Yapay Zeka Destekli Endüstriyel Parça Özellik Çıkarımı

Yapay Zeka Destekli Endüstriyel Parça Özellik Çıkarımı

Endüstriyel parça özelliklerinin yapılandırılmamış metinlerden çıkarılması, üretim, tedarik ve bakım gibi alanlarda hala devam eden bir zorluktur. Bu alanda manuel işleme hem zaman alıcı hem de hata eğilimlidir. Bu makale, dokuz ileri teknoloji Büyük Dil Modeli'ni (LLM) yapılandırılmış üç aşamalı bir boru hattı içinde yöneten bir geri çağırma destekli çok LLM ensemble çerçevesi sunar.

RAGsemble, tek model sistemlerinin temel sınırlamalarını aşmak için Gemini (2.0, 2.5, 1.5), OpenAI (GPT-4o, o4-mini), Mistral Large ve Gemma (1B, 4B, 3n-e4b) dahil olmak üzere model ailelerinin tamamlayıcı güçlerini birleştirir ve çıktıları FAISS tabanlı semantik geri çağırma kullanarak gerçek verilere dayandırır.

Sistem Mimarisi

Sistem mimarisi üç aşamadan oluşur: (1) çeşitli LLM'ler tarafından paralel çıkarım, (2) yüksek performanslı modelleri kullanarak hedefli araştırma zenginleştirmesi ve (3) çatışma çözümü ve güven düzeyi tabanlı puanlama ile akıllı sentez.

RAG entegrasyonu, sistemin çıktılarını benzerlik tabanlı referans geri çağırma yoluyla doğrulamasına, geliştirmesine ve zenginleştirmesine olanak tanır.

Deneysel Sonuçlar

Gerçek endüstriyel veri setleri kullanılarak yapılan deneysel sonuçlar, önde gelen tek LLM temellerine kıyasla çıkarım doğruluğu, teknik eksiksizlik ve yapılandırılmış çıktı kalitesinde önemli kazançlar göstermektedir.

Sonuç

Anahtar katkılar, endüstriyel alanlarda ölçeklenebilir bir ensemble mimarisi, boru hattı boyunca RAG entegrasyonu, kapsamlı kalite değerlendirme mekanizmaları ve bilgi yoğun üretim ortamlarına uygun bir üretim çözümü sunmaktır.