OGC DISASTER RESILIENCE PILOT IV: D-030 GENERATIVE AI FOR WILDFIRE STATE-OF-THE-ART ENGINEERING REPORT
Notice bibliographique
Résumé
As part of OGC Disasters Resilience Pilot IV Phase 2, this D-030 Generative AI for WildFire State-of-the-Art Engineering report delivers a comprehensive Generative AI for Wildfire which assessed Generative AI technology on workflows for wildfire risk, hazard, and impact workflows typical in the insurance sector. This deliverable builds on Xentity’s expertise and contributions to Phase 1 (D-123) for advancing the integration of Generative AI (GenAI) technologies into wildfire risk, hazard, and insurance workflows. Phase 1 (D-123) provided a U.S. data focus across all wildfire use cases and went deeper into broader GenAI governance, capabilities and technology approaches in LLM, RAG, NLP integration, GANs, and AI Agent integration. This report outlines key GenAI-driven use cases relevant to wildfire resilience, response, and risk assessment. This report centers on leveraging Generative AI (GenAI) to strengthen wildfire insurance and preparedness efforts in Canada, addressing social impact, operational efficiency, and business resilience. Specifically, the use case focus, and needed data focuses on Helping People and Business Management as it relates to Wildland Fire Insurance Stakeholders. Phase 2 includes an inventory of over 200 Canadian wildfire-related data sources categorized in data subject areas of Wildland Fire National Strategy & Management, National Base Data Layer Information, and Risk Indicators, Analysis, and Assessment which would be needed for GenAI Training data.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,006 |
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 ».