"Ilmu Manajemen Darurat Tiongkok" Edisi 6, 2026
Penulis: Peng Yi, Wang Qian, dan Xiao Jun
- Peng Yi — Kepala Departemen Manajemen Kedaruratan, Sekolah Tata Kelola Pemerintahan Universitas Nanjing; profesor dan pembimbing doktoral.
- Wang Qian — mahasiswa magister Sekolah Tata Kelola Pemerintahan Universitas Nanjing.
- Xiao Jun — mahasiswa doktoral Sekolah Tata Kelola Pemerintahan Universitas Nanjing.
Abstrak
Untuk mengeksplorasi efektivitas Large Language Model (LLM) dalam pembuatan rencana kontinjensi, makalah ini mengusulkan arsitektur pembuatan rencana yang mengintegrasikan Retrieval-Augmented Generation (RAG) dan model bahasa besar. Ini mengoptimalkan strategi retrieval melalui pengenalan maksud, simulasi transliterasi dan penyusunan ulang kueri, dan menggabungkan teks rencana yang paling relevan sebagai pengetahuan vertikal dengan model bahasa besar untuk meningkatkan kemampuan pembuatan teks; Pembelajaran Berorientasi Penarikan Kembali untuk Gisting diadopsi. Indeks Evaluasi, ROUGE), yang mengevaluasi kualitas pembuatan teks rencana dari dua aspek: cakupan konten dan kesesuaian skenario. Hasil penelitian menunjukkan bahwa dibandingkan dengan model bahasa besar generasi langsung, cakupan konten dan kesesuaian skenario dari teks rencana yang dihasilkan oleh arsitektur retrieval-augmented generation (RAG) untuk kedaruratan masing-masing meningkat sebesar 10% dan 6%. Arsitektur retrieval-augmented generation (RAG) untuk kedaruratan memiliki kemampuan generalisasi model yang kuat. Model bahasa besar domestik yang diwakili oleh Qwen lebih mampu menghasilkan rencana kontinjensi Tiongkok. Model instruksional memiliki kinerja lebih baik dibandingkan model inferensial. Analisis kasus menunjukkan bahwa retrieval-augmented generation (RAG) untuk kedaruratan dapat menghindari halusinasi AI dan menekankan subjek tanggung jawab organisasi, sehingga meningkatkan keakuratan teks rencana kontinjensi yang dihasilkan dan keterlaksanaan isi yang diungkapkan. Hasil penelitian memberikan dasar empiris dan dukungan metodologis untuk pembuatan rencana kontinjensi di bidang manajemen darurat.
1. Pendahuluan
Sebagai elemen inti dari sistem manajemen darurat "satu kasus, tiga sistem" di Tiongkok, rencana kontinjensi merupakan jaminan penting untuk memastikan bahwa manajemen darurat dalam keadaan darurat dilaksanakan secara tepat waktu, tertib dan efisien. "Langkah-langkah untuk Pengelolaan Rencana Kontinjensi" yang dikeluarkan oleh Kantor Umum Dewan Negara pada tahun 2024 menekankan perlunya fokus pada penggunaan informasi, digital, dan teknologi cerdas untuk mendorong inovasi dalam konsep, model, sarana, dan metode manajemen rencana kontinjensi. Cara menghasilkan rencana kontinjensi melalui teknologi digital dan mewujudkan pembaruan otomatis rencana kontinjensi melalui fusi data dan iterasi pengalaman merupakan proposisi penting yang perlu segera dieksplorasi di era kecerdasan buatan.
Penelitian mengenai pembuatan rencana kontinjensi telah mengalami evolusi metode dari retrieval keputusan manual hingga otomatisasi mesin. Penelitian awal terutama mengandalkan metode Case-Based Reasoning (CBR), yang menjamin keakuratan pengetahuan melalui ekstraksi informasi manual, tetapi tidak dapat menyelesaikan masalah dinamis secara real-time. Selanjutnya, para peneliti mencoba menggunakan model retrieval keputusan untuk membantu ekstraksi informasi guna mengurangi beban manusia, yang menandai eksplorasi awal pembuatan rencana yang dinamis. Dengan diperkenalkannya teknologi temu kembali informasi, penelitian tentang pembuatan rencana mulai beralih ke jalur pembuatan semi-otomatis. Melalui representasi teks rencana Extensible Markup Language (XML) dan teknologi grafik pengetahuan, hubungan antar elemen dalam rencana ditambang, sehingga meningkatkan efisiensi pembuatan rencana. Atas dasar ini, penelitian lanjutan menyajikan dua cabang teknis utama. Salah satunya difokuskan pada optimalisasi metode retrieval. Misalnya, Yang Naiding dan lainnya merangkum strategi pemilihan metode retrieval rencana kontinjensi dalam skenario tertentu berdasarkan model cloud dan retrieval keputusan ahli. Liu Tong dkk. meningkatkan efisiensi retrieval rencana melalui teknologi SIF-Fasttext. Yang kedua adalah memperdalam kemampuan adaptasi skenario dan meningkatkan kualitas pembuatan rencana kontinjensi untuk jenis keadaan darurat tertentu dengan membangun paradigma “respons-skenario”. Prinsipnya adalah membatasi cakupan retrieval dengan menggali kesamaan kata antara teks rencana dan bahasa deskripsi darurat, sehingga meningkatkan akurasi dan efisiensi retrieval, dan memverifikasi efektivitas optimasi kesamaan dengan mengevaluasi hasil retrieval. Kasus-kasus yang umum mencakup penelitian tentang pembuatan rencana khusus di bidang kebakaran, lalu lintas jalan raya, tambang batu bara, dan kecelakaan bahan kimia berbahaya. Perlu dicatat bahwa kemunculan Large Language Model (LLM) memberikan jalan baru bagi pemahaman semantik untuk pembuatan rencana kontinjensi. Kong Shengli dan yang lainnya menggunakan strategi kata cepat untuk mengoptimalkan penerapan ChatGPT dalam persiapan rencana kontinjensi, dan menemukan bahwa strategi cepat multi-kasus dapat secara signifikan meningkatkan koherensi ekspresi dalam pembuatan rencana. Namun, penggunaan model bahasa berukuran besar saja untuk menghasilkan teks rencana menghadapi hambatan teknis seperti kesalahan faktual dan ketidakcocokan entitas yang bertanggung jawab, yang secara serius mempengaruhi keandalan pembuatan rencana kontinjensi.
