Die Behebung von Problemen in der Fertigungsflotte beruht häufig auf der manuellen Auswertung unstrukturierter technischer Protokolle, wobei die Ergebnisse durch inkonsistente Beschreibungen oder subjektive Kategorisierungen beeinflusst werden. Diese Studie zeigt, wie neuronale prädiktive Modellierung in JMP 19 als LLM-ähnliches Inferenzframework eingesetzt werden kann, um die Konsistenz der Problemvorhersage zu verbessern.
Anstatt Freitextantworten zu generieren, konzentriert sich dieser Ansatz auf die Vorhersage wahrscheinlicher Lösungen mithilfe strukturierter Textmerkmale aus historischen technischen Aufzeichnungen. Wir beginnen mit Text Explorer, um Problembeschreibungen zu tokenisieren und Schlüsselwörter sowie Termhäufigkeiten zu extrahieren – funktional analog zur Tokenisierung großer Sprachmodelle. Diese extrahierten Merkmale werden anschließend als Prädiktorvariablen in einem neuronalen Vorhersagemodell verwendet, wobei die bekannte Problemlösung als Antwort definiert wird.
Aufgrund der begrenzten Verfügbarkeit historischer Daten wird eine K-fache Kreuzvalidierung eingesetzt, um zuverlässigere Schätzungen der Modellleistung und Generalisierungsfähigkeit zu erhalten. Erste Versuche führen zu unter- oder falsch abgestimmten Modellen mit hohen Fehlklassifizierungsraten und einem schwachen generalisierten R². Durch iterative Optimierung zeigt das finale Modell eine niedrige und konsistente Fehlklassifizierung, was auf eine stabile Generalisierungsfähigkeit und eine sinnvolle Trennung der Ergebnisklassen hindeutet.
Obwohl es sich nicht um ein echtes großes Sprachmodell handelt, zeigt das Ergebnis ein Verhalten im Stil großer Sprachmodelle, indem es Zusammenhänge zwischen Problemen und historischen Ergebnissen erkennt. Das Modell liefert Erkenntnisse über die Auswirkungen von Kammertyp und -variabilität auf Lösungswege. Diese Arbeit veranschaulicht, wie JMP genutzt werden kann, um technisches Wissen zu erweitern, die Ursachenklassifizierung zu beschleunigen und eine konsistentere Entscheidungsfindung für die Unterstützung der Hybrid Bonder-Flotte zu ermöglichen – ohne die Komplexität umfassender großer Sprachmodelle.
