Naukowcy zaproponowali system wspierany przez LLM do automatyzacji przygotowywania planów zarządzania transportem - skomplikowanych dokumentów wymaganych dla bezpiecznej organizacji pracy w strefach roboczych. Tradycyjnie tworzenie TMP jest czasochłonne i wymaga dużej wiedzy praktyków. Nowy framework fine-tunuje otwarte modele LLM różnych rozmiarów (7B/8B i 14B parametrów) na lokalnych serwerach, aby zapewnić bezpieczeństwo danych.
Do trenowania wykorzystano unikalny dataset konstruowany z historycznych dokumentów WisDOT WisTMP - pliki PDF zostały przekonwertowane na strukturyzowane pary pytań i odpowiedzi w formacie JSON. Wyniki pokazały, że fine-tuning istotnie poprawia performance na standardowych metrykach generowania tekstu. Jednak szczegółowa analiza ujawniła ograniczenia: modele generują zbyt wiele strategii, mają problemy z tworzeniem uzasadnień dostosowanych do konkretnych projektów i precyzyjnym szacowaniem kosztów. Skalowanie z 7B/8B do 14B parametrów przyniosło tylko marginalne zyski.
Badanie pokazuje realny potencjał LLM do przyspieszenia przygotowywania TMP w praktyce drogowej, ale wskazuje również na istotne wyzwania, które należy rozwiązać przed wdrożeniem. Autorzy udostępnią kod źródłowy i materiały demonstracyjne publicznie.