Knowledge-Grounded Agentic Large Language Models for Multi-Hazard Understanding from Reconnaissance Reports
Created by
Haebom
Category
Empty
저자
Chenchen Kuai, Zihao Li, Braden Rosen, Stephanie Paan, Navid Jafari, Jean-Louis Briaud, Yunlong Zhang, Youssef M. A. Hashash, Yang Zhou
개요
본 연구는 재해 후 정찰 보고서의 비정형적 서술 데이터를 체계적으로 분석하기 위해, 지식 기반 대규모 언어 모델(LLM) 프레임워크인 Mixture-of-Retrieval Agentic RAG (MoRA-RAG)를 소개한다. 이 프레임워크는 재해별 데이터베이스를 활용하는 Mixture-of-Retrieval 메커니즘, 문맥적 일관성을 유지하는 에이전트 기반 청킹, 정보 불완전성을 파악하고 정제하는 검증 루프를 통합한다. GEER 정찰 보고서를 기반으로 HazardRecQA 데이터셋을 구축하여 MoRA-RAG의 성능을 평가한 결과, 최대 94.5%의 정확도를 달성하며 기존 LLM 및 RAG 시스템 대비 우수한 성능을 보였다. MoRA-RAG는 또한 오픈 소스 LLM의 성능을 향상시키며, 재해 복구를 위한 신뢰할 수 있는 정보 획득의 새로운 패러다임을 제시한다.
시사점, 한계점
•
시사점:
◦
재해 후 정찰 보고서 분석을 위한 새로운 LLM 프레임워크 제시.
◦
지식 기반 LLM을 통해 정보의 신뢰성과 정확도 향상.
◦
오픈 소스 LLM의 성능 향상 가능성 제시.
◦
재해 복구 및 위험 완화를 위한 실질적인 정보 제공 가능성.
•
한계점:
◦
HazardRecQA 데이터셋의 한정된 범위 (7가지 주요 재해 유형, 90개 글로벌 이벤트).
