[AI学术] Brick-DICL：动态上下文学习推动建筑管理系统分类标准化

摘要

建筑管理系统（BMS）是优化现代建筑能源效率和运营性能的关键。然而，不同制造商的BMS点缺乏标准化，造成了集成和数据利用的重大障碍。虽然Brick架构提供了建筑系统的标准化本体，但将BMS点映射到适当的Brick类面临三大挑战：

1. Brick类数量庞大：最新版本中有936个类。
2. 领域知识有限：大型语言模型（LLMs）在特定领域的知识不足。
3. 人工验证工作量大：需要大量人工精力进行验证。

为了解决这些挑战，我们提出了Brick-DICL，一个两阶段的动态上下文学习框架，用于自动Brick架构分类。Brick-DICL包含两个主要组件：

• metadata-RAG：检索相关示例以增强LLMs的领域知识。
• class-RAG：缩小潜在Brick类的范围，以应对庞大的分类空间。

此外，我们实现了一个多LLM过滤机制，比较多个模型的预测结果，标记低置信度分类以供人工审核。

结果

1. 通用性：Brick-DICL适用于任何制造商或元数据格式的建筑管理系统。
2. 创新性与强大：作为首个动态上下文学习方法，Brick-DICL在建筑数据集上显著提高了分类准确性，优于现有方法。
3. 高效性：我们的多LLM过滤策略减少了人工验证工作量，加速了数字建筑的接入。

广泛的实验表明，Brick-DICL在多样化建筑数据集上的有效性，加速了通用、互操作建筑管理系统的实现。

博主点评： Brick-DICL通过动态上下文学习有效解决了建筑管理系统分类中的标准化问题，展现出在实际应用中的广泛适应性及高效性，值得关注与深入研究。其多LLM的过滤机制为未来的建筑数据整合提供了新思路。