R2RAG‑Flood: KI‑gestützte Schadensvorhersage ohne Training

Ein neues, auf Logik basierendes KI‑Framework namens R2RAG‑Flood ermöglicht die sofortige Vorhersage von Gebäudeschäden nach Stürmen – und das ohne zusätzliche Trainingsdaten. Das System baut auf einem bestehenden tabellarischen Prädiktor auf und erweitert ihn um eine Wissensdatenbank aus gelabelten Tabellen, in denen jedes Beispiel neben strukturierten Merkmalen auch einen kurzen Textzusammenfassung und einen vom Modell generierten Denkpfad enthält.

Während der Inferenz werden kontextangereicherte Aufforderungen an ein großes Sprachmodell gesendet, das relevante Denkpfade aus benachbarten geographischen Nachbarn und klassischen Klassenprototypen abruft. Dadurch kann das Modell frühere Überlegungen nachahmen und anpassen, anstatt neue, aufgaben­spezifische Parameter zu lernen.

Die Vorhersage erfolgt in zwei Schritten: Zuerst wird festgelegt, ob Schäden auftreten, danach wird die Schwere in einer dreistufigen Kategorisierung verfeinert. Ein bedingter Downgrade‑Schritt korrigiert überbewertete Schweregrade.

In einer Fallstudie für Harris County, Texas, erreichte der überwachte tabellarische Baseline eine Gesamtgenauigkeit von 0,714 und für mittlere und hohe Schadensklassen 0,859. R2RAG‑Flood, angewendet auf sieben verschiedene Sprachmodelle, erzielte Gesamtgenauigkeiten zwischen 0,613 und 0,668 sowie Schadensklassen‑Genauigkeiten von 0,757 bis 0,896 – nahezu die gleiche Leistung wie der Baseline, jedoch mit zusätzlicher, strukturierten Begründung für jede Vorhersage.

Das Framework nutzt zudem ein Effizienzmaß, das Schweregrad und Kosten kombiniert, um die Wirtschaftlichkeit der Schadensvorhersage zu bewerten.