Improved Information Extraction from Bridge Inspection Reports using Fine-tuned Generative Pre-trained Transformers
Notice bibliographique
Résumé
Bridge inspection reports contain a wealth of crucial data on bridge components and their related structural defects.This study introduces a novel method that harnesses the power of Generative Pre-trained Transformers (GPT) for improved information extraction from bridge inspection reports.While most studies in this domain focus solely on data extraction, this study transforms inspection data into a ready-to-use format for better utilization in condition assessment and predictive modeling, enabling better-informed budget allocation and decision-making.It employs (1) a baseline GPT model (BL-GPT), which leverages OpenAI's large language models to process textual inspection data through optimized prompt engineering, and (2) a finetuned GPT model (FT-GPT), which enhances the baseline by incorporating domain-specific training to improve performance.These models capture and evaluate the severity levels of reinforced concrete bridge defects based on textual inspection data.The models are validated on data extracted from 2,255 inspection reports-spanning a period of five years (2018-2022)for a set of bridges in Québec, Canada.The FT-GPT is found to significantly improve performance, stability, and reliability in detecting and standardizing the severity of different types of concrete defects in bridge decks.In specific, it achieves accuracy rates of 98.79%for rebar corrosion, 99.09% for delamination, and 98.64% for cracking, scaling, and spalling of concrete.This study demonstrates the potential integration of generative AI in asset management, an application that has yet to be realized.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».