論文の概要: Plant Memory: Technical Language Processing and a Verified Maintenance Ontology for Agent-Accessible Failure Knowledge from SAP PM Work Orders
- arxiv url: http://arxiv.org/abs/2610.19131v1
- Date: Tue, 13 Oct 2026 20:02:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.779901
- Title: Plant Memory: Technical Language Processing and a Verified Maintenance Ontology for Agent-Accessible Failure Knowledge from SAP PM Work Orders
- Title（参考訳）: プラントメモリ: SAP PM 作業順序によるエージェントアクセシブルな故障知識のための技術的言語処理と検証された保守オントロジー
- Abstract要約: 本稿では,技術言語処理(TLP)をSAPプラント保守(PM)輸出に適用するプラントメモリを提案する。
抽出されたすべてのステートメントは、信頼度スコア、それが読み取った証拠、検証状態を含む強化された事実である。
パーボイルド・プライス・プラントから400件の注文を合成した12ヶ月の輸出で、規則に基づく抽出は96.2%の部品精度、88.9%の故障モード精度、100%の根起点精度に達した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maintenance work orders are the largest written record of how industrial equipment fails, yet in most plants they are close to unusable for analysis. Short texts are abbreviated and misspelt, asset identity is buried in free text, work-type labels contradict the work described, and the fields that matter most for reliability (symptom, root cause, action taken) are usually empty. As a result, diagnostic knowledge stays with senior technicians and leaves when they do. We present Plant Memory, a system that applies technical language processing (TLP) to SAP Plant Maintenance (PM) exports and builds an ISO 14224-aligned maintenance ontology in which every extracted statement is a reified fact carrying a confidence score, the evidence it was read from, and a verification state. Extraction is rule-first, with an optional large language model (LLM) acting as a second reader whose disagreements raise a fact's review priority rather than overwrite it. Technicians verify facts through a review queue, answer targeted knowledge-gap questions where failures repeat without a recorded cause, and approve or reject ontology drift proposals when new terms appear. The resulting graph is served to people through a web application and to AI agents through a Model Context Protocol (MCP) server, so both query the same verified knowledge and every answer cites the work orders behind it. On a synthetic 12-month export of 400 work orders from a parboiled-rice plant, rule-based extraction reaches 96.2% component accuracy, 88.9% failure-mode accuracy and 100% root-cause precision at 62% coverage; on 28 diagnostic questions, ranked root causes from the ontology are correct at top-1 in 82.1% of cases against 53.6% for the raw SAP root-cause column.
- Abstract（参考訳）: 保守作業命令は、産業機器の故障に関する最大の記録であるが、ほとんどの工場では、分析には使用不可能に近い。
短いテキストは省略されミスペルトされ、資産のアイデンティティはフリーテキストに埋もれ、ワークタイプラベルは記述された作業と矛盾し、信頼性(症状、根本原因、行動)にとって最も重要な分野は通常空である。
結果として、診断知識は上級技術者の手に委ねられ、その際には離脱する。
本稿では,技術言語処理(TLP)をSAPプラント保守(PM)輸出に適用し,ISO 14224に準拠した保守オントロジーを構築するシステムであるプラントメモリについて述べる。
抽出はルールファーストであり、オプションで大きな言語モデル(LLM)が第2の読者として機能する。
