PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17637v1cs.AI

Brick-DICL: 자동화된 Brick 스키마 분류를 위한 동적 문맥 내 학습

Brick-DICL: Dynamic In-Context Learning for Automated Brick Schema Classification

건물 관리 시스템(BMS)은 현대 건물에서 에너지 효율과 운영 성능을 최적화하는 데 필수적입니다. 그러나 제조사별로 다른 BMS 포인트 간의 표준화 부족은 통합과 데이터 활용에 중대한 장벽을 만듭니다. Brick 스키마는 건물 시스템을 위한 표준화된 온톨로지를 제공하지만, BMS 포인트를 적절한 Brick 클래스에 매핑하는 것은 세 가지 중요한 과제를 야기합니다: (i) 방대한 Brick 클래스의 수(최신 버전 기준 936개), (ii) 대규모 언어 모델(LLM)의 제한된 도메인 특화 지식, (iii) 검증에 필요한 상당한 수작업. 이러한 과제를 해결하기 위해, 우리는 자동화된 Brick 스키마 분류를 위한 2단계 동적 문맥 내 학습(ICL) 프레임워크인 Brick-DICL을 제안합니다. Brick-DICL은 LLM의 도메인 지식을 향상시키기 위해 관련 예제를 검색하는 metadata-RAG와 큰 분류 공간을 해결하기 위해 잠재적인 Brick 클래스를 좁히는 class-RAG라는 두 가지 주요 구성 요소로 구성됩니다. 또한, 우리는 여러 모델에 걸친 예측을 비교하여 낮은 신뢰도의 분류를 인간 검토 대상으로 표시하는 다중 LLM 필터링 메커니즘을 구현했습니다. 그 결과: (i) 일반성: Brick-DICL은 제조사나 메타데이터 형식에 관계없이 모든 건물 관리 시스템에 적용 가능합니다; (ii) 참신성과 강력함: Brick 스키마 분류를 위한 최초의 동적 문맥 내 학습(ICL) 접근 방식으로서, Brick-DICL은 건물 데이터셋에서 상당한 분류 정확도 향상을 달성하여 기존 방법을 능가합니다; (iii) 효율성: 우리의 다중 LLM 필터링 전략은 수동 검증 노력을 줄여 빠른 디지털 건물 온보딩을 가능하게 합니다. 광범위한 실험은 다양한 건물 데이터셋에 걸친 Brick-DICL의 효과를 입증하며, 표준화되고 상호 운용 가능한 건물 관리 시스템으로의 길을 가속화합니다.