[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Sistema de soporte a la decisión para la gestión de incendios forestales mediante Ontología con Big Data y LLMs

Created by
  • Haebom

Autor

Ritesh Chandra, Shashi Shekhar Kumar, Rushil Patra, Sonali Agarwal

Describir

Este artículo propone un sistema de detección temprana de incendios forestales con Apache Spark para reducir el riesgo de pérdida de bosques. Mediante la extensión de la ontología de la Red de Sensores Semánticos (SSN) y el sistema de gestión de incendios forestales basado en el Lenguaje de Reglas de la Web Semántica (SWRL), se construye un sistema de soporte de decisiones (DSS) integrando un modelo de lenguaje a gran escala (LLM) y el marco de trabajo Spark. Mejoramos la predicción del riesgo de incendios forestales utilizando información meteorológica y geográfica, e implementamos un sistema de alerta en tiempo real mediante la transmisión de Spark para proporcionar alertas adaptadas a diversos escenarios de incendios forestales. El rendimiento del sistema se verifica mediante métricas de ontología, evaluación basada en consultas, precisión de la puntuación LLM, puntuación F1 y mediciones de recuperación.

Takeaways, Limitations

•
Takeaways:
◦
La construcción de un sistema de detección de incendios forestales en tiempo real utilizando Apache Spark puede mejorar los sistemas de alerta temprana y respuesta.
◦
La integración de redes de sensores semánticos, modelos de lenguaje a gran escala y el marco Spark puede mejorar la precisión de la predicción del riesgo de incendios forestales.
◦
Es posible proporcionar sistemas de alerta personalizados adaptados a diversos escenarios de incendios forestales.
•
Limitations:
◦
Dado que este estudio se realizó a partir de datos de una zona específica (Parque Natural Monesterial), se necesita más investigación para determinar la generalización de los resultados a otras áreas.
◦
Dado que la precisión del sistema depende del rendimiento de LLM, __T22613_____ de LLM puede afectar el rendimiento del sistema.
◦
Es posible que se necesiten investigaciones adicionales sobre la integración y el procesamiento de diferentes tipos de datos de sensores.
👍
Made with Slashpage