技術者はレビューキューを通じて事実を検証し、失敗が記録された原因なしに繰り返されるような、目標とするナレッジギャップ問題に回答し、新しい用語が現れたときにオントロジードリフト提案を承認または拒否する。
結果のグラフは、Webアプリケーションと、モデルコンテキストプロトコル(MCP)サーバを介してAIエージェントを通じて、人々に提供されます。
パーボイルドライス工場から400件の注文を合成した12ヶ月の輸出において、規則に基づく抽出は96.2%の精度、88.9%の失敗モードの精度、100%の根起点の精度を62%のカバレッジで達成し、28の診断質問では、オントロジーからのランク付けされた根起点が82.1%のケースでトップ1で修正され、生SAP根起点カラムは53.6%である。
関連論文リスト
- Evaluating Local Language Model Agents for Reproducible Data Engineering: An Empirical Software Engineering Study of Mobility Workflows [74.39138492851343]
大規模言語モデル(LLM)エージェントは、ソフトウェアやデータエンジニアリングアシスタントとしてますます使われている。
ローカルオープンウェイトエージェントが正しい再現可能なデータエンジニアリングアーティファクトを作成できるかどうかを評価する。
論文 参考訳（メタデータ） (2026-10-08T08:26:46Z) - SWE-Proof: Can Language Models Resolve Real-World Issues with Machine-Checked Proofs? [39.004582663385364]
Benchprooferは、既知の正しいパッチでコーディングタスクを正式に認証されたパイプラインに変換するパイプラインです。
SWE-bench Verified に適用すると SWE-Proof が得られる。
論文 参考訳（メタデータ） (2026-09-18T01:16:53Z) - IdeaAMBIG: Benchmarking Implementation-Critical Gaps in Research-Idea Specifications [52.570108663867046]
研究のアイデアは、新しく、一貫性があり、科学的に妥当であるが、その提案された手法は、忠実な実装のために不十分に指定されている。
提案手法は,実装を対象とする研究手法仕様の体系化の可否を,有能な実装者やコーディングエージェントに十分な方法論的情報を提供して,前提条件を満たさずに目的とする手法を構築することができるかを検討する。
IdeaAMBIGは660のエビデンス基底インスタンスのベンチマークで、レポートとGitHubの問題から163の現実世界のギャップと、コーディフィケーション対応のリファレンスに注入される合成ギャップを497のコントロールで管理する。
論文 参考訳（メタデータ） (2026-09-09T17:59:04Z) - TRACE: TRajectory Attribution for Automated Context Engineering [2.332848751256598]
本稿では,履歴エージェントのトラジェクトリをマイニングし,コンテキスト障害の診断と修正を行う自動フィードバックループTRACEを提案する。
モデルファインチューニングとは異なり、TRACEはコンテキスト層上で動作し、再トレーニングせずに迅速なイテレーションを可能にする。
3つの複雑性レベルにまたがる60の不満トレースでは、TRACEは72.7%の根本原因属性と82%のエンドツーエンドの修正効率を達成する。
論文 参考訳（メタデータ） (2026-08-10T06:01:03Z) - A Topology-Aware, Memory-Centric Architecture that Separates Root-Cause Derivation from Root-Cause Explanation [0.0]
自律的な操作において欠落する要素は、より良い異常検出やより大きな言語モデルではなく、運用メモリである、と我々は主張する。
OPS C ORTEXは、動作中のマルチエージェントプロトタイプで、このメモリを4層に整理し、フィールドが通常混在している2つのタスクを分離する。
論文 参考訳（メタデータ） (2026-06-18T09:20:20Z) - The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。
通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
論文 参考訳（メタデータ） (2026-04-27T16:23:09Z) - FactReview: Evidence-Grounded Reviews with Literature Positioning and Execution-Based Claim Verification [57.196748998757954]
本稿では,クレーム抽出,文献位置決定,実行に基づくクレーム検証を組み合わせたエビデンスベースレビューシステムであるFactReviewを紹介する。
FactReviewは論文を提出すると、主要なクレームを特定し、その結果を報告し、論文の技術的な位置を明らかにするために近くの作業を取り出し、コードが利用可能であれば、リリースされたリポジトリを実行する。
その後、簡潔なレビューと、主要な請求を5つのラベルのうち1つに割り当てるエビデンスレポートを生成する。
論文 参考訳（メタデータ） (2026-04-05T11:45:22Z) - Predicting Intermittent Job Failure Categories for Diagnosis Using Few-Shot Fine-Tuned Language Models [1.2744523252873348]
FlaXifyerは、事前訓練された言語モデルを使用して、間欠的なジョブ失敗カテゴリを予測するための、数ショットの学習アプローチである。
LogSiftは、影響力のあるログステートメントを1秒未満で識別する、解釈可能性技術である。
TELUSによる2,458件のジョブ障害の評価は、FraXifyerとLogSiftが効果的な自動トリアージを可能にし、障害診断を加速し、断続的なジョブ障害の自動解決への道を開くことを実証している。
論文 参考訳（メタデータ） (2026-01-29T19:34:34Z)
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。