Bij de oplevering van een project in het fysieke domein is het gewenst dat de assetinformatie wordt overgedragen aan de beheerder. Dit wordt in het beheersysteem geladen in het kader van het kunnen plannen van beheer en onderhoud. In de praktijk leveren projecten van groenobjecten als plantvakken, heesters of gras, regelmatig technische tekeningen in kaartvorm met Latijnse namen van de beplanting. Het beheersysteem vraagt echter om gestructureerde data volgens het informatiemodel IMBOR.
Wat te doen als een project slechts een digitale tekening oplevert, waarin de diverse objecten zijn ingetekend, voorzien van een lijst met de Latijnse namen? Een beheersysteem kan niets met die platte lijst van Latijnse namen, maar vraagt om een gestandaardiseerd format op basis van een specifiek informatiemodel. Bij organisaties die opereren in het fysieke domein gebruikt met het informatiemodel IMBOR. Die indeling is bovendien een gelaagde indeling van drie niveaus (type, type-gedetailleerd en type-extra-gedetailleerd). In de botanische sector zijn Latijnse namen gebruikelijk. De gemiddelde gegevensbeheerder heeft niet de kennis om Latijnse soortnamen te vertalen naar een hoger abstractieniveau van het informatiemodel IMBOR. Daarmee stokt het proces van inwinning en verwerking van assetinformatie.
Teruggaan naar de aannemer of het project om dit probleem te verhelpen is in dit geval niet mogelijk. De gebruikelijke oplossing hiervoor zou zijn dat een medewerker met botanische kennis op basis van de Latijnse namen bepaalt op welke manier de typering op basis van de IMBOR standaard kan worden vormgegeven. Medewerkers met botanische kennis en IMBOR binnen een zijn dun gezaaid en drukbezet. Bovendien kost het veel tijd om een lange lijst met soortnamen te vertalen naar indeling op drie niveaus volgens IMBOR.
Door met een Large Language Model (zoals ChatGPT) een mapping te maken tussen de lijst met soortnamen en de IMBOR-indeling voor de objectsoorten Groenobject en Boom wordt er tijd bespaard. Met de juiste prompts genereert ChatGPT een mapping. Vervolgens is deze mapping gedeeld met de medewerker met botanische- en IMBORkennis met het verzoek de mapping te controleren (in plaats van de mapping zelf op te stellen).
ChatGPT blijkt uitstekend in staat te zijn om de vertaling te kunnen maken van platte lijst naar getrapte taxonomie. Dit heeft de drukbezette collega met plant- en IMBOR-kennis enkele uren tijd bespaard en het project in doorlooptijd nog veel meer. Dit verzoek is tussen de bedrijven door gecontroleerd en beantwoord in minder dan een uur tijd. Deze praktische toepassing laat zien hoe effectief ChatGPT kan zijn voor tijdrovende taken met een duidelijk en eenvoudig kader.