製造車隊問題的解決通常依賴對非結構化工程日誌的人工解讀，而解讀結果往往受到描述不一致或主觀分類的影響。本研究展示如何將 JMP 19 中的神經預測模型作為 LLM 式推理框架應用於問題預測，以提高預測的一致性。
這種方法並非生成自由文本回复，而是利用從歷史工程記錄中提取的結構化文本特徵來預測可能的解決方案。我們首先使用文字瀏覽器對問題描述進行分詞，並提取關鍵字和詞頻——這在功能上類似於大型語言模型的分詞。然後，我們將提取的特徵用作神經網路預測模型中的預測變量，並將已知的解決方案定義為回應。
鑑於歷史資料的局限性，我們採用K折交叉驗證來更可靠地評估模型的效能和泛化能力。初始嘗試得到的模型不是調優不足，就是調得不佳，導致誤分類率高，廣義R²值低。透過迭代優化，最終模型展現出較低且穩定的誤分類率，顯示其具有穩定的泛化能力，並且能夠有效地區分不同結果類別。
雖然並非真正的大型語言模型，但模型透過學習問題與歷史結果之間的關係，展現出類似大型語言模型（LLM）的行為。此模型能夠洞察腔室類型和變異性對解決方案路徑的影響。這項工作展示瞭如何利用 JMP 來強化工程知識、加速根本原因分類，並為混合鍵合機群的維護決策提供更一致的支援——而無需像全規模大型語言模型那樣複雜。