Retrieval-Augmented Generation (RAG), sebagai metode hibrid yang menggabungkan temu kembali informasi (pembelajaran tanpa supervisi) dan pembuatan konten (pembelajaran tersupervisi), secara efektif mengurangi kemungkinan model bahasa besar memalsukan informasi yang salah dengan mengambil informasi yang relevan dari basis pengetahuan eksternal. Penelitian yang ada terutama dipromosikan dalam dua dimensi: tingkat teknis berfokus pada optimalisasi kinerja retrieval, dan tingkat aplikasi berfokus pada aplikasi bidang vertikal. Pada tataran teknis, yang pertama adalah mengoptimalkan mekanisme retrieval untuk menjamin kualitas keluaran. Secara khusus, ini mencakup penguraian yang efisien dan pemotongan teks basis pengetahuan eksternal yang masuk akal, percepatan proses retrieval, dan penyusunan ulang hasil retrieval. Yang kedua adalah meningkatkan konten yang dihasilkan dan mengurangi fenomena "ilusi" model. Praktik khusus termasuk mengurangi ukuran model bahasa besar untuk menyelesaikan tugas-tugas intensif pengetahuan dengan lebih efisien, dan memperluas jangka waktu memori kontekstual untuk meningkatkan koherensi logis teks dan keaslian konten. Pada tingkat penerapan, Shen Si dkk. mengusulkan skema penguatan retrieval berdasarkan model kebijakan besar, yang secara signifikan meningkatkan konsistensi fakta, relevansi jawaban, dan kesamaan semantik dari tugas pembuatan teks kebijakan. Song Mengpeng dan yang lainnya menggabungkan teknologi retrieval-augmented generation (RAG) dengan penyempurnaan model bahasa besar, yang tidak hanya menjamin kualitas teks dalam tugas pembuatan tinjauan literatur, tetapi juga memberikan dukungan ketertelusuran berbasis bukti. Selain itu, dengan memasukkan prompt ke dalam informasi spesifik tentang keadaan darurat, model bahasa besar dapat dipandu untuk memikirkan secara mendalam skenario tertentu, sehingga meningkatkan kemampuan adaptasi skenario dari konten yang dihasilkan dan keterlaksanaan rumusan tekstual. Hasil-hasil ini memberikan inspirasi metodologis yang penting untuk pembuatan rencana kontinjensi.
Singkatnya, meskipun kombinasi teknologi retrieval-augmented generation (RAG) dan model bahasa besar telah secara efektif meningkatkan kualitas pembuatan teks di bidang vertikal, belum ada penelitian yang secara sistematis mengeksplorasi potensi dan dampak aktual dari metode ini dalam pembuatan rencana kontinjensi. Dan dengan pesatnya iterasi teknologi kecerdasan buatan, jumlah model bahasa besar telah membludak, dan terdapat perbedaan yang signifikan dalam performa, skenario yang dapat diterapkan, dan kualitas pembuatan setiap model. Hal ini telah meningkatkan ambang batas teknis bagi para peneliti di bidang manajemen darurat ketika memilih model dasar. Oleh karena itu, penulis bermaksud untuk secara inovatif mengusulkan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan yang dapat diskalakan untuk skenario darurat, dan mengeksplorasi penerapan dan efek teknologi pembangkitan penguatan retrieval dan model bahasa besar di bidang pembuatan rencana kontinjensi. Kontribusi utamanya meliputi: pertama, melalui suntikan pengetahuan domain vertikal, cakupan konten dan kesesuaian skenario dari teks rencana yang dihasilkan ditingkatkan secara signifikan. Kedua, kinerja berbagai model bahasa besar dalam tugas pembuatan rencana kontinjensi Tiongkok dievaluasi secara sistematis. Di satu sisi, ini memverifikasi kemampuan generalisasi arsitektur retrieval-augmented generation (RAG) untuk kedaruratan, dan di sisi lain, ini memberikan dasar ilmiah untuk pemilihan model dasar arsitektur. Akhirnya, masalah "halusinasi AI" dalam pembuatan teks rencana diselesaikan secara efektif, dan subjek yang bertanggung jawab atas tindakan tanggap darurat disorot, sehingga meningkatkan keakuratan teks rencana dan keterlaksanaan isi tertulis.
2. Kerangka Pembuatan Rencana Kontinjensi
(1) Proses penelitian
Kerangka keseluruhan penelitian ini ditunjukkan pada Gambar 1, yang dibagi menjadi tiga bagian inti.
(1) Pengumpulan data dan karakterisasi skenario. Gunakan teknologi perayap web untuk mendapatkan data teks rencana kontinjensi Provinsi Jiangsu, dan menyaring, membersihkan, dan memberi label data secara manual. Rancang skenario darurat, pertanyaan kunci untuk retrieval teks rencana, dan teks rencana referensi untuk membangun kumpulan data lapangan darurat berkualitas tinggi.
(2) Membangun kerangka penguatan retrieval. Pertama, teknologi pemrosesan terstruktur digunakan untuk membangun basis pengetahuan berbagai rencana skenario darurat untuk mengklasifikasikan dan mengelola teks rencana. Kedua, melakukan retrieval rencana berdasarkan masukan skenario darurat, menggunakan rekayasa prompt untuk mengintegrasikan hasil retrieval dengan skenario, dan membangun masukan model bahasa yang besar. Terakhir, model bahasa besar digunakan untuk menulis ulang dan mengeluarkan teks rencana akhir.
(3) Evaluasi model dan analisis skenario. Dengan menyesuaikan generator retrieval-augmented generation (RAG) untuk kedaruratan, kami membandingkan kinerja berbagai model bahasa besar dasar pada lima indikator termasuk kinerja dasar. Melakukan analisis kasus berdasarkan skenario tertentu untuk mengevaluasi efek perbaikan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan pada pemahaman struktur organisasi di bidang halusinasi AI dan keadaan darurat.
(2) Kerangka kerja retrieval-augmented generation (RAG)
Berdasarkan kerangka penelitian, kerangka retrieval-augmented generation (RAG) teks rencana kontinjensi (Emergency-RAG) disempurnakan, dan proses penggambarannya ditunjukkan pada Gambar 2.
Modul inti arsitektur retrieval-augmented generation (RAG) untuk kedaruratan mencakup prosesor, retriever dan generator. Fungsi utama prosesor adalah mengubah teks rencana referensi dalam berbagai jenis skenario darurat menjadi vektor dan membangun indeks retriever, sehingga membentuk perpustakaan teks rencana sebagai basis pengetahuan eksternal. Untuk meningkatkan relevansi sumber pengetahuan skenario darurat dan meningkatkan efisiensi retrieval, makalah ini membangun basis pengetahuan rencana kontinjensi multi-skenario untuk mencapai manajemen yang berbeda. Fungsi utama dari retriever adalah untuk memahami skenario masukan pengguna, sehingga memberikan generator pengetahuan relevan yang diambil. Makalah ini pertama-tama menggunakan model bahasa dasar besar yang dikombinasikan dengan prompt untuk mengidentifikasi maksud dari input skenario darurat oleh pengguna, dan memperjelas cakupan panggilan basis pengetahuan. Kemudian, hasil pencarian K teratas diperoleh dengan menyusun ulang kesamaan semantik dan hasil pencarian kata kunci, dan rekayasa kata cepat digunakan untuk menggabungkan konten pencarian dan skenario darurat untuk membangun masukan generator. Generator, yaitu model bahasa besar, menghasilkan teks rencana berdasarkan informasi profesional yang dikembalikan oleh retriever dan dikombinasikan dengan petunjuk pengguna.
(1) Identifikasi maksud. Untuk memastikan bahwa teks yang dihasilkan sangat mudah beradaptasi dengan skenario darurat, penelitian ini merancang modul pengenalan niat untuk memahami skenario darurat. Fungsi spesifiknya adalah ketika pengguna memasukkan deskripsi skenario peristiwa darurat, model pengenalan niat mengekstrak jenis peristiwa darurat utama dari deskripsi teks sebagai cakupan basis pengetahuan untuk retrieval berikutnya. Modul pengenalan maksud meningkatkan efisiensi retrieval dengan membatasi cakupan retrieval basis data, dan pada saat yang sama meningkatkan relevansi hasil retrieval.
