Knowledge Management for Automobile Failure Analysis Using Graph RAG

要約

この論文では、大規模言語モデル (LLM) とナレッジ グラフ (KG) を備えた検索拡張生成 (RAG) を使用した自動車故障解析のためのナレッジ マネジメント システムを紹介します。
自動車業界では、経験豊富なエンジニアから若手エンジニアへ故障解析の知識を伝達する需要が高まっています。
しかし、失敗イベントは連鎖的に起こる現象のため、初心者にとっては解析が困難です。
意味的な関係や構造情報を記述できるナレッジ グラフは、コンポーネント間の関係を表現できるため、障害イベントを表現するのに効果的ですが、KG には多くの情報が含まれているため、若いエンジニアがサブコンポーネントを抽出して理解するのは困難です。
KGからのグラフ。
一方、ナレッジ管理のために LLM と KG を組み合わせた RAG の一種である Graph RAG の使用への関心が高まっています。
しかし、自動車故障に関する既存のナレッジ グラフで現在の Graph RAG フレームワークを使用すると、LLM によって構築されていないナレッジ グラフ データベースに対して実行可能なクエリを生成することが難しいため、いくつかの問題が発生します。
これに対処するために、私たちは既存のナレッジ グラフの Graph RAG パイプラインの最適化に焦点を当てました。
独自の Q&A データセットを使用し、提案手法によって生成された文章の ROUGE F1 スコアは、現行手法と比較して平均 157.6% の向上を示しました。
これは、自動車の故障解析に対する提案手法の有効性を強調しています。

要約(オリジナル)

This paper presents a knowledge management system for automobile failure analysis using retrieval-augmented generation (RAG) with large language models (LLMs) and knowledge graphs (KGs). In the automotive industry, there is a growing demand for knowledge transfer of failure analysis from experienced engineers to young engineers. However, failure events are phenomena that occur in a chain reaction, making them difficult for beginners to analyze them. While knowledge graphs, which can describe semantic relationships and structure information is effective in representing failure events, due to their capability of representing the relationships between components, there is much information in KGs, so it is challenging for young engineers to extract and understand sub-graphs from the KG. On the other hand, there is increasing interest in the use of Graph RAG, a type of RAG that combines LLMs and KGs for knowledge management. However, when using the current Graph RAG framework with an existing knowledge graph for automobile failures, several issues arise because it is difficult to generate executable queries for a knowledge graph database which is not constructed by LLMs. To address this, we focused on optimizing the Graph RAG pipeline for existing knowledge graphs. Using an original Q&A dataset, the ROUGE F1 score of the sentences generated by the proposed method showed an average improvement of 157.6% compared to the current method. This highlights the effectiveness of the proposed method for automobile failure analysis.

arxiv情報

著者 Yuta Ojima,Hiroki Sakaji,Tadashi Nakamura,Hiroaki Sakata,Kazuya Seki,Yuu Teshigawara,Masami Yamashita,Kazuhiro Aoyama
発行日 2024-11-29 08:34:07+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CL, cs.IR パーマリンク