🤖 AI

Compass: Navigating Global Marine Lead Data Integration through Expert-Guided LLM Agent

L'article présente Compass, un cadre d'agents LLM guidé par des experts qui extrait avec succès 3 751 enregistrements antérieurement inaccessibles de plomb marin à partir de plus de 230 000 articles scientifiques pour créer la plus grande base de données intégrée sur le plomb marin, atteignant une précision de 92 % grâce à une approche pilotée par un arbre de connaissances qui comble le fossé entre l'intelligence artificielle à usage général et l'intégration de données scientifiques à haut risque.

Auteurs originaux : Yiming Liu, Bin Lu, Meng Jin, Ziyuan Sang, Shuo Jiang, Lei Zhou, Xinbing Wang, Chenghu Zhou, Jing Zhang

Publié 2026-05-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yiming Liu, Bin Lu, Meng Jin, Ziyuan Sang, Shuo Jiang, Lei Zhou, Xinbing Wang, Chenghu Zhou, Jing Zhang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Grand Problème : Une Bibliothèque de Trésors Perdus

Imaginez que les océans du monde soient une immense bibliothèque mystérieuse. À l'intérieur de cette bibliothèque, il y a des millions de livres (des articles scientifiques) écrits au cours des 50 dernières années. Ces livres contiennent des « cartes au trésor » montrant exactement où se trouve la pollution par le plomb dans l'océan, comment il se déplace et comment il évolue au fil du temps.

Cependant, il y a un piège :

Les cartes sont cachées : Les données ne sont pas dans un tableur bien rangé ; elles sont enfouies dans des paragraphes de texte et des tableaux désordonnés de ces livres.
Les bibliothécaires sont épuisés : Trouver et copier ces données à la main, c'est comme essayer de lire chaque livre de la bibliothèque pour trouver une phrase spécifique. Cela prend trop de temps et coûte trop cher.
Les robots sont confus : Si vous demandez à une intelligence artificielle standard (un « robot polyvalent ») de lire ces livres et de trouver les données, elle se trompe souvent. Elle peut confondre les unités (comme mélanger les miles avec les kilomètres) ou inventer des faits qui n'existent pas (un problème appelé « hallucination »). En science, se tromper sur les chiffres est dangereux.

La Solution : « Compass »

Les auteurs ont créé un nouvel outil appelé Compass. Imaginez Compass non pas comme un robot qui devine, mais comme un détective hautement formé qui travaille avec un code de règles spécialisé.

1. Le Code de Règles de l'Expert (L'Arbre de Connaissance)

Au lieu de laisser l'IA deviner, les scientifiques (qui sont des experts en chimie des océans) se sont assis avec les développeurs de l'IA pour rédiger un « Arbre de Connaissance ».

L'Analogie : Imaginez un organigramme pour un détective.
- Étape 1 : Ce livre concerne-t-il l'océan ? Si oui, passez à l'étape 2. Si non, arrêtez-vous.
- Étape 2 : Le tableau parle-t-il de plomb ? Si oui, passez à l'étape 3.
- Étape 3 : Le chiffre semble-t-il physiquement possible ? (par exemple, le plomb ne peut pas être négatif). Si oui, gardez-le. Si non, rejetez-le.
Cet « arbre » force l'IA à suivre des étapes strictes et logiques conçues par des experts humains. Il empêche l'IA de faire des suppositions sauvages.

2. Le Travail de Détective en Trois Étapes

Compass utilise ce code de règles pour faire trois choses, dans l'ordre :

Collecte : Il parcourt plus de 230 000 articles scientifiques en libre accès pour trouver ceux qui pourraient contenir le trésor.
Extraction : Il lit les tableaux et les textes spécifiques de ces articles, en utilisant le code de règles pour extraire les chiffres exacts concernant les concentrations de plomb et les rapports isotopiques.
Agrégation : Il rassemble tous ces chiffres dispersés et les nettoie, en s'assurant qu'ils parlent tous la même « langue » (mêmes unités, même format) afin qu'ils puissent être intégrés dans une seule base de données géante.

Les Résultats : Trouver de l'Or Caché

En utilisant Compass, l'équipe a réalisé quelque chose d'énorme :

La Chasse : Ils ont traité 230 000 articles.
La Prise : Ils ont trouvé 3 751 nouveaux enregistrements de données sur le plomb qui n'avaient jamais été intégrés dans une base de données mondiale auparavant.
La Précision : Lorsque des scientifiques océanographes humains ont vérifié le travail, ils ont constaté qu'il était précis à 92 %. C'est une amélioration massive par rapport à l'IA standard, qui échoue souvent sur ces tâches scientifiques spécifiques.
La Carte : Ils ont créé la plus grande carte de données sur le plomb marin à ce jour. Elle comble d'énormes zones blanches sur la carte, en particulier dans des régions comme la mer de Chine orientale et l'océan Austral, qui étaient auparavant des « déserts de données ».

Pourquoi Cela Compte

Imaginez l'océan comme un immense puzzle. Pendant des décennies, les scientifiques n'avaient que quelques pièces dispersées. Ils ne pouvaient pas voir l'image complète.