(2) Prosesor. Untuk mengatasi tantangan yang dibawa oleh karakteristik teks panjang, lintas domain, dan konten teks rencana yang tumpang tindih, penelitian ini merancang pengolah teks. Metode Pemisahan Teks Karakter Rekursif digunakan untuk mencari setiap pembatas dalam urutan kepentingannya untuk menemukan batas yang paling bermakna dalam teks, sehingga menyelesaikan segmentasi teks yang panjang. Selanjutnya, model penyematan kata berbahasa Mandarin digunakan untuk mengubah setiap fragmen teks menjadi vektor dan disimpan dalam database ringan.
Artikel ini memilih untuk menghasilkan dua konten inti, tanggap darurat dan dukungan darurat, karena keduanya memiliki nilai panduan langsung untuk tanggap darurat terhadap keadaan darurat. Untuk menghindari kompleksitas semantik dan ambiguitas dalam informasi masukan mesin pencari, penelitian ini mengubah konten tertulis di atas menjadi pertanyaan kueri, yaitu “Apa isi tanggap darurat?” dan “Apa isi dari dukungan darurat?”, sehingga membuat ungkapan tersebut lebih jelas dan mandiri. Sebelum memasuki mesin pencari, model GLM4 dari Zhipu AI digunakan untuk memparafrasekan pertanyaan kueri dari perspektif yang berbeda, sehingga mengatasi keterbatasan pencarian kesamaan berbasis jarak.
(3) Retriever. Pada tahap retriever, pertama, teks masukan diubah menjadi vektor menggunakan model penyematan kata yang sama dengan pemecahan teks pada basis data, memastikan bahwa vektor masukan dan vektor basis pengetahuan berada dalam ruang vektor yang sama. Kedua, jarak kosinus digunakan untuk menghitung kemiripan antara vektor teks masukan dan setiap blok vektor dalam database, dan K teks dengan kemiripan tertinggi dipilih sebagai pengetahuan baru. Untuk mengoptimalkan kinerja retrieval, penelitian ini menggunakan kombinasi metode retrieval kata kunci dan metode retrieval kesamaan vektor, serta menggunakan model pemeringkatan ulang untuk mengoptimalkan hasil retrieval, sehingga meningkatkan keakuratan hasil retrieval dan meningkatkan tingkat ingatan teks yang dihasilkan.
(4) Generator. Generator bertanggung jawab untuk menerima informasi domain vertikal yang diperoleh retriever dan menghasilkan teks rencana sesuai dengan tugasnya. Dengan mempertimbangkan perbedaan dalam konten rinci tanggap darurat untuk berbagai keadaan darurat, konten yang dihasilkan selanjutnya distandarisasi ke dalam tingkat respons dan kondisi awal, tindakan dan tindakan, pelaporan dan pelepasan informasi, serta penyesuaian dan penghentian, dan tugas pembangkitan generator didekomposisi dan disempurnakan. Selain itu, untuk mencegah model generator melupakan skenario darurat asli, deskripsi skenario dari modul pengenalan niat dimasukkan kembali, dan deskripsi skenario, hasil retrieval, dan tugas dekomposisi disambung dan dikirim ke generator melalui rekayasa prompt.
Singkatnya, arsitektur retrieval-augmented generation (RAG) untuk kedaruratan mewujudkan fungsi pembuatan teks rencana berdasarkan retrieval-augmented generation (RAG) melalui kerja kolaboratif pemahaman maksud, pemrosesan data, retrieval, dan generasi. Kerangka kerja ini menggunakan model penyematan vektor dan retrieval kesamaan semantik untuk memastikan keaslian hasil yang dihasilkan. Selain itu, desain modular setiap modul memungkinkan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan untuk dialihkan melalui antarmuka, memanggil beberapa kategori dan model bahasa besar yang diterapkan secara lokal, secara efektif meningkatkan fleksibilitas dan skalabilitas kerangka kerja keseluruhan untuk memfasilitasi optimalisasi kinerja retrieval selanjutnya dan evaluasi model generator.
3. Pengaturan pengujian
(1) Sumber data dan pemilihan skenario
Studi ini pertama-tama menelusuri 27 rencana kontinjensi provinsi saat ini di Provinsi Jiangsu, termasuk rencana kontinjensi komprehensif dan rencana kontinjensi khusus yang mencakup bencana alam, kecelakaan, dan keadaan darurat kesehatan masyarakat. Setelah dilakukan tinjauan manual, teks rencana provinsi memiliki kesatuan struktural yang tinggi dan secara umum dibagi menjadi delapan bagian: prinsip umum, sistem organisasi, pemantauan dan peringatan dini, tanggap darurat, pemulihan dan rekonstruksi, tindakan pengamanan darurat, pengelolaan rencana, dan ketentuan tambahan. Mengingat hambatan yang dihadapi oleh rencana tanggap darurat di Tiongkok, seperti teks yang tidak jelas dan keterlaksanaan yang rendah, maka perlu diperjelas lebih lanjut siapa yang bertanggung jawab untuk menyelesaikan pekerjaan apa ketika keadaan darurat terjadi, kapan dan di mana pekerjaan akan dilakukan, dan bagaimana memastikan kelancaran kemajuan pekerjaan. Proses di atas diatur oleh tanggap darurat dan dukungan darurat dalam teks rencana. Oleh karena itu, penelitian ini mengambil dua bagian inti yaitu tanggap darurat dan dukungan darurat sebagai tujuan utama. Pada saat yang sama, prinsip-prinsip umum, sistem organisasi, pemantauan dan peringatan dini, pengelolaan rencana dan ketentuan tambahan dalam teks rencana dihapuskan untuk mengurangi kebingungan retrieval arsitektur yang ditingkatkan retrieval darurat.
Untuk memenuhi kebutuhan aktual manajemen darurat dan ketergantungan pada korpus pelatihan model, artikel ini pertama-tama memilah semua rencana kontinjensi saat ini dan laporan kecelakaan di Provinsi Jiangsu, dikombinasikan dengan sistem klasifikasi darurat nasional dan frekuensi kejadian aktual dalam tiga tahun terakhir, dan mengekstraksi enam skenario inti frekuensi tinggi kesehatan masyarakat, kebakaran, keamanan pangan, kecelakaan budaya dan pariwisata, topan, dan gempa bumi, yang mencakup kesehatan masyarakat, bencana alam, dan bencana kecelakaan. Mengingat keadaan darurat sangat tidak pasti dan kompleks, dan satu skenario tidak dapat sepenuhnya mencerminkan tantangan aktual dalam tanggap darurat, artikel ini selanjutnya membagi karakteristik skenario dari dua aspek: "apakah faktor bencananya tunggal" dan "apakah dampaknya jelas", dan merancang dua skenario darurat yang digabungkan yaitu kecelakaan lalu lintas dan pencemaran lingkungan. Deskripsi skenario spesifik mengacu pada laporan resmi investigasi kecelakaan, dan disensitisasi serta diadaptasi dari kasus nyata, dengan fokus pada waktu, tempat, penyebab, proses perkembangan, dan hasil dari lokasi darurat. Cocokkan rencana kontinjensi yang paling relevan untuk berbagai skenario sebagai sebuah korpus. Lihat Tabel 1 untuk deskripsi dan karakteristik skenario.
