La résolution des problèmes liés aux parcs de production repose souvent sur l'interprétation manuelle de journaux d'ingénierie non structurés, ce qui peut entraîner des résultats incohérents ou une catégorisation subjective. Cette étude montre comment la modélisation prédictive neuronale dans JMP 19 peut être appliquée comme cadre d'inférence de type LLM afin d'améliorer la cohérence des prédictions de problèmes.
Au lieu de générer des réponses en texte libre, cette approche se concentre sur la prédiction de solutions probables à partir de caractéristiques textuelles structurées extraites de documents d'ingénierie historiques. Nous utilisons Text Explorer pour tokeniser les descriptions des problèmes et extraire les mots-clés et leur fréquence d'utilisation – une démarche fonctionnellement analogue à la tokenisation de grands modèles de langage. Ces caractéristiques extraites servent ensuite de variables prédictives dans un modèle neuronal prédictif, la solution connue au problème constituant la réponse.
Compte tenu du caractère limité des données historiques, une validation croisée à K plis est utilisée pour obtenir des estimations plus fiables des performances et de la généralisation du modèle. Les premières tentatives aboutissent à des modèles sous-optimisés ou mal réglés, présentant des taux d'erreur de classification élevés et un R² généralisé faible. Grâce à une optimisation itérative, le modèle final démontre un taux d'erreur de classification faible et constant, indiquant une généralisation stable et une séparation significative entre les classes de résultats.
Bien qu'il ne s'agisse pas d'un véritable modèle de langage étendu, le résultat présente un comportement similaire en apprenant les relations entre les problèmes et leurs résultats historiques. Le modèle met en lumière les effets du type de chambre et de sa variabilité sur les trajectoires de résolution. Ce travail illustre comment JMP peut être utilisé pour renforcer les connaissances en ingénierie, accélérer la classification des causes profondes et favoriser une prise de décision plus cohérente pour le soutien de la flotte de machines de collage hybrides, sans la complexité des modèles de langage étendus à grande échelle.
