An algorithm based on generative AI for the geospatial normalization of heterogeneous data

This thesis examines the advancements and limitations of Artificial Intelligence (AI), with a particular focus on generative AI models and their ability to handle geographic data. While AI has made significant strides, challenges persist in areas such as bias, explainability and adaptability. This work aims to address these issues by expanding the understanding of AI models through practical examples and evaluation metrics, focusing on enhancing geographic reasoning in AI systems. The thesis is structured into three main chapters: the first provides a historical overview of AI development, emphasizing the evolution of generative AI models and their application in solving geographic challenges within large language models (LLMs). It introduces an architecture designed to enhance geographic knowledge, particularly by fine-tuning AI models with additional data to improve their accuracy in geographic tasks. The second chapter details the components of this architecture, tools used, and the evaluation of open source models for generating SQL queries from natural language, aiming to identify the most effective models for geographic queries. The final chapter presents findings from these evaluations and the real-world applications of the proposed architecture, highlighting its effectiveness in improving AI’s handling of spatial data. This research contributes to the field by providing methodologies for improving AI's capacity to process geographic data, ensuring that AI systems are more robust, ethical, efficient, and context-aware, especially in applications involving geographic reasoning. Through these advancements, the study promotes the development of AI models that can better handle complex spatial data, offering a benchmark for more effective AI applications across various domains.

Questa tesi esamina i progressi e le limitazioni dell'Intelligenza Artificiale (IA), con particolare attenzione ai modelli di IA generativa e alla loro capacità di gestire dati geografici. Sebbene l'IA abbia compiuto significativi passi avanti, persistono sfide in aree come il bias, la spiegabilità e l'adattabilità. Questo lavoro mira a affrontare questi problemi ampliando la comprensione dei modelli di IA attraverso esempi pratici e metriche di valutazione, con l'obiettivo di migliorare il ragionamento geografico nei sistemi di IA. La tesi è strutturata in tre capitoli principali: il primo fornisce una panoramica storica dello sviluppo dell'IA, mettendo in evidenza l'evoluzione dei modelli di IA generativa e la loro applicazione nella risoluzione di sfide geografiche all'interno dei modelli linguistici di grandi dimensioni (LLM). Viene introdotta un'architettura progettata per migliorare la conoscenza geografica, in particolare mediante il fine-tuning dei modelli di IA con dati aggiuntivi per migliorare la loro precisione nelle attività geografiche. Il secondo capitolo descrive i componenti di questa architettura, gli strumenti utilizzati e la valutazione dei modelli open-source per generare query SQL da linguaggio naturale, con l'obiettivo di identificare i modelli più efficaci per le query geografiche. L'ultimo capitolo presenta i risultati di queste valutazioni e le applicazioni reali dell'architettura proposta, mettendo in evidenza la sua efficacia nel migliorare la gestione dei dati spaziali da parte dell'IA. Questa ricerca contribuisce al campo fornendo metodologie per migliorare la capacità dell'IA di elaborare dati geografici, assicurando che i sistemi di IA siano più robusti, etici, efficienti e consapevoli del contesto, specialmente nelle applicazioni che richiedono ragionamento geografico. Grazie a questi progressi, lo studio promuove lo sviluppo di modelli di IA che possano gestire meglio i dati spaziali complessi, offrendo un punto di riferimento per applicazioni più efficaci dell'IA in vari settori.