Avant Compass : Les scientifiques devaient deviner à quoi ressemblaient les pièces manquantes.
Avec Compass : Ils ont maintenant des milliers de nouvelles pièces. Ils peuvent enfin voir comment la pollution par le plomb voyage des usines, à travers l'air, et jusqu'au fond de l'océan. Ils peuvent voir comment l'océan se rétablit depuis que nous avons arrêté d'utiliser l'essence au plomb.

Ce Qu'ils N'ont PAS Fait

Ils n'ont pas construit un nouveau type de robot qui apprend seul sans aide.
Ils n'ont pas affirmé que cet outil peut diagnostiquer des maladies ou aider aux traitements médicaux.
Ils n'ont pas dit que cela résout tous les problèmes océaniques ; il est spécifiquement conçu pour trouver et organiser les données sur le plomb issues des articles scientifiques.

En Bref

Les auteurs ont construit un assistant intelligent respectant les règles qui agit comme un pont entre des livres scientifiques anciens et désordonnés et une base de données moderne et propre. En donnant à l'IA un code de règles strict rédigé par des experts océanographiques, ils ont pu sauver des milliers de points de données perdus, créant la carte la plus complète de la pollution par le plomb dans les océans que le monde ait jamais vue.

Résumé technique : Compass : Navigation de l'intégration mondiale des données sur le plomb marin via un agent LLM guidé par des experts

Énoncé du problème

Le plomb (Pb) marin et ses isotopes sont des traceurs essentiels pour comprendre la circulation océanique et l'histoire de la pollution anthropique. Cependant, les observations in situ de haute qualité sont coûteuses et rares, la majorité des données historiques étant enfouies dans le texte non structuré, les tableaux et les figures d'articles scientifiques. Cela crée un problème de « silo de données » où des ensembles de données critiques sont inaccessibles pour une synthèse à l'échelle mondiale.

Les solutions existantes se heurtent à deux limitations principales :

Curration manuelle : Bien que des programmes comme GEOTRACES garantissent une haute fidélité des données, ils sont très laborieux et non évolutifs face à la croissance exponentielle de la littérature scientifique.
Extraction automatisée : Les modèles de langage de grande taille (LLM) à usage général et les modèles spécifiques à un domaine affinés échouent souvent dans des contextes scientifiques à haut risque. Les LLM généraux manquent des contraintes logiques spécifiques au domaine nécessaires, entraînant des hallucinations et des résultats scientifiquement invalides (par exemple, une mauvaise interprétation des notations isotopiques ou des conversions d'unités). À l'inverse, les modèles affinés voient souvent leurs capacités de suivi des instructions se dégrader, pourtant essentielles pour des flux de travail complexes et multi-étapes.

Le défi central consiste à concilier évolutivité et rigueur scientifique en comblant le fossé entre la compréhension linguistique à usage général et les contraintes logiques strictes requises pour la géochimie marine.

Méthodologie : Le cadre Compass

Pour relever ces défis, les auteurs proposent Compass, un cadre d'agent LLM qui opérationnalise une approche d'adaptation guidée par des experts. Au lieu de s'appuyer sur un affinage de type boîte noire ou sur une génération augmentée par récupération (RAG) non structurée, Compass intègre directement l'expertise du domaine dans le flux de travail de l'agent via un Arbre de connaissances.

1. Conception de l'Arbre de connaissances

Coconçu avec des scientifiques marins, l'Arbre de connaissances ( $T$ ) est une structure hiérarchique où les nœuds représentent des tâches ou sous-tâches spécifiques. Chaque nœud est associé à un ensemble de connaissances à quatre dimensions ( $K$ ) :

Connaissances de fond ($BK$) : Concepts et terminologie du domaine.
Contraintes logiques ($LC$) : Règles explicites et dépendances conditionnelles définissant les chemins d'exécution valides.
Lignes directrices opérationnelles ($OG$) : Procédures étape par étape et spécifications du format de sortie.
Critères de validation ($VC$) : Métriques de qualité et vérifications de contraintes physiques pour valider l'exactitude de la sortie.

Cette structure encode non seulement ce que l'agent doit savoir, mais aussi comment il doit raisonner et valider ses résultats, garantissant ainsi un flux de travail interprétable et scientifiquement digne de confiance.

2. Architecture de l'agent

Compass décompose la tâche complexe d'intégration de données en un pipeline hiérarchique à trois phases :

Phase de collecte : Un composant de classification d'articles récupère les articles candidats depuis des dépôts (par exemple, Semantic Scholar, AceMap) et utilise des LLM guidés par l'Arbre de connaissances pour identifier les articles contenant des données cibles sur le Pb marin.
Phase d'extraction : Un composant de classification de tableaux utilise des outils d'analyse de PDF (MinerU) pour extraire le contenu tabulaire. Les LLM analysent ensuite les tableaux avec des informations contextuelles (légendes, descriptions) pour classifier et filtrer les tableaux de données cibles.
Phase d'agrégation : Trois composants gèrent l'intégration :
- Association de données : Lie les éléments apparentés au sein des articles (par exemple, faire correspondre les mesures de Pb avec des coordonnées issues de notes de bas de page).
- Fusion inter-sources : Normalise les en-têtes de tableaux hétérogènes en un schéma unifié.
- Normalisation des données : Convertit les valeurs en unités cohérentes à l'aide de fonctions de conversion générées par LLM.

