Diese Studie untersucht das Potenzial von feinabgestimmten großen Sprachmodellen (LLMs), die geospatial Intelligenz zu verbessern, indem sie natürliche Sprachabfragen in ausführbaren Python-Code umwandeln. Traditionelle GIS-Workflows sind zwar effektiv, weisen jedoch oft Mängel in der Benutzerfreundlichkeit und Skalierbarkeit für nicht-technische Benutzer auf. LLMs bieten einen neuen Ansatz, indem sie eine konversationelle Interaktion mit räumlichen Daten ermöglichen. Wir bewerten das Modell GPT-4o-mini von OpenAI in zwei Formen: einer "As-Is"-Basislinie und einer feinabgestimmten Version, die auf über 600 Prompt-Antwort-Paaren im Zusammenhang mit geospatial Python-Skripting in Virginia trainiert wurde. Mithilfe von U.S. Census Shapefiles und Krankenhausdaten haben wir beide Modelle über sechs Arten von räumlichen Abfragen getestet. Das feinabgestimmte Modell erreichte 89,7 %, was eine Verbesserung um 49,2 Prozentpunkte gegenüber 40,5 % der Basislinie darstellt. Es zeigte auch erhebliche Reduzierungen von Ausführungsfehlern und Token-Nutzung. Zu den wichtigsten Innovationen gehören die Integration räumlichen Denkens, modulare externe Funktionsaufrufe und unscharfe geografische Eingabekorrekturen. Diese Ergebnisse deuten darauf hin, dass feinabgestimmte LLMs die Genauigkeit, Effizienz und Benutzerfreundlichkeit von geospatial Dashboards verbessern können, wenn sie von LLMs unterstützt werden. Unsere Ergebnisse implizieren zudem einen skalierbaren und replizierbaren Ansatz für zukünftige domänenspezifische KI-Anwendungen in der geospatialen Wissenschaft und Studien zu intelligenten Städten.
Sherman et al. (Mon,) untersuchten diese Frage.