Manual annotation of agricultural block boundary modifications is a time-consuming task often prone to inconsistency and administrative inefficiency. This thesis investigates how retrieval-augmented generation (RAG) can be used to automate the generation of internal annotations (noteringar) based on structured spatial and administrative data from Jordbruksverket’s Basen system. The purpose was to evaluate whether AI-generated comments could align with human-written annotations in both tone and content, and whether such a system could reduce the burden of manual documentation in public administration workflows. 

A microservice architecture was developed, integrating PostgreSQL, FastAPI, and RAGnar—a retrieval system used to dynamically query historical block data. Structured prompts were constructed using fields such as status, granskorsak, area_difference, and direction_change, and passed into a locally hosted LLaMA 3 language model to generate descriptive annotations. Evaluation was per- formed using BERTScore to measure semantic similarity between the AI-generated and human written annotations across 1,974 matched pairs. Results showed an average BERTScore F1 of 0.6594, indicating moderate semantic overlap. A deeper qualitative comparison revealed that the system performed well in routine cases involving spatial changes and area updates, while struggling with annotations requiring legal reasoning, policy references, or context not captured in structured metadata.

The findings suggest that while the method does not fully replace expert judgment, it can support case officers by generating draft annotations that follow institutional tone and format. This contributes to increased standardization, improved traceability, and potential time savings in annotation workflows. The approach may also be applicable in other domains that rely on structured spatial data and formaldocumentation, such as urban planning and environmental regulation.

Manuell annotering av ändringar av jordbruksblockgränser är en tidskrävande uppgift som ofta är benägen att vara inkonsekvent och administrativt ineffektiv. Denna avhandling undersöker hur retrieval-augmented generation (RAG) kan användas för att automatisera genereringen av interna annoteringar baserade på strukturerad rumslig och administrativ data från Jordbruksverkets Basen-system. Syftet var att utvärdera om AI-genererade kommentarer kunde överensstämma med människoskrivna annoteringar både i ton och innehåll, och om ett sådant system kunde minska bördan av manuell dokumentation i offentliga förvaltningsarbetsflöden.

En mikrotjänstarkitektur utvecklades, som integrerade PostgreSQL, FastAPI och RAGnar – ett hämtningssystem som används för att dynamiskt fråga historisk blockdata. Strukturerade prompter konstruerades med hjälp av fält som status, granskorsak, area_difference och direction_change, och skickades till en lokalt hostad LLaMA 3-språkmodell för att generera beskrivande annoteringar. Utvärderingen utfördes med BERTScore för att mäta semantisk likhet mellan de AI-genererade och människoskrivna annoteringarna över 1 974 matchade par. Resultaten visade en genomsnittlig BERTScore F1 på 0,6594, vilket indikerar måttlig semantisk överlappning. En djupare kvalitativ jämförelse visade att systemet presterade bra i rutinmässiga fall som involverade rumsliga förändringar och områdesuppdateringar, samtidigt som det kämpade med anteckningar som krävde juridiska resonemang, policyreferenser eller kontext som inte fångades i strukturerad metadata.

Resultaten tyder på att även om metoden inte helt ersätter expertbedömningar, kan den stödja handläggare genom att generera utkast till anteckningar som följer institutionell ton och format. Detta bidrar till ökad standardisering, förbättrad spårbarhet och potentiella tidsbesparingar i anteckningsarbetsflöden. Metoden kan också vara tillämplig inom andra områden som förlitar sig på strukturerad rumslig data och formell dokumentation, såsom stadsplanering och miljöreglering.