La risoluzione dei problemi relativi alla flotta di produzione si basa spesso sull'interpretazione manuale di registri tecnici non strutturati, dove i risultati sono influenzati da descrizioni incoerenti o categorizzazioni soggettive. Questo studio dimostra come la modellazione predittiva neurale in JMP 19 possa essere applicata come framework di inferenza in stile LLM per migliorare la coerenza della previsione dei problemi.
Anziché generare risposte in formato testo libero, questo approccio si concentra sulla previsione di soluzioni probabili utilizzando caratteristiche testuali strutturate derivate da dati storici di ingegneria. Iniziamo con Text Explorer per tokenizzare le descrizioni dei problemi ed estrarre parole chiave e frequenze dei termini, in modo analogo alla tokenizzazione di grandi modelli linguistici. Queste caratteristiche estratte vengono quindi utilizzate come variabili predittive in un modello predittivo neurale, con la soluzione nota del problema definita come risposta.
Data la natura limitata dei dati storici, viene impiegata la convalida incrociata K-fold per ottenere stime più affidabili delle prestazioni e della generalizzazione del modello. I tentativi iniziali producono modelli sotto-calibrati o non correttamente ottimizzati, che mostrano elevati tassi di errata classificazione e un R² generalizzato debole. Attraverso un'ottimizzazione iterativa, il modello finale dimostra una bassa e costante errata classificazione, indicando una generalizzazione stabile e una separazione significativa tra le classi di risultati.
Pur non essendo un vero e proprio modello linguistico di grandi dimensioni, il risultato mostra un comportamento simile a quello dei modelli linguistici di grandi dimensioni (LLM), apprendendo le relazioni tra problemi e risultati storici. Il modello cattura informazioni sugli effetti del tipo di camera e della sua variabilità sui percorsi di risoluzione. Questo lavoro illustra come JMP possa essere utilizzato per rafforzare le conoscenze ingegneristiche, accelerare la classificazione delle cause principali e supportare un processo decisionale più coerente per la manutenzione della flotta di saldatrici ibride, senza la complessità dei modelli linguistici di grandi dimensioni su vasta scala.