Diantaranya, teks deskriptif tentang kebakaran, keamanan pangan, kecelakaan budaya dan pariwisata, topan dan gempa bumi berisi informasi akurat tentang konsekuensi keadaan darurat, seperti jumlah korban dan kerugian serta tingkat bencana, dan merupakan skenario kejadian tunggal dengan konsekuensi yang jelas. Kesehatan masyarakat mempunyai ketidakpastian yang tinggi dan merupakan skenario peristiwa tunggal dengan konsekuensi yang ambigu. Skenario kecelakaan lalu lintas tidak hanya mencakup faktor bencana seperti hujan lebat, tetapi juga kelumpuhan lalu lintas dan kerugian tertentu. Itu adalah peristiwa yang digabungkan dengan konsekuensi yang jelas. Pencemaran lingkungan mencakup suhu tinggi yang ekstrim dan kebocoran bahan kimia berbahaya, namun konsekuensi dari peristiwa tersebut tidak jelas, dan ini merupakan skenario yang tidak jelas mengenai konsekuensi peristiwa yang digabungkan.
(2) Pemilihan model dasar bahasa yang besar
Desain arsitektur modular dari arsitektur retrieval-augmented generation (RAG) untuk kedaruratan menunjukkan keuntungan yang signifikan dalam pemilihan model bahasa besar basis generator. Arsitektur ini memberikan kemudahan untuk memverifikasi stabilitas konten yang dihasilkan oleh kerangka kerja dan membandingkan kinerja pembuatan rencana model dasar dalam berbagai skenario darurat dan tahap respons.
Model bahasa besar generatif yang ada dapat dibagi menjadi tipe instruksi dan tipe inferensi sesuai dengan mekanisme keluarannya. Model instruksi didorong oleh tujuan tugas dan mencapai pemetaan langsung persyaratan tugas melalui penyesuaian instruksi atau prompt. Model jenis ini menunjukkan kemampuan beradaptasi yang baik dalam tugas menghasilkan teks rencana kontinjensi yang sangat terstruktur, namun memiliki keterbatasan yaitu kedalaman fusi fitur skenario darurat yang tidak memadai. Model inferensi didasarkan pada mekanisme pemikiran berantai dan mewujudkan pembuatan teks rencana secara progresif melalui analisis semantik skenario serta dekomposisi dan rekursi tugas yang kompleks. Keuntungannya adalah mencapai pemahaman mendalam tentang skenario darurat, memberikan jalur penalaran yang dapat dilacak, dan memfasilitasi pembuat rencana kontinjensi untuk memverifikasi rantai logis dari proses pembuatan model bahasa besar. Namun, model inferensial mungkin mengalami masalah timbulnya halusinasi yang disebabkan oleh inferensi berlebihan. Mengingat hal ini, artikel ini memilih model sumber terbuka yang sebanding sebagai generatornya. Model inferensi diwakili oleh DeepSeek-R1 (7B), dan model instruksi memilih GLM4 (9B) dari Zhipu AI, Qwen2.5 (7B) Alibaba, Gemma2 Google (9B) dan Llama3.1 (8B) Meta. Semua model diterapkan secara lokal dengan bantuan platform manajemen operasi lokal model bahasa besar (Ollama), dan parameter model serupa, sehingga memastikan validitas studi perbandingan horizontal kinerja model.
(3) Uji pengaturan parameter
Artikel ini mengimplementasikan konstruksi arsitektur retrieval-augmented generation (RAG) untuk kedaruratan berdasarkan arsitektur LangChain di lingkungan PyTorch2.5.1. Melalui beberapa iterasi eksperimental, parameter inti arsitektur retrieval-augmented generation (RAG) untuk kedaruratan diperoleh, seperti yang ditunjukkan pada Tabel 2.
(4) Evaluasi hasil yang dihasilkan
Teks rencana kontinjensi terutama digunakan untuk meningkatkan efisiensi tanggap darurat. Kelengkapan informasi utamanya menentukan keandalan teks, dan tingkat kesesuaian dengan skenario aktual mencerminkan keterlaksanaan rumusan teks. Dalam tugas pembuatan teks model bahasa besar, Recall-Oriented Understudy for Gisting Evaluation (ROUGE) berfokus pada sejauh mana kata-kata dalam teks referensi tercakup dalam teks yang dihasilkan, yaitu tingkat recall. Pada saat yang sama, derajat pencocokan model N-gram (N-gram) digunakan untuk menghitung skor kesamaan antar teks, yang berguna untuk menilai apakah rencana kontinjensi yang dihasilkan sepenuhnya mencakup elemen inti dan kata-kata skenario penting dari rencana referensi. Dalam model elemen-N, N mewakili jumlah kelompok kumpulan kata yang berurutan. Nilai umumnya adalah 1 dan 2. Cara perhitungannya adalah sebagai berikut.
Teks referensinya adalah
Y
, teks yang dihasilkan adalah
X
, pembilang mewakili jumlah model N-ary yang dibagikan dalam teks yang dihasilkan dan teks referensi, dan penyebut mewakili jumlah total model N-ary dalam teks referensi.
ROUGE-L mengelompokkan urutan umum terpanjang (LCS) untuk mencocokkan konten teks secara struktural. Dibandingkan dengan ROUGE-N, ini lebih memperhatikan urutan dan koherensi pembuatan teks. Cara perhitungannya adalah:
Dalam rumusnya,
adalah tingkat recall (Recall, R), yang artinya
Panjang sebagai proporsi panjang teks referensi memberikan ukuran kelengkapan konten yang dihasilkan relatif terhadap konten referensi.
adalah akurasi (Presisi, P), menunjukkan keakuratan rencana yang dihasilkan. ROUGE-L adalah nilai F1 (F1-Score, F), yang mencerminkan rata-rata harmonik tertimbang dari tingkat recall dan presisi, di mana parameter β berperan sebagai pengatur.
Artikel ini menggunakan tingkat recall (R) dari ROUGE-1, ROUGE-2 dan ROUGE-L untuk mengukur teks rencana yang dihasilkan dibandingkan dengan teks referensi.
Cakupan konten informasi utama. Gunakan presisi (P) untuk mengukur seberapa cocok teks yang dihasilkan dengan skenario tertentu.
4. Analisis hasil
(1) Optimalisasi strategi RAG
Eksperimen tersebut pertama-tama membandingkan skor indeks ROUGE dari teks rencana yang dihasilkan oleh kerangka retrieval-augmented generation (RAG) untuk kedaruratan dan teks rencana yang dihasilkan secara langsung oleh model bahasa besar dasar (lihat Tabel 3), dengan R mewakili tingkat ingatan rata-rata setelah beberapa kali uji coba beberapa model, mulai dari 0 hingga 1, dan merupakan indikator positif untuk mengukur cakupan konten teks rencana. P mewakili akurasi rata-rata setelah beberapa pengujian pada beberapa model, mulai dari 0 hingga 1. Ini adalah indikator positif yang digunakan untuk mengukur kecocokan skenario pada teks rencana. Selain itu, strategi ablasi model digunakan untuk memverifikasi stabilitas kerangka, yaitu model dasar generator tertentu dihapus secara bergantian, dan nilai indeks rata-rata dari empat model yang tersisa setelah beberapa percobaan dihitung.
