La resolución de problemas en flotas de fabricación a menudo depende de la interpretación manual de registros de ingeniería no estructurados, donde los resultados se ven influenciados por descripciones inconsistentes o categorizaciones subjetivas. Este estudio demuestra cómo el modelado predictivo neuronal en JMP 19 puede aplicarse como un marco de inferencia de tipo LLM para mejorar la consistencia en la predicción de problemas.
En lugar de generar respuestas de texto libre, este enfoque se centra en predecir posibles soluciones utilizando características de texto estructurado derivadas de registros históricos de ingeniería. Comenzamos con Text Explorer para tokenizar las descripciones de los problemas y extraer palabras clave y frecuencias de términos, de forma análoga a la tokenización de grandes modelos de lenguaje. Estas características extraídas se utilizan como variables predictoras en un modelo predictivo neuronal, donde la solución conocida del problema se define como la respuesta.
Dada la naturaleza limitada de los datos históricos, se emplea la validación cruzada K-fold para obtener estimaciones más fiables del rendimiento y la generalización del modelo. Los intentos iniciales dan como resultado modelos subajustados o mal ajustados que presentan altas tasas de clasificación errónea y un R² generalizado débil. Mediante la optimización iterativa, el modelo final demuestra una clasificación errónea baja y consistente, lo que indica una generalización estable y una separación significativa entre las clases de resultados.
Aunque no se trata de un modelo de lenguaje a gran escala propiamente dicho, el resultado muestra un comportamiento similar al de un modelo de lenguaje a gran escala (LLM, por sus siglas en inglés) al aprender las relaciones entre los problemas y los resultados históricos. El modelo ofrece información valiosa sobre los efectos del tipo de cámara y su variabilidad en las rutas de resolución. Este trabajo ilustra cómo se puede utilizar JMP para reforzar el conocimiento de ingeniería, acelerar la clasificación de la causa raíz y respaldar una toma de decisiones más coherente para el soporte de la flota de Hybrid Bonder, sin la complejidad de los LLM a gran escala.
