In-House-Wissensmanagement mittels eines großen Sprachmodells: Fokussierung auf die Überprüfung technischer Spezifikationsdokumente

In komplexen Bauprojekten müssen technische Spezifikationen innerhalb kurzer Zeit überprüft werden. Selbst erfahrene Ingenieure finden es schwierig, jedes Detail der technischen Spezifikationen zu überprüfen. Darüber hinaus ist es nicht einfach, erfahrenes Wissen an jüngere Ingenieure weiterzugeben. Mit der technologischen Innovation großer Sprachmodelle wie ChatGPT wird ein fein abgestimmtes Sprachmodell als effektive Lösung für die automatische Überprüfung technischer Spezifikationsdokumente vorgeschlagen. Vor diesem Hintergrund untersucht diese Studie die internen technischen Spezifikationsdokumente, die nicht öffentlich zugänglich sind. Anschließend werden zwei fein abgestimmte große Sprachmodelle, GPT-3 und LLaMA2, trainiert, um Fragen zu technischen Spezifikationsdokumenten zu beantworten. Die Ergebnisse zeigen, dass das fein abgestimmte LLaMA2-Modell im Allgemeinen das fein abgestimmte GPT-3-Modell in Bezug auf Genauigkeit, Zuverlässigkeit und Prägnanz der Antworten übertrifft. Insbesondere hat das fein abgestimmte LLaMA2-Modell halluzinogene Effekte besser unterdrückt als das fein abgestimmte GPT-3-Modell. Basierend auf den Ergebnissen diskutierte diese Studie die Anwendbarkeit und Begrenzungen eines fein abgestimmten großen Sprachmodells für das interne Wissensmanagement. Die Ergebnisse dieser Studie sollen Praktikern dabei helfen, eine domänenspezifische Wissensmanagementlösung zu entwickeln, indem ein Open-Source-großes Sprachmodell mit privaten Datensätzen abgestimmt wird.