في ظل النمو المتزايد للذكاء الاصطناعي، تظهر حلول جديدة لتبسيط العمليات المعقدة مثل تحقيق مطابقة LEED (Leadership in Energy and Environmental Design) لشهادة BD+C. تظهر دراسة جديدة تم نشرها على موقع arXiv تقدم رؤى مثيرة حول استخدام نماذج لغوية محلية لمراجعة وتحليل الوثائق المطلوب تقديمها.

تعتبر عملية تحقيق مطابقة LEED v4.1 BD+C عملية معقدة، حيث تحتاج المراجعين إلى قراءة مئات الصفحات من الأدلة الخاصة بالمشاريع وتطبيق منطق محدد مرتكز على المعايير المطلوبة. الدراسة الجديدة تستكشف إمكانية استخدام نماذج لغوية بحجم صغير، موزعة محليًا، لفرز هذه الوثائق بشكل فعال.

تم تقديم نظام عصبي-رمزي يقوم بتنسيق PDFs الخاصة بالمشاريع مع أقسام أرصدة LEED، واسترجاع الأدلة بناءً على كلمات مفتاحية ذات صلة بالأرصدة، والتحقق من المطابقة باستخدام نموذج لغوي محلي يتكون من 4 مليارات معلمة. ليس ذلك فحسب، بل إن النظام يتضمن أيضًا أداة تحقق رقمية خاصة تضمن دقة القيم الكمية.

أظهرت التجارب التي أُجريت على أربعة مباني جامعية (484 PDF، و153 قرار على مستوى الأرصدة) أن النموذج الذي يحتوي على 4 مليارات معلمة (gemma3:4b) هو الأفضل في التحقق من النصوص، حيث حقق دقة بلغت 67.3%، متفوقًا على نموذج أكبر يحتوي على 8 مليارات معلمة (llama3.1:8b) في هذه المهمة.

تظهر النتائج أيضًا أن أداة التحقق الرقمي قادرة على تصحيح الأخطاء الحسابية في الأرصدة الكمية الرئيسية، مما ساعد في تحسين دقة القرارات بشكل كبير. ومع ذلك، يتبين أن النظام العصبي-الرمزي بالكامل يحقق دقة عامة تبلغ 61.6%، مما يعكس الحاجة إلى تحسينات في استخراج المعلومات.

تشير النتائج إلى أن تضمين الصور منخفضة الدقة يمكن أن يقلل من دقة النتائج، وأن فعالية النماذج تعتمد على معدل PASS الحقيقي للمباني. على وجه التحديد، النماذج القائمة على المعايير تعمل بشكل أفضل في المشاريع الغنية بالوثائق، بينما النماذج المنطقية تقدم أداءً أفضل في المشاريع الأقل وثائقية.

باختصار، يوفر هذا النظام العصبي-الرمزي ومواقعه الأساسية نقطة بداية قابلة للاستنساخ للتأكد من الدقة وأساليب الفشل خلال عملية التحقق من مطابقة LEED v4.1 BD+C، ما قد يمثل تحولًا كبيرًا في طريقة معالجة الوثائق والامتثال للنظم البيئية.