinq modèles d'information de bâtiment (BIM) de grande hauteur. Les résultats ont indiqué que les encodages LLM surpassaient de manière significative la référence traditionnelle d'encodage one-hot, avec l'embedding compacté llama-3 atteignant un score F1 moyen pondéré de 0,8766, dépassant le score de 0,8475 pour l'encodage one-hot.

Implications pour l'industrie AECO

Les résultats soulignent le potentiel des encodages basés sur LLM pour améliorer la capacité de l'IA à interpréter des sémantiques de bâtiment complexes et spécifiques au domaine.