GSI Agent: KI-gestützte Optimierung von Grünstauwasser-Infrastruktur

Ein neues KI-Framework namens GSI Agent wurde vorgestellt, das Large Language Models (LLMs) gezielt mit Fachwissen zur Grünstauwasser-Infrastruktur (GSI) versorgt. Ziel ist es, die Leistungsfähigkeit von LLMs bei der Analyse, Inspektion und Wartung von GSI-Systemen wie permeablen Pflastern, Regenbecken und Bioretentionsanlagen zu erhöhen.

GSI-Systeme erfordern kontinuierliche Überwachung, doch die relevanten Informationen liegen oft verstreut in städtischen Handbüchern, Regulierungsdokumenten und Inspektionsformularen. Dadurch haben Fachkräfte und Laien Schwierigkeiten, verlässliche und umsetzbare Anweisungen aus Feldbeobachtungen abzuleiten. Obwohl LLMs über starke Sprachverarbeitungsfähigkeiten verfügen, fehlt ihnen häufig das spezifische Fachwissen, was zu ungenauen oder halluzinierten Antworten führen kann.

GSI Agent kombiniert drei ergänzende Ansätze: Erstens wird das Modell durch supervised fine‑tuning mit einem sorgfältig zusammengestellten GSI‑Instruktionsdatensatz trainiert. Zweitens nutzt es retrieval‑augmented generation (RAG), um auf eine interne Wissensdatenbank zuzugreifen, die aus städtischen Dokumenten zusammengestellt wurde. Drittens orchestriert ein agentenbasiertes Reasoning‑Pipeline die Retrieval‑, Kontext‑ und Antwortgenerierungsschritte, um strukturierte und präzise Ergebnisse zu liefern. Zusätzlich wurde ein neues GSI‑Dataset entwickelt, das reale Inspektions- und Wartungsszenarien abbildet.

Experimentelle Tests zeigen, dass GSI Agent die domänenspezifische Leistung signifikant steigert, während die allgemeine Wissensfähigkeit erhalten bleibt. Auf dem GSI‑Dataset erreichte das Modell einen deutlichen Anstieg der BLEU‑4‑Metrik, was die verbesserte Genauigkeit und Relevanz der generierten Antworten bestätigt. Damit eröffnet GSI Agent neue Möglichkeiten für die effiziente und verlässliche Nutzung von KI in der Grünstauwasser-Infrastruktur.