論文の概要: Towards Automated Solution Recipe Generation for Industrial Asset Management with LLM

• arxiv url: http://arxiv.org/abs/2407.18992v1
• Date: Fri, 26 Jul 2024 01:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 20:12:16.087323
• Title: Towards Automated Solution Recipe Generation for Industrial Asset Management with LLM
• Title（参考訳）: LLMによる産業資産管理のための自動ソリューションレシピ生成に向けて
• Authors: Nianjun Zhou, Dhaval Patel, Shuxin Lin, Fearghal O'Donncha,
• Abstract要約: 本研究では,Large Language Models(LLMs)の最近の進歩に条件ベースマネジメント(CBM)の原則を取り入れた,産業資産管理(IAM)への新たなアプローチを提案する。
• 参考スコア（独自算出の注目度）: 4.771737213319029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study introduces a novel approach to Industrial Asset Management (IAM) by incorporating Conditional-Based Management (CBM) principles with the latest advancements in Large Language Models (LLMs). Our research introduces an automated model-building process, traditionally reliant on intensive collaboration between data scientists and domain experts. We present two primary innovations: a taxonomy-guided prompting generation that facilitates the automatic creation of AI solution recipes and a set of LLM pipelines designed to produce a solution recipe containing a set of artifacts composed of documents, sample data, and models for IAM. These pipelines, guided by standardized principles, enable the generation of initial solution templates for heterogeneous asset classes without direct human input, reducing reliance on extensive domain knowledge and enhancing automation. We evaluate our methodology by assessing asset health and sustainability across a spectrum of ten asset classes. Our findings illustrate the potential of LLMs and taxonomy-based LLM prompting pipelines in transforming asset management, offering a blueprint for subsequent research and development initiatives to be integrated into a rapid client solution.
• Abstract（参考訳）: 本研究では,Large Language Models (LLMs) の最近の進歩に条件ベースマネジメント (CBM) の原則を取り入れた,産業資産管理 (IAM) への新たなアプローチを提案する。 我々の研究は、伝統的にデータサイエンティストとドメインエキスパートの集中的なコラボレーションに依存している自動モデル構築プロセスを紹介します。 我々は、AIソリューションレシピの自動作成を容易にする分類誘導プロンプト生成と、ドキュメント、サンプルデータ、IAMのモデルからなる一連のアーティファクトを含むソリューションレシピを作成するように設計されたLLMパイプラインのセットを提示する。 これらのパイプラインは、標準化された原則によってガイドされ、人間の直接入力なしに異種資産クラスの初期ソリューションテンプレートの生成を可能にし、広範なドメイン知識への依存を減らし、自動化を促進する。 資産の健全性と持続可能性を評価することで,10種類の資産クラスにまたがる方法論を評価する。 本研究は,LCMと分類に基づくLCMが,資産管理を変革するパイプラインの可能性を示唆し,今後の研究・開発イニシアチブを迅速なクライアントソリューションに統合するための青写真を提供するものである。

関連論文リスト

• An Evaluation-Driven Approach to Designing LLM Agents: Process and Architecture [25.752294816136807]
  大規模言語モデル(LLM)は、未特定目標を自律的に達成できるLLMエージェントの開発を可能にする。 事前定義されたテストケースやコード/モデル再開発パイプラインといった従来のアプローチは、LLMエージェント開発におけるユニークな課題に対処するには不十分です。 本稿では,これらの課題に対処するために,テスト駆動開発に触発された評価駆動設計手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T00:34:30Z)
• Experiences from Using LLMs for Repository Mining Studies in Empirical Software Engineering [12.504438766461027]
  大規模言語モデル(LLM)は、ソフトウェアリポジトリを分析する革新的な方法を提供することで、ソフトウェア工学(SE)を変革した。 私たちの研究は、PRIMES(Prompt Refinement and Insights for Mining Empirical Software repository)というフレームワークをまとめています。 この結果,PRIMESの標準化により,LLMを用いた研究の信頼性と精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-11-15T06:08:57Z)
• A Survey on Self-Evolution of Large Language Models [116.54238664264928]
  大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。 この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
  論文  参考訳（メタデータ） (2024-04-22T17:43:23Z)
• Solution-oriented Agent-based Models Generation with Verifier-assisted Iterative In-context Learning [10.67134969207797]
  エージェントベースのモデル(ABM)は、仮説的な解決策やポリシーの提案と検証に不可欠なパラダイムである。 大きな言語モデル(LLM)は、ドメイン間の知識とプログラミング能力をカプセル化することで、このプロセスの難しさを軽減できる可能性がある。 SAGEは、ターゲット問題に対する自動モデリングおよびソリューション生成のために設計された、汎用的なソリューション指向のABM生成フレームワークである。
  論文  参考訳（メタデータ） (2024-02-04T07:59:06Z)
• Large Multi-Modal Models (LMMs) as Universal Foundation Models for AI-Native Wireless Systems [57.41621687431203]
  大規模言語モデル (LLM) と基礎モデルは6Gシステムのゲームチェンジャーとして最近注目されている。 本稿では,人工知能(AI)ネイティブネットワークの展開に適したユニバーサルファンデーションモデルを設計するための包括的ビジョンを提案する。
  論文  参考訳（メタデータ） (2024-01-30T00:21:41Z)
• A Study on Training and Developing Large Language Models for Behavior Tree Generation [22.632022793663516]
  本稿では,大規模言語モデル(LLM)の適用可能性について,革新的な考察を行う。 本論文の中核となる貢献は,LLMに基づくBT生成フレームワークの設計である。 生成したBTの有効性と実行性を確保するため,データ検証の重要性を強調した。
  論文  参考訳（メタデータ） (2024-01-16T03:28:29Z)
• SALMON: Self-Alignment with Instructable Reward Models [80.83323636730341]
  本稿では,基本言語モデルと人間の監督を最小限に整合させる新しいアプローチ,すなわちSALMONを提案する。 私たちはDromedary-2という名のAIアシスタントを開発しており、コンテキスト内学習には6つの例と31の人間定義原則しかありません。
  論文  参考訳（メタデータ） (2023-10-09T17:56:53Z)
• A Study on the Implementation of Generative AI Services Using an Enterprise Data-Based LLM Application Architecture [0.0]
  本研究では,Large Language Models (LLM) アプリケーションアーキテクチャを用いて生成AIサービスを実装する手法を提案する。 この研究は、不十分なデータの問題を軽減するための戦略を練り上げ、カスタマイズされたソリューションを提供している。 この研究の重要な貢献は、検索型拡張世代(RAG)モデルの開発である。
  論文  参考訳（メタデータ） (2023-09-03T07:03:17Z)
• A Survey on Large Language Model based Autonomous Agents [105.2509166861984]
  大規模言語モデル(LLM)は、人間レベルの知性を達成する上で、顕著な可能性を示している。 本稿では,LLMに基づく自律エージェントの分野を総合的な観点から体系的に検討する。 本稿では、社会科学、自然科学、工学の分野におけるLLMベースの自律エージェントの多様な応用について概観する。
  論文  参考訳（メタデータ） (2023-08-22T13:30:37Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Information Extraction in Low-Resource Scenarios: Survey and Perspective [56.5556523013924]
  情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。 本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
  論文  参考訳（メタデータ） (2022-02-16T13:44:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。