Data eksperimen pada Tabel 3 membandingkan dan menganalisis perbedaan kinerja antara dua metode yang secara langsung menghasilkan teks rencana tanggap darurat dan dukungan darurat tanpa menggunakan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan, dan menggunakan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan untuk menghasilkan teks rencana. Diantaranya, tingkat peningkatan didefinisikan sebagai perbedaan persentase di setiap indeks evaluasi antara menggunakan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan dan tidak menggunakan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan. Hasil eksperimen menunjukkan bahwa dibandingkan dengan strategi pembuatan langsung, penggunaan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan dapat meningkatkan cakupan dan pencocokan skenario pembuatan teks rencana secara signifikan. Secara khusus, dalam skenario percobaan yang berbeda, indeks cakupan meningkat masing-masing sebesar 12,2%, 9,7% dan 7,4%, dan indeks pencocokan skenario meningkat sebesar 7,6%, 7,0% dan 3,6%. Hasil ini menunjukkan bahwa arsitektur retrieval-augmented generation (RAG) untuk kedaruratan membangun lingkungan kontekstual yang lebih akurat dan kaya untuk model pembuatan teks dengan mengintegrasikan basis pengetahuan rencana kontinjensi eksternal secara mendalam. Dengan dukungan arsitektur ini, model dapat secara efektif mengambil dan memanfaatkan pengetahuan profesional, sehingga menghasilkan teks rencana kontinjensi dengan konten yang lebih lengkap dan kemampuan beradaptasi skenario yang lebih kuat. Selain itu, eksperimen ablasi model semakin memverifikasi stabilitas kerangka retrieval-augmented generation (RAG) untuk kedaruratan. Bahkan jika beberapa komponen model dihilangkan, kisaran fluktuasi setiap indikator kurang dari 3%, yang menegaskan bahwa kinerja luar biasa dari arsitektur retrieval-augmented generation (RAG) untuk kedaruratan terutama berasal dari perolehan informasi dari penguatan retrieval, bukan ketergantungan empiris pada model dasar tertentu.
Perbandingan lebih lanjut terhadap rangkaian indikator ROUGE menunjukkan bahwa cakupan dan pencocokan skenario berdasarkan ROUGE-L masing-masing meningkat sebesar 7,4% dan 3,6%. Karena ROUGE-L terutama meneliti kejadian bersama dari urutan umum terpanjang, hasil ini menunjukkan bahwa meskipun kerangka retrieval-augmented generation (RAG) untuk kedaruratan memiliki efek perbaikan tertentu pada koherensi permukaan teks, namun cakupannya terbatas. Selain itu, cakupan dan indeks pencocokan ROUGE-2 dilemahkan secara signifikan (Δ>10%) dibandingkan dengan ROUGE-1 dan ROUGE-L. Hal ini mungkin disebabkan oleh penyimpangan adaptasi antara mekanisme penyelarasan paksa dari fragmen dua kata dan mode ekspresi profesional yang unik di bidang rencana kontinjensi. Hasil di atas menunjukkan bahwa meskipun arsitektur retrieval-augmented generation (RAG) untuk kedaruratan memiliki keunggulan dalam pemahaman skenario dan retrieval pengetahuan, modul pembangkitannya masih perlu memperkuat kemampuan reorganisasi semantik hasil retrieval, daripada mengadopsi strategi penyambungan fragmen sederhana.
Singkatnya, beberapa hasil menunjukkan bahwa dibandingkan dengan generasi langsung berdasarkan model dasar, arsitektur retrieval-augmented generation (RAG) untuk kedaruratan menunjukkan keunggulan yang signifikan dalam indikator cakupan teks dan kesesuaian pemandangan, dengan peningkatan rata-rata masing-masing sebesar 10% dan 6%. Ia telah mempertahankan kinerja yang stabil dalam berbagai eksperimen dan uji ablasi, sepenuhnya memverifikasi keandalannya. Namun, masih ada ruang untuk optimasi dalam arsitektur retrieval-augmented generation (RAG) untuk kedaruratan dalam hal penataan dan koherensi teks yang dihasilkan. Meskipun arsitektur ini dapat secara efektif meningkatkan kemampuan pembangkitan dasar, arsitektur ini belum mencapai kondisi ideal dalam hal koneksi logis teks dan organisasi struktural. Penelitian di masa depan dapat fokus pada optimalisasi algoritma reorganisasi teks dan fusi informasi multi-modal untuk lebih meningkatkan kualitas teks yang dihasilkan oleh arsitektur retrieval-augmented generation (RAG) untuk kedaruratan.
(2) Analisis efek model
Untuk mengeksplorasi lebih jauh dampak model dasar yang berbeda pada kemampuan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan dan memanfaatkan sepenuhnya keunggulan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan dalam tugas pembuatan teks rencana, artikel ini membandingkan efek model dalam hal kinerja dasar model, stabilitas hasil yang dihasilkan, koherensi konten yang dihasilkan, potensi tugas pembuatan, dan tingkat peningkatan setelah menggabungkan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan (seperti yang ditunjukkan pada Gambar 3). Diantaranya, rata-rata tingkat recall ROUGE-1 mengukur performa dasar model. Semakin tinggi nilainya, semakin baik kualitas teks rencana secara keseluruhan; hasil ke depan dari deviasi standar tingkat penarikan kembali ROUGE-1 mengukur stabilitas. Semakin tinggi nilainya, semakin kuat keandalan kinerja teks rencana yang dihasilkan secara otomatis. Tingkat penarikan kembali ROUGE-1 maksimum mengukur potensi penyempurnaan model pada tahap selanjutnya. Semakin rendah nilainya, semakin baik. Maka ruang untuk optimalisasi pembuatan rencana otomatis menjadi lebih besar; tingkat peningkatan rata-rata dari strategi retrieval-augmented generation (RAG) untuk kedaruratan dalam tingkat penarikan kembali ROUGE-1 mengukur tingkat peningkatan model. Semakin tinggi nilainya, semakin signifikan strategi tersebut meningkatkan kualitas pembangkitan otomatis; rata-rata tingkat penarikan kembali ROUGE-L mengukur koherensi model dalam tugas pembuatan rencana. Semakin tinggi nilainya, semakin koheren tugas pembuatan rencana otomatis tersebut.
Dalam hal evaluasi kemampuan komprehensif, model Qwen Qwen2.5 menunjukkan keunggulan terdepan, dan kinerja keseluruhan model bahasa besar Tiongkok lebih baik dibandingkan model bahasa besar non-Tiongkok. Hal ini disebabkan oleh dua faktor: pertama, tingginya proporsi bahasa Inggris dalam korpus pra-pelatihan model asing menyebabkan penyimpangan dalam pemahaman semantik model terhadap tugas-tugas berbahasa Mandarin; kedua, fenomena campuran bahasa Mandarin dan Inggris sering muncul dalam teks-teks yang dihasilkan oleh model asing. Hasil ini mengungkapkan peran penting kualitas korpus pelatihan model dasar pada pemahaman semantik model, dan juga menyoroti pentingnya membangun kumpulan data lapangan darurat Tiongkok berkualitas tinggi untuk meningkatkan efisiensi pembuatan rencana kontinjensi secara otomatis.
