LEED 준수를 위한 신경symbolic 인공지능: 문서 중심 벤치마킹, 결정론적 숫자 검증, 그리고 멀티모달이 왜 해를 끼치는지

LEED v4.1 BD+C 인증은 건물의 환경적 지속 가능성을 평가하는 중요한 과정입니다. 그러나 이 과정은 아직도 문서 집약적인 작업으로, 검토자들은 수백 페이지의 프로젝트 증거를 읽고 수동으로 점수-특정 기준 논리를 적용해야 합니다. 이러한 문제를 해결하기 위해, 연구자들은 작고 지역적으로 구축된 언어 모델과 결정론적 구성 요소가 LEED 문서의 의미 있는 필터링을 수행할 수 있는지 조사했습니다.

신경-기호적 인공지능의 적용

이 연구에서는 프로젝트 PDF를 LEED 점수 섹션과 일치시키고, 점수-지식 키워드 서명으로 증거를 검색하고, 지역적으로 호스팅된 대규모 언어 모델(LLM)을 사용하여 규정 준수 여부를 검증하는 신경-기호적 파이프라인을 소개합니다. 또한 LEED-특정 숫자 체커를 사용하여 양적 기준에 적용합니다. 실험 결과, 4억 개의 매개변수 모델은 가장 강력한 텍스트-만한 핵심 검증기로, 67.3%의 정확도를 달성했습니다. 이 연구는 대규모 언어 모델(LLM)과 신경-기호적 파이프라인을 사용하여 LEED v4.1 BD+C 인증의 문서 집약적인 과정을 자동화하고, 인증의 정확도를 향상시키기 위한 방안을 제시합니다. 또한, 시스템적인 분석을 통해 낮은 해상도 그림 이미지를 추가하면 정확도가 항상 감소하고, 프로젝트의 통과율에 따라의 효과가 달라짐을 보여주었습니다. 이러한 연구 결과는 LEED 인증 과정의 자동화와 정확도 향상을 위한 중요한 단계입니다.