Evidence Constrained Agentic Retrieval Augmented Generation for Substation Civil Engineering Preliminary Design Documents in a Single Project Study
تقترح هذه الورقة إطار عمل EC-ARAG، وهو إطار توليد معزز بالاسترجاع وكيلِيّ مقيد بالأدلة، يعمل على تعزيز الموثوقية والاتساق والكفاءة بشكل كبير في صياغة التصميم الأولي للهندسة المدنية للمحطات الفرعية من خلال دمج الاسترج𝚊ع المدرك للوائح، وحل النزاعات، وحلقات التحقق المزدوج للتفوق على أنظمة RAG التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم البنية التحتية واسعة النطاق، يُعد مستند التصميم الأولي هو المخطط الذي يحول المفهوم إلى واقع قابل للتنفيذ. بالنسبة لمحطة تحويل طاقة، يجب أن ينسج هذا التقرير الغني بالنصوص تفاصيل المشروع، واللوائح الحكومية الصارمة، والممارسات الهندسية القياسية، والدروس المستفادة من المشاريع السابقة في سرد واحد متماسك. يجب أن يكون كل رقم، بدءاً من عرض الطريق وصولاً إلى عمق الأساس، متسقاً في المستند بأكمله، ويجب أن يكون كل ادعاء مدعوماً بقاعدة محددة وحالية. لعقود من الزمن، قام المهندسون بتجميع هذه المستندات عن طريق المراجعة اليدوية لمئات الصفحات من المعايير والتقار تقارير التاريخية، وهي عملية بطيئة، وعرضة للخطأ البشري، ومن الصعب الحفاظ على اتساقها التام.
لقد قدم صعود الذكاء الاصطناعي اختصاراً محتملاً. فنماذج اللغات الكبيرة، وهي نفس التقنية التي تقف وراء برامج الدردشة المتقدمة، يمكنها كتابة نثٍ تقني سلس واتباع تعليمات معقدة. ومع ذلك، عند تطبيقها على الهندسة، تواجه هذه النماذج خللاً حرجاً: فهي تعتمد على ذاكرتها الداخلية، التي قد تكون قديمة، أو تهلوس بالحقائق، أو تفشل في التمييز بين قاعدة تنطبق على نوع معين من المباني وقاعدة أخرى لا تنطبق عليه. إن مجرد طلب "تصميم" من الذكاء الاصطناعي غالباً ما يؤدي إلى نص يبدو احترافياً ولكنه غير صالح قانونياً أو فيزيائياً. ولحل هذه المشكلة، طور الباحثون أنظمة تجبر الذكاء الاصطناعي على البحث عن المعلومات قبل الكتابة، وهي طريقة تُعرف باسم "التوليد المعزز بالاسترجاع" (RAG). ومع ذلك، لا تزال هذه الأنظمة تواجه صعوبات عندما تكون المعلومات التي تجدها متناقضة، أو قديمة، أو غير ذات صلة بالظروف المحددة للمشروع.
قام فريق من المهندسين من شركة "State Grid Shanghai Electric Power Design Co., Ltd" الآن بتقديم نهج أكثر تطوراً لهذه المشكلة، مصمم خصيصاً لبيئة الهندسة المدنية لمحطات التحويل عالية المخاطر. لقد طوروا نظاماً يسمى EC-ARAG، والذي يعمل بشكل أقل ككاتب بسيط وأكثر كمدقق صارم متعدد الخطوات. فبدلاً من مجرد استرجاع النص وتمريره إلى الذكاء الاصطناعي، يقوم هذا النظام بتفكيك مهمة التصميم إلى ادعاءات صغيرة قابلة للتحقق. فلكل بيان يولده النظام — مثل سمك جدار خرساني مطلوب أو عرض قناة تصريف — يتحقق أولاً مما إذا كان الدليل الداعم صالحاً لهذا المشروع تحديداً، وما إذا كان مصدر القاعدة موثوقاً، وما إذا كانت القاعدة تتعارض مع أي جزء آخر من المستند.
