製造現場における問題解決は、多くの場合、構造化されていないエンジニアリングログの手動解釈に依存しており、その結果は記述の不整合や主観的な分類によって左右される。本研究では、JMP 19のニューラル予測モデリングをLLMスタイルの推論フレームワークとして適用することで、問題予測の一貫性を向上させる方法を示す。
このアプローチでは、自由記述式の回答を生成するのではなく、過去のエンジニアリング記録から得られた構造化テキストの特徴を用いて、可能性の高い解決策を予測することに重点を置いています。まず、Text Explorerを使用して問題の説明をトークン化し、キーワードと用語の頻度を抽出します。これは、大規模言語モデルのトークン化と機能的に類似しています。抽出されたこれらの特徴は、ニューラルネットワーク予測モデルの予測変数として使用され、既知の問題解決策が回答として定義されます。
過去のデータが限られているため、モデルの性能と汎化能力をより確実に評価するために、K分割交差検証法を採用した。初期の試みでは、モデルが過小評価または不適切に調整され、誤分類率が高く、汎化R²値が低い結果となった。反復的な最適化により、最終モデルは誤分類率が低く一貫しており、安定した汎化能力と結果クラス間の明確な分離を示している。
厳密には大規模言語モデルではないものの、このモデルは問題と過去の結果との関係性を学習することで、LLM（大規模言語モデル）に似た挙動を示します。チャンバーの種類と変動性が解決経路に及ぼす影響に関する知見を捉えています。この研究は、JMP（Journal of Master Language Model）が、本格的なLLMのような複雑さを伴うことなく、エンジニアリング知識の強化、根本原因の分類の迅速化、ハイブリッドボンダーフリートのサポートにおけるより一貫性のある意思決定の支援にどのように活用できるかを示しています。