Dalam hal tingkat peningkatan dan evaluasi potensi, model Llama3.1 Meta menunjukkan tingkat peningkatan kinerja yang lebih tinggi selama proses iterasi eksperimental, diikuti oleh model Qwen Qwen2.5. Fenomena ini disebabkan oleh keunggulan cadangan pengetahuan dari model bahasa domestik yang besar di bidang teks rencana kontinjensi Tiongkok, yang menjadikan ruang untuk optimalisasi lebih lanjut kerangka retrieval-augmented generation (RAG) untuk kedaruratan relatif terbatas; sementara model bahasa asing yang besar memiliki kekurangan yang melekat dalam sistem pengetahuan teks rencana kontinjensi Tiongkok. Setelah diperkenalkannya dukungan pengetahuan terpadu yang disediakan oleh kerangka retrieval-augmented generation (RAG) untuk kedaruratan, tingkat optimalisasinya menjadi lebih signifikan. Temuan ini menegaskan korelasi positif antara ukuran cadangan pengetahuan model dasar dan kemampuan generalisasi pembelajaran. Hal ini juga berarti bahwa kombinasi penyempurnaan model dasar dan teknologi retrieval-augmented generation (RAG) (RAG) dapat menjadi strategi efektif lainnya untuk meningkatkan efek pembuatan rencana otomatis.
Pada tingkat evaluasi stabilitas, perbedaan kinerja masing-masing model kecil, yang membuktikan keandalan hasil penggunaan model bahasa besar untuk menghasilkan rencana kontinjensi secara otomatis. Namun, semua model tidak mencapai tingkat koherensi yang ideal. Hasil ini menunjukkan bahwa penelitian selanjutnya perlu fokus pada optimalisasi reorganisasi struktural dan mekanisme koneksi logis teks rencana.
Selain itu, sebagai model distilasi yang dibangun berdasarkan Qwen, meskipun Deepseek-R1 mempertahankan besaran parameter yang sama dengan Qwen2.5, kinerjanya dalam percobaan jelas buruk, terutama pada tingkat indeks tingkat peningkatan yang rendah. Fenomena ini menunjukkan bahwa model yang berorientasi pada penalaran tidak cocok untuk arsitektur retrieval-augmented generation (RAG) untuk kedaruratan. Alasannya mungkin karena model penalaran rentan terhadap bias kognitif otonom saat memproses tugas penalaran rantai panjang, sehingga melemahkan dukungan pengetahuan profesional yang disediakan oleh arsitektur generasi yang disempurnakan dengan retriever. Pada saat yang sama, terdapat risiko terjadinya overthinking dan penalaran yang sirkular, sehingga berdampak pada penurunan kualitas generasi.
Singkatnya, model bahasa besar Tiongkok menunjukkan keunggulan pemahaman dan pemrosesan bahasa yang signifikan dalam tugas pembuatan rencana kontinjensi Tiongkok, sedangkan model bahasa besar non-Tiongkok menunjukkan plastisitas pembelajaran yang lebih kuat. Di masa depan, strategi penyulingan model yang ditargetkan dapat digunakan untuk meningkatkan efek pembuatan rencana otomatis. Selain itu, dibandingkan dengan model bahasa besar yang berorientasi pada penalaran, model bahasa besar yang digerakkan oleh instruksi memiliki kemampuan beradaptasi tugas yang lebih tinggi dan nilai penerapan dalam tugas pembuatan rencana kontinjensi.
(3) Analisis skenario rencana
Untuk membandingkan kemampuan generalisasi arsitektur retrieval-augmented generation (RAG) untuk kedaruratan untuk menghasilkan rencana kontinjensi untuk skenario darurat yang berbeda, artikel ini didasarkan pada Qwen
Indeks recall ROUGE model Qwen2.5 mengevaluasi kualitas pembuatan teks. Gambarlah Gambar 4 dan 5 masing-masing berdasarkan teks tanggap darurat dan dukungan darurat. Diantaranya, histogram sesuai dengan tingkat recall terbaik teks rencana skenario, dan garis horizontal mewakili skor ROUGE rata-rata dari semua rencana kontinjensi yang dihasilkan oleh model Qwen2.5 di semua skenario.
Gambar 4 menunjukkan perbandingan kualitas teks dukungan darurat dalam berbagai skenario, berdasarkan perbandingan numerik indeks optimal dan indeks dasar rata-rata. Diantaranya, kualitas teks dukungan darurat untuk kebakaran, keamanan pangan, kesehatan masyarakat dan insiden budaya dan pariwisata adalah yang paling menonjol. Namun, kualitas teks dukungan darurat untuk skenario kecelakaan lalu lintas, angin topan, dan gempa bumi berada di bawah rata-rata. Kecelakaan lalu lintas adalah skenario dengan konsekuensi yang jelas jika terjadi peristiwa yang digabungkan, dan cukup sulit untuk dihasilkan. Namun, topan dan gempa bumi merupakan skenario peristiwa tunggal yang memiliki konsekuensi jelas dan tidak terlalu sulit untuk ditimbulkan. Kualitas pembuatan teks dukungan darurat terlalu rendah, dan diperkirakan terdapat perbedaan tertentu. Perlu dicatat bahwa, sebagai skenario pencemaran lingkungan dengan konsekuensi ambigu dari peristiwa penggandengan, efek pembuatan rencana optimal lebih baik (nilai maksimum ROUGE-1 0,67).
Gambar 5 menunjukkan perbandingan kualitas teks tanggap darurat dalam berbagai skenario. Berdasarkan perbandingan numerik antara indeks optimal dan rata-rata indeks dasar, ditemukan bahwa kualitas teks tanggap darurat pada skenario kebakaran, keamanan pangan, kecelakaan lalu lintas, angin topan, kesehatan masyarakat, dan gempa bumi lebih tinggi dari rata-rata, sedangkan kualitas teks tanggap insiden budaya dan pariwisata dan pencemaran lingkungan lebih rendah dari rata-rata.
Membandingkan Gambar 4 dan Gambar 5, ditemukan bahwa kualitas pembuatan teks tanggap darurat yang memerlukan pengoperasian yang lebih kuat secara signifikan lebih rendah dibandingkan dengan teks dukungan darurat yang lebih terstruktur. Hal ini sesuai dengan kesimpulan bahwa model bahasa besar mempunyai efek generasi yang lebih tinggi pada teks yang lebih terstruktur. Namun, melalui arsitektur yang ditingkatkan retrieval darurat, terdapat lebih banyak skenario di mana rencana optimal melebihi nilai rata-rata dalam tanggap darurat, menunjukkan bahwa arsitektur artikel ini memiliki potensi besar dalam menghasilkan teks tanggap darurat. Selain itu, alasan tingginya kualitas kinerja teks rencana untuk skenario kebakaran dan keamanan pangan adalah, pertama, model bahasa besar memiliki kemampuan yang kuat untuk memahami topik hangat saat ini, dan kedua, lebih mudah untuk menghasilkan teks rencana dalam skenario dengan konsekuensi yang jelas dari satu peristiwa. Meskipun kesehatan masyarakat dan pencemaran lingkungan juga merupakan peristiwa dengan konsekuensi yang ambigu, karena kesehatan masyarakat memiliki dampak yang lebih besar dan merupakan peristiwa tunggal, maka dampak yang ditimbulkannya lebih baik. Untuk insiden pencemaran lingkungan yang disertai peristiwa dan konsekuensi yang ambigu, kemampuan untuk menghasilkan arsitektur pemulihan darurat yang ditingkatkan masih perlu ditingkatkan.
