Evidence Constrained Agentic Retrieval Augmented Generation for Substation Civil Engineering Preliminary Design Documents in a Single Project Study
Ce document propose EC-ARAG, un cadre de génération augmentée par récupération agentique contraint par les preuves qui améliore significativement la fiabilité, la cohérence et l'efficacité de la rédaction de la conception préliminaire du génie civil des sous-stations en intégrant une récupération sensible aux réglementations, une résolution de conflits et des boucles de double vérification pour surpasser les systèmes RAG conventionnels.
Article original sous licence CC BY 4.0 (https://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
Dans le monde des infrastructures de grande envergure, le document de conception préliminaire est le plan qui transforme un concept en une réalité constructible. Pour un poste électrique, ce rapport textuel doit tisser ensemble les spécificités du projet, les réglementations gouvernementales strictes, les pratiques d'ingénierie standard et les enseignements tirés de projets passés en un récit cohérent unique. Chaque chiffre, de la largeur d'une route à la profondeur d'une fondation, doit être cohérent dans l'ensemble du document, et chaque affirmation doit être étayée par une règle spécifique et actuelle. Pendant des décennies, les ingénieurs ont assemblé ces documents en recoupant manuellement des centaines de pages de normes et de rapports historiques, un processus lent, sujet à l'erreur humaine et difficile à maintenir parfaitement cohérent.
L'essor de l'intelligence artificielle a offert un raccourci potentiel. Les grands modèles de langage, la même technologie qui sous-tend les agents conversationnels avancés, peuvent rédiger une prose technique fluide et suivre des instructions complexes. Cependant, lorsqu'ils sont appliqués à l'ingénierie, ces modèles sont confrontés à une faille critique : ils s'appuient sur leur mémoire interne, qui peut être obsolète, halluciner des faits ou ne pas parvenir à distinguer une règle applicable à un type de bâtiment spécifique d'une autre qui ne l'est pas. Simplement demander à une IA de « rédiger une conception » se traduit souvent par un texte qui semble professionnel mais qui est juridiquement ou physiquement invalide. Pour résoudre cela, des chercheurs ont développé des systèmes qui forcent l'IA à chercher l'information avant d'écrire, une méthode connue sous le nom de génération augmentée par récupération (RAG). Pourtant, même ces systèmes peinent lorsque l'information trouvée est contradictoire, obsolète ou non pertinente pour les conditions spécifiques du projet.
Une équipe d'ingénieurs de la State Grid Shanghai Electric Power Design Co., Ltd. a introduit une approche plus sophistiquée de ce problème, spécifiquement adaptée à l'environnement à enjeux élevés du génie civil des postes électriques. Ils ont développé un système appelé EC-ARAG, qui agit moins comme un simple rédacteur que comme un éditeur rigoureux à plusieurs étapes. Au lieu de simplement récupérer du texte et de le transmettre à l'IA, ce système décompose la tâche de conception en de minuscules affirmations vérifiables. Pour chaque déclaration générée par le système — telle que l'épaisseur requise d'un mur en béton ou la largeur d'un canal de drainage — il vérifie d'abord si la preuve de soutien est valide pour ce projet spécifique, si la source de la règle est faisant autorité et si la règle entre en conflit avec une autre partie du document.
Les chercheurs ont testé leur système sur un scénario réel impliquant la conception préliminaire d'un projet de sous-station spécifique. Ils ont alimenté le système avec une vaste bibliothèque de connaissances, comprenant trente-six normes nationales et sectorielles, douze règles propres à l'entreprise, dix-huit guides de conception types et soixante-quatre documents de conception historiques issus de projets passés. Le système a ensuite tenté de rédiger l'intégralité du rapport de génie civil, section par section. Contrairement aux outils d'IA standards qui pourraient générer un paragraphe et passer à la suite, ce système opère en deux boucles. La première boucle planifie ce qui doit être écrit et recherche les preuves appropriées, filtrant les règles obsolètes ou ne s'appliquant pas aux conditions spécifiques du site. La seconde boucle rédige le texte, puis vérifie immédiatement son propre travail. Si le système constate qu'une affirmation manque de support, contredit une section précédente ou utilise une norme obsolète, il s'arrête et répare cette phrase spécifique avant de poursuivre.
Les résultats de cette expérience ont été significatifs. Le système a réussi à récupérer les réglementations correctes et applicables 94,1 % du temps, une amélioration marquée par rapport aux autres méthodes qui récupèrent souvent des clauses non pertinentes ou obsolètes. Plus important encore, le système a garanti que 95 % des affirmations d'ingénierie étaient étayées par des preuves solides, et il a réduit le taux d'« affirmations non sécurisées » — des déclarations sans support ou contradictoires — à seulement 3,4 %. Le point le plus frappant était la capacité du système à maintenir la cohérence. Dans un document long où le nom d'un bâtiment ou la largeur d'une route peut apparaître dans dix sections différentes, le système a maintenu ces paramètres cohérents 97 % du temps, alors que d'autres méthodes laissent souvent ces détails dériver ou changer involontairement.
Bien que le système nécessite plus de temps de traitement informatique pour effectuer ces vérifications et réparations, il a en réalité permis de gagner du temps globalement. Parce que le brouillon qu'il produit est beaucoup plus propre et précis, les ingénieurs humains ont passé 31 % de temps en moins à réviser et corriger le texte. Le temps total pour compléter le document a chuté de 21 % par rapport à la meilleure méthode automatisée suivante. L'étude a également mis en évidence les domaines où le système a encore besoin de l'aide humaine. Il a le plus éprouvé de difficultés avec les sections reposant fortement sur la géométrie physique, telles que les pentes de routes et les directions de drainage, car le système travaillait uniquement avec du texte et n'avait pas accès aux cartes réelles ou aux modèles 3D du site. Dans les cas où des informations critiques manquaient, le système a appris à faire une pause et à signaler le problème à un ingénieur humain plutôt que d'inventer une solution, un comportement qui s'est avéré plus sûr que de proposer une solution fictive.
Ce travail démontre que pour les tâches complexes et lourdes en réglementation, l'objectif de l'intelligence artificielle n'est pas de remplacer le jugement de l'ingénieur, mais d'agir comme un assistant infatigable et hyper-vigilant. En traitant le processus de conception comme une série de petites étapes vérifiées plutôt que comme un acte de génération unique, les chercheurs ont montré que les machines peuvent gérer la lourde tâche de collecte d'informations et de vérification de la cohérence. Le système ne prétend pas être un concepteur autonome capable d'approuver un bâtiment ; il sert plutôt d'outil puissant qui garantit que le brouillon produit est traçable, cohérent et ancré dans les bonnes règles, laissant l'expert humain libre de se concentrer sur les décisions finales et les réalités physiques complexes que le texte seul ne peut capturer.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.