Adopting RAG for LLM-Aided Future Vehicle Design

要約

このペーパーでは、自動車業界における自動設計とソフトウェア開発を強化するための大規模言語モデル (LLM) と検索拡張生成 (RAG) の統合について検討します。
標準化コンプライアンス チャットボットと設計コパイロットの 2 つのケース スタディを紹介します。どちらも RAG を利用して正確でコンテキストを認識した応答を提供します。
GPT-4o、LLAMA3、Mistral、Mixtral の 4 つの LLM を評価し、応答精度と実行時間を比較します。
私たちの結果は、GPT-4 が優れたパフォーマンスを提供する一方、LLAMA3 と Mistral はローカル導入に有望な機能も示しており、自動車アプリケーションにおけるデータ プライバシーの懸念に対処できることを示しています。
この調査では、自動車エンジニアリングにおける設計ワークフローとコンプライアンスの改善における RAG 拡張 LLM の可能性を強調しています。

要約(オリジナル)

In this paper, we explore the integration of Large Language Models (LLMs) with Retrieval-Augmented Generation (RAG) to enhance automated design and software development in the automotive industry. We present two case studies: a standardization compliance chatbot and a design copilot, both utilizing RAG to provide accurate, context-aware responses. We evaluate four LLMs-GPT-4o, LLAMA3, Mistral, and Mixtral- comparing their answering accuracy and execution time. Our results demonstrate that while GPT-4 offers superior performance, LLAMA3 and Mistral also show promising capabilities for local deployment, addressing data privacy concerns in automotive applications. This study highlights the potential of RAG-augmented LLMs in improving design workflows and compliance in automotive engineering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google