論文の概要: Utilizing LLMs for Industrial Process Automation: A Case Study on Modifying RAPID Programs

• arxiv url: http://arxiv.org/abs/2511.11125v1
• Date: Fri, 14 Nov 2025 09:56:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.529631
• Title: Utilizing LLMs for Industrial Process Automation: A Case Study on Modifying RAPID Programs
• Title（参考訳）: 産業プロセス自動化のためのLCMの利用:RAPIDプログラムの修正を事例として
• Authors: Salim Fares, Steffen Herbold,
• Abstract要約: 本稿では,産業プロセス自動化分野におけるソフトウェアのための大規模言語モデルの有用性について検討する。 LLMで十分にサポートされていない言語において、単純な問題を解決するのに、数発のプロンプトアプローチが十分であることを示す。
• 参考スコア（独自算出の注目度）: 3.344552881770396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How to best use Large Language Models (LLMs) for software engineering is covered in many publications in recent years. However, most of this work focuses on widely-used general purpose programming languages. The utility of LLMs for software within the industrial process automation domain, with highly-specialized languages that are typically only used in proprietary contexts, is still underexplored. Within this paper, we study enterprises can achieve on their own without investing large amounts of effort into the training of models specific to the domain-specific languages that are used. We show that few-shot prompting approaches are sufficient to solve simple problems in a language that is otherwise not well-supported by an LLM and that is possible on-premise, thereby ensuring the protection of sensitive company data.
• Abstract（参考訳）: 近年,ソフトウェア工学におけるLarge Language Models (LLM) の活用方法が,多くの出版物で取り上げられている。 しかし、この研究の大部分は広く使われている汎用プログラミング言語に焦点を当てている。 産業プロセス自動化領域におけるソフトウェアのためのLLMの実用性は、通常プロプライエタリな文脈でのみ使用される高度に特殊化された言語で、まだ未定である。 本論文では,企業に対して,使用するドメイン特化言語固有のモデルのトレーニングに多大な労力を費やすことなく,独自に達成できることについて検討する。 LLMが十分にサポートしていない言語で、かつ、オンプレミスで可能であり、機密性の高い企業データの保護を確保するのに十分であることを示す。

関連論文リスト

• A Study of LLMs' Preferences for Libraries and Programming Languages [19.688657440697632]
  本研究は,大規模言語モデルのコード生成におけるライブラリやプログラミング言語に対する嗜好に関する実証的研究である。 その結果, LLM は NumPy などの広く採用されている図書館を多用する傾向が強いことが明らかとなった。 Pythonが最適言語ではない高性能なプロジェクト初期化タスクでは、58%のケースで主要な選択肢であり、Rustは一度も使われていない。
  論文  参考訳（メタデータ） (2025-03-21T14:29:35Z)
• Injecting Domain-Specific Knowledge into Large Language Models: A Comprehensive Survey [45.918134803778834]
  大規模言語モデル(LLM)は、自然言語理解、テキスト要約、機械翻訳といった様々なタスクにおいて顕著な成功を収めている。 彼らの汎用的な性質は、医療、化学、法的な分析といった専門的な知識を必要とするドメイン固有のアプリケーションにおいて、その効果を制限していることが多い。 これを解決するために、研究者はドメイン固有の知識を統合することでLLMを強化する様々な方法を模索してきた。
  論文  参考訳（メタデータ） (2025-02-15T07:43:43Z)
• BLADE: Enhancing Black-box Large Language Models with Small Domain-Specific Models [56.89958793648104]
  大規模言語モデル(LLM)は多用途であり、多様なタスクに対処することができる。 従来のアプローチでは、ドメイン固有のデータによる継続的な事前トレーニングを行うか、一般的なLLMをサポートするために検索拡張を採用する。 BLADEと呼ばれる新しいフレームワークを提案する。このフレームワークは、小さなDomain-spEcificモデルでブラックボックスのLArge言語モデルを拡張する。
  論文  参考訳（メタデータ） (2024-03-27T08:57:21Z)
• The potential of LLMs for coding with low-resource and domain-specific programming languages [0.0]
  本研究は,オープンソースソフトウェアGreetlのハンスル(Hansl)という,econometricスクリプティング言語に焦点を当てたものである。 この結果から, LLMはグレタブルコードの記述, 理解, 改善, 文書化に有用なツールであることが示唆された。
  論文  参考訳（メタデータ） (2023-07-24T17:17:13Z)
• How Effective are Large Language Models in Generating Software Specifications? [14.170320751508502]
  大規模言語モデル(LLM)は多くのソフトウェア工学(SE)タスクにうまく適用されている。 ソフトウェアコメントやドキュメンテーションからソフトウェア仕様を生成するためのLCMの能力を評価するための、最初の実証的研究を行う。
  論文  参考訳（メタデータ） (2023-06-06T00:28:39Z)
• Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey [100.24095818099522]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野を著しく進歩させた。 広範囲のアプリケーションに対して、非常に有用でタスクに依存しない基盤を提供する。 しかし、特定の領域における洗練された問題を解決するために直接LLMを適用することは、多くのハードルを満たす。
  論文  参考訳（メタデータ） (2023-05-30T03:00:30Z)

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。