This research presents an innovative solution based on artificial intelligence, whichis used for verifying data in databases. The system aims to detect errors, includingduplicate rows, empty fields, or inaccurate chemical product descriptions storedin the database. The project was primarily designed to support industrial safetyassessments by automating data verification through comparisons with externalsources using the GPT-4 Turbo language model.

The solution incorporates advanced prompt engineering techniques, includingretrieval-augmented generation (RAG), where validated feedback examples aredynamically retrieved and inserted into the model prompt. This approach enablesthe system to adapt to domain-specific knowledge without requiring fine-tuning.Simulated professional testing demonstrated measurable improvements in errordetection and risk prioritization, with accuracy rising from 53,3% to 83,3% afteriterative prompt refinement and feedback-driven retrieval.

The project addresses challenges such as reducing LLM hallucination, ensuringfeedback reliability, and meeting safety-critical application requirements. It offersa scalable foundation for semi-automated chemical documentation validation inindustrial environments.In conclusion, this demonstrates that artificial intelligence can be integrated in orderto improve data quality and thus minimize the human burden in environmentsthat require both accuracy and speed.

Denna forskning presenterar en innovativ lösning baserad på artificiell intelligens,som används för att verifiera data i databaser. Systemet syftar till att upptäckafel, inklusive dubblettrader, tomma fält eller felaktiga beskrivningar av kemiskaprodukter som lagras i databasen. Projektet har främst utformats för att stödja industriellasäkerhetsbedömningar genom att automatisera dataverifiering via jämförelsermed externa källor med hjälp av språkmodellen GPT-4 Turbo.

Lösningen innehåller avancerade tekniker för promptteknik, inklusive retrievalaugmentedgeneration (RAG), där validerade feedbackexempel dynamiskt hämtasoch infogas i modellens prompt. Detta tillvägagångssätt gör det möjligt försystemet att anpassa sig till domänspecifik kunskap utan behov av finjustering.Simulerade professionella tester visade mätbara förbättringar i felupptäckt ochriskprioritering, med en noggrannhet som ökade från 53,3% till 83,3% efter iterativförfining av prompt och feedbackdriven hämtning.

Projektet adresserar utmaningar såsom att minska hallucinationer från LLM, säkerställatillförlitligheten hos feedback och uppfylla krav för säkerhetskritiska applikationer.Det erbjuder en skalbar grund för semiautomatiserad validering avkemisk dokumentation i industriella miljöer.Sammanfattningsvis visar detta att artificiell intelligens kan integreras för att förbättradatakvalitet och därmed minska den mänskliga arbetsbördan i miljöer somkräver både noggrannhet och snabbhet.