AI-genererad riskanalys av väder för drönarkoordination

Sammanfattning

Denna studie undersökte hur artificiell intelligens (AI), specifikt generativa språkmodeller (LLMs), kunde användas för att skapa riskanalyser av väder för drönarkoordination. Uppsatsen ingick i projektet Virtual demo 2, var fokuserad i Västervik och ämnade skapa en grund för att utöka simuleringsverktyget UTM City. Studiens fokus låg på LLMs prestation, hur Prompt engineering kan öka resultatens kvalitet och hur AI-genererade väderriskanalyser för drönare uppfattas av experter. Tre avancerade prompttekniker (Zero-shot Chain of Thought, Least-to-most och Generated Knowledge) testades på två öppna språkmodeller (T3Q-qwen2.5-14b-v1.0-e3 och Mistral-7B-Instruct-v0.3) för att analysera väderexempel enligt tröskelvärden för riskfyllt väder som togs fram i förstudien. Metoden var uppdelad i tre steg för att iterativt utvärdera och förbättra resultaten. Först undersöktes olika mängd detalj av väderinformation, därefter jämfördes de två språkmodellernas prestanda och slutligen bedömdes de genererade riskanalyserna av två experter utifrån ett realistiskt drönarscenario. Resultaten tydde på att Prompt engineering kan förbättra LLMs resultat på detta outforskade område. Utan tillhandahållen information om väderrisker presterade LLMs sämre på generera väderriskanalyser för drönare, men även med information och Prompt engineering menade experter att språkmodellerna genererar bristfulla svar, med endast några få skillnader mellan promptteknikerna. Dock tyder resultaten på att AI-genererade riskanalyser av väder för drönare är passande vid planeringsfasen och för att stötta drönarkoordinerare kognitivt vid effekter och mål, men att analyserna inte helt bör förlitas på AI.