Fountain — an intelligent contextual assistant combining knowledge representation and language models for manufacturing risk identification

要約

承認された設計や大量生産時のプロセスからの逸脱は、予期せぬリスクにつながる可能性があります。
ただし、製品の設計特性の変更や製造プロセスの適応により、これらの変更が必要になる場合があります。
大きな課題は、ワークフローの早い段階でこれらのリスクを特定し、保証請求につながる障害を回避できるようにすることです。
当社は、逸脱管理ワークフローに統合されたコンテキスト アシスタントとして Fountain を開発しました。これは、既存の設計およびプロセス基準の説明と、提案された逸脱に基づいてリスクを特定するのに役立ちます。
製造現場では、アシスタントが説明可能で一貫性のある推奨事項を提供することが重要です。
これは、次の 2 つのコンポーネントの組み合わせによって実現されます。1) ドメイン固有の意味論的類似性を考慮して微調整された言語モデル、2) 部品表、故障モードおよび影響分析 (FMEA) から派生したプロパティ グラフの形式での知識表現
顧客から報告された以前の障害。
ここでは、エンジニアリング領域向けの事前トレーニング済み言語モデルの選択と適応、コンテキストアシスタントとのユーザーインタラクションに基づく継続的なモデル更新、知識表現に基づいた説明可能な推奨のための因果連鎖の作成の微妙な違いを示します。
さらに、製造組織のほとんどのエンジニアリング チームがすでに利用できる中程度の計算インフラストラクチャを使用してモデルの適応が実現可能であり、既存のアプリケーションと統合するために標準の CPU のみのインスタンスで推論を実行できるため、これらの手法を簡単に展開できることを示します。

要約(オリジナル)

Deviations from the approved design or processes during mass production can lead to unforeseen risks. However, these changes are sometimes necessary due to changes in the product design characteristics or an adaptation in the manufacturing process. A major challenge is to identify these risks early in the workflow so that failures leading to warranty claims can be avoided. We developed Fountain as a contextual assistant integrated in the deviation management workflow that helps in identifying the risks based on the description of the existing design and process criteria and the proposed deviation. In the manufacturing context, it is important that the assistant provides recommendations that are explainable and consistent. We achieve this through a combination of the following two components 1) language models finetuned for domain specific semantic similarity and, 2) knowledge representation in the form of a property graph derived from the bill of materials, Failure Modes and Effect Analysis (FMEA) and prior failures reported by customers. Here, we present the nuances of selecting and adapting pretrained language models for an engineering domain, continuous model updates based on user interaction with the contextual assistant and creating the causal chain for explainable recommendations based on the knowledge representation. Additionally, we demonstrate that the model adaptation is feasible using moderate computational infrastructure already available to most engineering teams in manufacturing organizations and inference can be performed on standard CPU only instances for integration with existing applications making these methods easily deployable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google