(4) Analisis kasus
Untuk mendemonstrasikan performa aplikasi arsitektur retrieval-augmented generation (RAG) untuk kedaruratan dalam tugas pembuatan rencana, artikel ini memilih beberapa kasus pembuatan rencana dan membandingkan perbedaan antara hasil yang dihasilkan menggunakan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan dan tanpa menggunakan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan. Dalam uji analisis skenario, tingkat cakupan konten teks yang dihasilkan oleh dukungan darurat rencana kontinjensi topan lebih rendah dari tingkat dasar. Analisis komparatif selanjutnya dilakukan terhadap rencana dukungan darurat topan yang dihasilkan oleh pembangkitan langsung dan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan.
Tabel 4 menunjukkan struktur pembuatan teks dukungan darurat topan. Hasilnya menunjukkan bahwa teks rencana kontinjensi yang tidak menggunakan arsitektur yang ditingkatkan retrieval darurat lebih fokus pada tindakan spesifik dan mengabaikan subjek yang bertanggung jawab dalam proses dukungan darurat. Hal ini tidak sejalan dengan tujuan inti dari dukungan darurat untuk "memastikan kelancaran proses penyelamatan darurat melalui koordinasi organisasi dan alokasi sumber daya." Sebaliknya, keluaran arsitektur retrieval-augmented generation (RAG) untuk kedaruratan menekankan tanggung jawab organisasi. Selain itu, ketika membandingkan rencana dukungan darurat topan yang dihasilkan oleh arsitektur yang ditingkatkan retrieval darurat dengan rencana referensi, ditemukan bahwa konten yang dihasilkan dukungan darurat topan tidak memiliki dukungan perlindungan kesehatan dan publisitas dan pendidikan, sehingga skor cakupan konten teks rencana menjadi lebih rendah dari tingkat dasar. Karena konten publisitas dan latihan ditempatkan di bab berbeda dari versi rencana yang berbeda, misalnya, konten tersebut dapat dimasukkan dalam dukungan darurat atau secara terpisah sebagai bab manajemen rencana, yang telah menyebabkan kebingungan dalam konten yang dihasilkan oleh model bahasa besar. Permasalahan ini juga terjadi di antara bab-bab pemantauan peringatan dini dan tanggap darurat dalam teks rencana, sehingga memberikan ruang untuk perbaikan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan.
Rencana darurat di bagian tanggap darurat dibagi menjadi empat bagian: tingkat respons dan kondisi awal, pelaporan dan pelepasan informasi, tindakan dan tindakan, serta penyesuaian dan penghentian. Karena isi setiap bagiannya relatif panjang, rencana pencemaran lingkungan dengan ruang perbaikan terbesar dipilih sebagai kasus untuk menganalisis tingkat respons dan kondisi awal bagian yang paling sulit untuk dihasilkan. Pada Tabel 5, isi tanggap darurat dari rencana kontinjensi pencemaran lingkungan dipengaruhi oleh ambiguitas konsekuensinya. Teks rencana yang dibuat secara langsung menetapkan volume kebocoran bahan kimia berbahaya menjadi 50, yang tidak sesuai dengan fakta dan termasuk dalam masalah halusinasi model bahasa besar. Teks rencana yang dihasilkan menggunakan arsitektur retrieval-augmented generation (RAG) untuk kedaruratan memiliki struktur yang kuat dalam ekspresi kondisi permulaan tanggap darurat dan menghindari keluaran informasi yang salah. Selain itu, rencana pembuatan arsitektur yang disempurnakan untuk retrieval darurat menekankan entitas yang bertanggung jawab untuk memulai konten tanggap darurat di berbagai tingkat, yang mencerminkan hubungan hierarki dari Dewan Negara hingga tingkat provinsi, kota, dan regional.
5. Kesimpulan dan Pencerahan
(1) Kesimpulan utama
Berdasarkan dilema praktis mengenai buruknya keterlaksanaan rumusan tekstual rencana kontinjensi, penelitian ini menggabungkan teknologi pembangkitan yang ditingkatkan retrieval dengan kecerdasan buatan generatif untuk membangun arsitektur yang ditingkatkan retrieval darurat untuk tugas pembuatan rencana kontinjensi otomatis. Ini secara sistematis mengevaluasi kinerja beberapa model bahasa besar, dan menggunakan indikator ROUGE dan analisis kasus untuk memverifikasi efektivitas arsitektur. Penelitian menunjukkan bahwa dibandingkan dengan generasi langsung yang menggunakan model bahasa besar (LLM), generasi retrieval-augmented (RAG) secara efektif meningkatkan cakupan konten (10%) dan kesesuaian skenario (6%) dari teks yang direncanakan dengan mengintegrasikan retriever, menjawab pertanyaan, dan reorganisasi generasi dengan model bahasa besar. Hasil evaluasi model menunjukkan bahwa model bahasa besar berbasis perintah domestik lebih cocok untuk tugas pembuatan rencana kontinjensi Tiongkok. Selain itu, menurut analisis kasus, arsitektur retrieval-augmented generation (RAG) untuk kedaruratan secara efektif menghindari pemalsuan informasi penting secara acak seperti kondisi permulaan tanggap darurat dan struktur organisasi pemerintah dengan model bahasa besar (LLM) melalui basis pengetahuan plug-in, dan meningkatkan keakuratan teks rencana. Singkatnya, menggabungkan teknologi retrieval-augmented generation (RAG) dengan model bahasa besar (LLM) untuk menghasilkan teks rencana kontinjensi dapat membantu meningkatkan kemampuan adaptasi kesiapsiagaan darurat dalam skenario yang kompleks, mendorong kolaborasi lintas departemen dan berbagi informasi, serta memfasilitasi integrasi saran ahli ke dalam retrieval keputusan kolaboratif.
(2) Inspirasi praktis
Memperkenalkan penguatan retrieval + teknologi model bahasa besar untuk menghasilkan rencana kontinjensi secara dinamis adalah kunci untuk meningkatkan diferensiasi kesiapsiagaan darurat dalam skenario darurat yang kompleks. Dalam beberapa tahun terakhir, risiko-risiko yang muncul, bencana alam, dan krisis lintas batas telah sering terjadi, dan ketidakpastian akan keadaan darurat semakin meningkat. Rencana darurat adalah dokumen kelembagaan yang digunakan oleh pemerintah untuk memandu tanggap darurat dan pemulihan.
Strategi inti untuk menahan dampak ketidakpastian. Pengenalan teknologi retrieval-augmented generation (RAG) mengubah rencana historis yang sangat besar menjadi pengetahuan untuk dipelajari oleh model bahasa besar, sehingga memungkinkannya dengan cepat menghasilkan rencana kontinjensi untuk skenario spesifik berdasarkan kompleksitas dan potensi konsekuensi dari keadaan darurat. Proses ini menghindari kelemahan pengalaman dalam persiapan rencana manual tradisional, meningkatkan penyempurnaan kesiapsiagaan darurat untuk skenario tertentu, dan mendorong akumulasi, pemanfaatan, dan pengulangan pengalaman darurat.
