[论文解读] Future-proofing geotechnics workflows: accelerating problem-solving with large language models

Stephen Wu, Yu Otake+17 more|arXiv (Cornell University)|Dec 14, 2023

Artificial Intelligence in Healthcare and Education被引用 4

一句话总结

本文展示了大型语言模型（LLMs）如ChatGPT如何通过在从基于文本的数据提取到多模态分析等多样化任务中实现快速、数据驱动的问题解决，从而加速岩土工程工作流程。本研究基于一场面向20名从业者的实践研讨会，表明LLMs可提升效率与决策能力，但专家监督和定制化界面在专业应用中对于确保准确性依然至关重要。

ABSTRACT

The integration of Large Language Models (LLMs) like ChatGPT into the workflows of geotechnical engineering has a high potential to transform how the discipline approaches problem-solving and decision-making. This paper delves into the innovative application of LLMs in geotechnical engineering, as explored in a hands-on workshop held in Tokyo, Japan. The event brought together a diverse group of 20 participants, including students, researchers, and professionals from academia, industry, and government sectors, to investigate practical uses of LLMs in addressing specific geotechnical challenges. The workshop facilitated the creation of solutions for four different practical geotechnical problems as illustrative examples, culminating in the development of an academic paper. The paper discusses the potential of LLMs to transform geotechnical engineering practices, highlighting their proficiency in handling a range of tasks from basic data analysis to complex, multimodal problem-solving. It also addresses the challenges in implementing LLMs, particularly in achieving high precision and accuracy in specialized tasks, and underscores the need for expert oversight. The findings demonstrate LLMs' effectiveness in enhancing efficiency, data processing, and decision-making in geotechnical engineering, suggesting a paradigm shift towards more integrated, data-driven approaches in this field. This study not only showcases the potential of LLMs in a specific engineering domain, but also sets a precedent for their broader application in interdisciplinary research and practice, where the synergy of human expertise and artificial intelligence redefines the boundaries of problem-solving.

研究动机与目标

• 调查大型语言模型（LLMs）在真实岩土工程工作流程中实际集成的可行性。
• 评估LLMs在处理复杂、数据稀疏且多学科交叉的岩土工程问题方面的有效性。
• 识别LLM应用中的挑战，特别是精度、可靠性以及与领域专用工具集成方面的问题。
• 证明即使非AI专家也能通过指导性、实践性的研讨会快速应用LLMs完成岩土工程任务。
• 建立一个未来在岩土工程领域采用LLM的框架，平衡自动化与专家验证。

提出的方法

• 组织了一场面向20名来自学术界、产业界和政府部门的岩土工程专业人员、学生和研究人员的实践研讨会。
• 将LLMs应用于四个真实的岩土工程问题，包括数据解读、设计概念生成和报告摘要。
• 使用经过定制的GPT-4版本，以提升在岩土工程背景下的领域相关性和准确性。
• 采用提示工程和迭代反馈来优化LLM输出的技术精确度。
• 将LLMs与现有的岩土工程数据库和分析工具集成，以提升数据检索与解读能力。
• 设计用户界面，确保LLMs能够有效与工程工作流程中的数值和文本数据源进行交互。

实验结果

研究问题

• RQ1 LLMs如何被有效应用于加速岩土工程工作流程中的问题解决？
• RQ2 在土壤性质估算或设计参数生成等高精度岩土工程任务中，使用LLMs的关键挑战是什么？
• RQ3 非AI专家在极少培训的情况下，能在多大程度上快速应用LLMs解决复杂的岩土工程问题？
• RQ4 如何将LLMs与现有工程工具和数据库集成，以增强数据处理和决策能力？
• RQ5 专家监督在确保LLM生成输出在岩土工程应用中可靠性和准确性方面发挥什么作用？

主要发现

• LLMs显著加速了岩土工程中的数据处理和问题解决，实现了对文本和多模态数据的快速分析。
• 研讨会表明，即使没有先前AI经验的参与者也能有效利用LLMs生成技术见解和设计概念。
• LLMs在摘要土壤试验报告、提取关键参数以及生成初步设计思路等任务中表现出色。
• 尽管具备优势，LLMs仍会产生概率性输出，尤其在数值精度和规范符合性方面，需专家验证。
• 微调和界面设计被确定为提升准确性和确保与领域专用工具无缝集成的关键因素。
• 本研究为将LLMs作为岩土工程中的辅助工具树立了先例，强调了人机协同验证在确保可靠性方面的重要性。