3. Mécanisme de validation

Compass emploie une stratégie de validation multicouche informée par les Critères de validation de l'Arbre de connaissances :

Vérifications automatiques de contraintes physiques : Chaque enregistrement extrait subit une vérification des plages de valeurs, une validation croisée des conversions d'unités et un filtrage des valeurs aberrantes géographiques. Les échecs déclenchent un mécanisme de retour en arrière pour retraiter la sous-tâche spécifique, empêchant la propagation des erreurs.
Validation manuelle par des experts : Un échantillon aléatoire stratifié est examiné par des scientifiques marins pour évaluer la précision de bout en bout.

Contributions clés

Cadre Compass : Développement d'un agent LLM enrichi par un Arbre de connaissances qui décompose hiérarchiquement des flux de travail scientifiques complexes, permettant l'extraction et l'intégration précises de données fines (texte et tableaux) provenant de sources académiques hétérogènes.
Adaptation guidée par des experts : Démonstration que l'injection de connaissances expertes structurées via un Arbre de connaissances coconçu peut efficacement combler le fossé entre les LLM à usage général et les domaines scientifiques à haut risque, sans nécessiter d'affinage coûteux.
Plus grande base de données intégrée sur le Pb marin : Déploiement de Compass sur plus de 230 000 articles en libre accès pour récupérer 3 751 enregistrements de Pb précédemment non incorporés, établissant ainsi la plus grande base de données intégrée sur le Pb marin à ce jour.

Résultats et performances

Les auteurs ont évalué Compass par rapport à des LLM à usage général (par exemple, GPT-4o, Gemini-2.5-pro) et à des modèles affinés spécifiques à un domaine (par exemple, K2, OceanGPT) en utilisant un jeu de données de référence composé de 337 tableaux répartis sur 10 catégories.

Performances de référence : Compass (utilisant un socle Qwen2.5-32B) a obtenu les scores les plus élevés pour toutes les tâches.
- Classification d'articles : 96,0 % de précision.
- Classification de tableaux : 94,7 % de précision.
- Extraction de bout en bout : Atteint un score F1 de 0,465, surpassant GPT-4o (0,373) et Gemini-2.5-pro (0,404).
- Comparaison avec les modèles affinés : Des modèles spécifiques au domaine comme OceanGPT ont mal performé (F1 : 0,009), soulignant que l'affinage seul dégrade les capacités de suivi des instructions essentielles à l'intégration multi-étapes.
Études d'ablation : La suppression de la logique en structure d'arbre a réduit le score F1 à 0,402, et la suppression des nœuds de connaissances l'a réduit à 0,381. L'activation du mécanisme de retour en arrière de validation automatique a en outre amélioré le score F1 à 0,619.
Échelle de déploiement : Compass a traité 230 000 articles, identifiant 110 articles pertinents et extrayant 3 751 nouveaux enregistrements.
Qualité des données :
- Les vérifications automatiques ont atteint des taux de réussite de 100 % pour les vérifications de plages de valeurs et de limites géographiques, et de 95 % pour les conversions d'unités.
- La validation manuelle par des experts sur un sous-ensemble de 22 articles (946 points de données) a confirmé une précision de 92 % (IC à 95 % : ±1,7 %).
- Les principales sources d'erreur étaient la confusion sémantique (par exemple, la mauvaise classification d'échantillons d'eau de pluie comme eau de mer) et les erreurs d'association de données.

Signification et impact

Les auteurs affirment que ce travail démontre la viabilité des agents guidés par des experts pour combler le fossé entre les LLM à usage général et les domaines scientifiques rigoureux.

Expansion des données : L'intégration ajoute 16 455 nouveaux enregistrements au jeu de données GEOTRACES existant (une augmentation de 86 %), élargissant considérablement la couverture dans des régions sous-échantillonnées telles que la mer de Chine orientale, la mer d'Arabie et l'océan Austral.
Utilité scientifique : Le jeu de données enrichi soutient l'estimation mondiale des stocks de Pb, l'identification des sources via les rapports d'isotopes stables et l'étude des réponses océaniques à l'élimination progressive mondiale de l'essence au plomb.
Efficacité : Le pipeline a nécessité environ 52 heures de GPU, représentant une amélioration d'efficacité de plus de quatre ordres de grandeur par rapport à la curration manuelle.
Science ouverte : Les auteurs ont publié une plateforme de visualisation interactive (JingWei) et le code source pour faciliter l'accès scientifique ouvert et la reproductibilité.

L'article conclut que, bien que des limitations existent concernant l'extraction de figures et les dépendances de l'analyse amont des PDF, la conception modulaire permet des améliorations futures. Ce travail établit une alternative pratique et peu coûteuse à l'entraînement de modèles spécifiques au domaine pour la découverte de données évolutives en géosciences.