اختبر الباحثون نظامهم في سيناريو من العالم الحقيقي يتضمن التصميم الأولي لمشروع محطة تحويل محددة. قاموا بتغذية النظام بمكتبة ضخمة من المعرفة، تشمل ستة وثلاثين معياراً وطنياً وصناعياً، واثني عشر قاعدة خاصة بالشركة، وثمانية عشر دليلاً نموذجياً للتصميم، وأربعة وستين وثيقة تصميم تاريخية من مشاريع سابقة. ثم حاول النظام صياغة تقرير الهندسة المدنية بالكامل، قسماً تلو الآخر. وخلافاً لأدوات الذكاء الاصطناعي القياسية التي قد تولد فقرة ثم تنتقل لما بعدها، يعمل هذا النظام في حلقتين. الحلقة الأولى تخطط لما يجب كتابته وتبحث عن الدليل المناسب، مع تصفية أي قواعد أصبحت مهجورة أو لا تنطبق على ظروف الموقع المحددة. أما الحلقة الثانية فتكتب النص، ثم تتحقق فوراً من عملها. فإذا وجد النظام أن ادعاءً ما يفتقر إلى الدعم، أو يتناقض مع قسم سابق، أو يستخدم معياراً قديماً، فإنه يتوقف ويقوم بإصلاح تلك الجملة المحددة قبل المضي قدماً.
كانت نتائج هذه التجربة كبيرة. فقد نجح النظام في استرجاع اللوائح الصحيحة والقابلة للتطبيق بنسبة 94.1%، وهو تحسن ملحوظ عن الطرق الأخرى التي غالباً ما تسترجع بنوداً غير ذات صلة أو قديمة. والأهم من ذلك، ضمن النظام أن 95% من الادعاءات الهندسية التي قدمها كانت مدعومة بأدلة قوية، وقلل معدل "الادعاءات غير الآمنة" — وهي التصريحات غير المدعومة أو المتناقضة — إلى 3.4% فقط. ولعل الأمر الأكثر إثارة للإعجاب هو قدرة النظام على الحفاظ على الاتساق؛ ففي مستند طويل حيث قد يظهر اسم مبنى أو عرض طريق في عشرة أقسام مختلفة، حافظ النظام على اتساق هذه المعايير بنسبة 97%، بينما سمحت الطرق الأخرى لهذه التفاصيل بالانحراف أو التغير دون قصد.
وعلى الرغم من أن النظام تطلب وقتاً أطول في المعالجة الحاسوبية لإجراء هذه الفحوصات والإصلاحات، إلا أنه وفر الوقت الإجمالي بالفعل. ولأن المسودة التي أنتجها كانت أكثر نظافة ودقة، قضى المهندسون البشريون وقتاً أقل بنسبة 31% في مراجعة النص وإصلاحه. وانخفض الوقت الإجمالي لإكمال المستند بنسبة 21% مقارنة بأفضل طريقة مؤتمتة أخرى. كما سلطت الدراسة الضوء على المواضع التي لا يزال النظام يحتاج فيها إلى مساعدة بشرية؛ فقد عانى النظام أكثر في الأقسام التي تعتمد بشكل كبير على الهندسة الفيزيائية، مثل ميول الطرق واتجاهات التصريف، لأن النظام كان يعمل بالنصوص فقط ولم يكن لديه وصول إلى الخرائط الفعلية أو النماذج ثلاثية الأبعاد للموقع. وفي الحالات التي كانت فيها المعلومات الحرجة مفقودة، تعلم النظام التوقف ووضع علامة للمهندس البشري بدلاً من التخمين، وهو سلوك أثبت أنه أكثر أماناً من اختلاق حل من العدم.
يُظهر هذا العمل أنه بالنسبة للمهام المعقدة التي تعتمد بكثافة على اللوائح، فإن الهدف من الذكاء الاصطناعي ليس استبدال الحكم الهندسي، بل العمل كمساعد يقظ ومثابر. ومن خلال التعامل مع عملية التصميم كسلسلة من الخطوات الصغيرة والمحققة بدلاً من كونها فعلاً واحداً للتوليد، أظهر الباحثون أن الآلات يمكنها تحمل عبء جمع المعلومات والتحقق من الاتساق. لا يدعي النظام أنه مصمم مستقل قادر على اعتماد مبنى؛ بل يعمل كأداة قوية تضمن أن المسودة التي ينتجها قابلة للتتبع، ومتسقة، ومستندة إلى القواعد الصحيحة، مما يترك للخبير البشري الحرية للتركيز على القرارات النهائية والواقع الفيزيائي المعقد الذي لا يمكن للنص وحده استيعابه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.