Memperkenalkan teknologi retrieval data yang ditingkatkan (RAG) ke dalam pembuatan rencana kontinjensi akan membantu memperkuat mekanisme pembagian informasi di departemen-departemen pemerintah. Pembuatan rencana kontinjensi berkualitas tinggi sangat bergantung pada profesionalisme dan kekayaan basis pengetahuan plug-in. Dalam aspek praktis, membangun basis pengetahuan memerlukan komunikasi dan koordinasi antar berbagai daerah, tingkatan, dan departemen yang berbeda. Pada saat yang sama, arsitektur retrieval-augmented generation (RAG) untuk kedaruratan menggunakan pemahaman niat untuk mengambil rencana kontinjensi untuk berbagai jenis keadaan darurat, mengintegrasikan dan mengeluarkan informasi penting dan memberikan dasar referensi. Proses ini mencerminkan integrasi dan integrasi data dari berbagai departemen. Selain itu, dalam menghadapi risiko yang muncul (seperti ekonomi ruang udara rendah, etika kecerdasan buatan, dll.), meskipun teks rencana yang dihasilkan oleh model bahasa besar dapat mengintegrasikan pengalaman tanggap darurat tradisional, teks rencana tersebut tidak dapat digunakan sebagai dasar langsung untuk akuntabilitas selanjutnya dan perlu dinegosiasikan dan diselesaikan oleh personel revisi. Hal ini akan memperkuat kolaborasi di antara pekerja manajemen darurat di berbagai departemen dan meningkatkan kemampuan retrieval keputusan ketika muncul risiko.
Mengintegrasikan teknologi Retrieval Enhanced Generation (RAG) yang direkomendasikan oleh para ahli adalah jaminan utama bagi pembuatan rencana tanggap darurat secara otomatis. Retrieval-augmented generation (RAG) memainkan peran ganda sebagai spesifikasi dan panduan dalam proses menghasilkan rencana kontinjensi menggunakan model bahasa besar (LLM). Peran normatifnya terutama tercermin dalam pengentasan masalah "halusinasi AI" secara efektif dan penekanan yang jelas pada subjek yang bertanggung jawab dalam teks rencana. Peran panduannya tercermin dalam kenyataan bahwa ketika model bahasa besar diminta secara langsung untuk menghasilkan teks rencana yang relevan untuk keadaan darurat yang melibatkan informasi sensitif seperti jumlah korban dan kerugian ekonomi, seperti terinjak-injak, gempa bumi, dan kebakaran, model tersebut mungkin menolaknya karena mekanisme pelatihannya. Namun, ketika teknologi RAG digunakan untuk menyediakan informasi rencana templat yang relevan, masalah tersebut dapat diselesaikan secara efektif. Hal ini menunjukkan bahwa memasukkan saran ahli ke dalam basis pengetahuan RAG tidak hanya dapat memperkuat pengetahuan faktual, namun juga memandu perilaku model sampai batas tertentu, memungkinkannya menghasilkan konten yang mungkin terbatas dalam situasi tertentu.
Artikel ini mengeksplorasi potensi penerapan kecerdasan buatan generatif dalam pembuatan rencana kontinjensi, memberikan bukti empiris untuk mendorong manajemen darurat yang cerdas. Namun, penelitian ini masih memiliki keterbatasan dan ruang untuk perluasan: Pertama, karena keterbatasan sumber daya pelatihan, model saat ini gagal mengintegrasikan data spasial seperti sistem informasi geografis, sehingga akurasi kuantitatif dalam ambang batas kondisi tanggap darurat tidak mencukupi. Kedua, sistem evaluasi hasil yang dihasilkan sebagian besar bergantung pada indikator teks dan verifikasi kasus, dan tidak memiliki penilaian terstruktur yang dilakukan oleh para ahli darurat. Di masa depan, data multi-modal seperti ruang geografis dapat dimasukkan ke dalam arsitektur retrieval-augmented generation (RAG) untuk kedaruratan, atau sistem evaluasi hibrida dari hasil kolaboratif manusia-mesin dapat dibangun untuk mencapai keseimbangan antara teks yang dihasilkan secara cerdas dan akurat.
(3) Refleksi penerapan
Kunci penerapan rencana kontinjensi otomatis terletak pada apakah rencana tersebut dapat menjaga stabilitas dan kemampuan audit dalam skenario risiko tinggi, lintas departemen, dan risiko gabungan. Meskipun artikel ini mengusulkan jalur teknis yang menggabungkan teknologi retrieval-augmented generation (RAG) dengan model bahasa besar (LLM) untuk menghasilkan teks rencana kontinjensi, masih perlu untuk memahami sepenuhnya kemungkinan hambatannya ketika menerapkannya dalam praktik manajemen darurat. Dalam hal data, data yang memadai adalah kunci pembuatan otomatis yang dinamis. Namun praktik penanganan darurat masih menghadapi permasalahan seperti fragmentasi data, silo pengetahuan, dan kurangnya interkoneksi lintas tingkat. Selain itu, model bahasa berukuran besar juga menghadapi masalah seperti injeksi prompt dan data poisoning, yang akan menimbulkan tantangan terhadap pembuatan rencana berkualitas tinggi secara otomatis. Dalam hal teknologi, sifat probabilistik generasi model bahasa besar menentukan bahwa masalah seperti halusinasi, kelalaian, dan ketidakpastian akan tetap ada; meskipun teknologi pembangkitan yang ditingkatkan retrieval dapat melengkapi pengetahuan deterministik, setelah cakupan retriever, otoritas sumber, atau pemesanan ulang dilengkapi, faktualitas akan menurun, dan retrieval multi-langkah akan meningkatkan penundaan dan biaya daya komputasi, sehingga menimbulkan tantangan terhadap pembuatan otomatis rencana kontinjensi untuk aplikasi skala besar. Dalam hal sistem organisasi, rencana kontinjensi tidak hanya merupakan alat bantu untuk praktik manajemen darurat, namun juga salah satu dasar penting untuk investigasi dan akuntabilitas kecelakaan. Dalam skenario risiko tinggi terkait penentuan tanggung jawab, sebagian besar organisasi dan individu kurang percaya pada pembuatan rencana kontinjensi secara otomatis, sehingga menimbulkan tantangan besar dalam implementasinya. Mengingat hal ini, pembuatan rencana kontinjensi secara otomatis dapat dieksplorasi dan diterapkan dalam kaitannya dengan risiko rendah seperti persiapan rancangan rencana pertama, retrieval data, dan latihan. Pembuatan rencana kontinjensi, evaluasi situasional, audit kredibilitas, alokasi tanggung jawab, dll. berdasarkan kolaborasi manusia-intelijen memerlukan penelitian lebih lanjut untuk mendorong transformasi pembuatan rencana kontinjensi otomatis dari penelitian teknis menjadi penerapan organisasi.
Publikasi asli: "Ilmu Manajemen Darurat Tiongkok" Edisi 6, 2026, anotasi dihilangkan. Harap sebutkan sumbernya saat mencetak ulang.
Pindai kode QR untuk mengikuti kami
Email pengiriman: xhbjb01@china-sem.org.cn
Nomor Kontak : 010-68922471
Diterjemahkan secara lengkap ke bahasa Indonesia dari artikel “【理论前沿】彭毅 王茜 肖骏 | 基于RAG-LLM技术的应急预案生成研究” yang diterbitkan akun WeChat 风险灾害危机多学科研究 pada 9 September 2026. Penyuntingan terbatas dilakukan untuk kelancaran bahasa Indonesia tanpa mengubah substansi. Rumus, tabel, diagram, dan grafik dipertahankan dalam bentuk gambar asli.
Sumber: WeChat — 风险灾害危机多学科研究
