Un Marco Conceptual para un Método de Mantenimiento de Información Más Reciente Usando Generación Aumentada por Recuperación y un Modelo de Lenguaje Grande en Fabricación Inteligente: Enfoque Teórico y Análisis de Rendimiento
Autores: Choi, Hangseo; Jeong, Jongpil
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un Marco Conceptual para un Método de Mantenimiento de Información Más Reciente Usando Generación Aumentada por Recuperación y un Modelo de Lenguaje Grande en Fabricación Inteligente: Enfoque Teórico y Análisis de Rendimiento
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Datos
Tiempo real
Actualización de conocimientos
Fábrica inteligente
Aprendizaje continuo
Arquitectura
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 17
Citaciones: Sin citaciones
En el entorno de fabricación moderno, la capacidad de recopilar y refinar datos en tiempo real para ofrecer datos de alta calidad es cada vez más importante para mantener una ventaja competitiva y la eficiencia operativa. Este documento propone un marco arquitectónico conceptual para la actualización continua del conocimiento de los sistemas basados en Modelos de Lenguaje Grande con Generación Aumentada por Recuperación en un entorno de fábrica inteligente. El marco propuesto proporciona modelos teóricos y metodologías de validación, sentando las bases para futuras implementaciones prácticas. Los sistemas existentes de Modelos de Lenguaje Grande con Generación Aumentada por Recuperación dependen de bases de conocimiento estáticas que no pueden reflejar de manera efectiva nueva información en un entorno de fabricación cambiante y en tiempo real. El diseño del marco propuesto utiliza una capa de procesamiento de flujo de datos, una capa de integración de datos y una capa de aprendizaje continuo como componentes centrales; en particular, la capa de integración del conocimiento proporciona un mecanismo para el procesamiento eficiente de datos en tiempo real y el aprendizaje continuo. Este estudio es significativo en tanto que presenta un modelo matemático y una metodología de verificación sistemática que puede predecir cuantitativamente el rendimiento y la escalabilidad de la arquitectura propuesta, proporcionando así una guía de diseño práctica para la implementación de sistemas de Modelos de Lenguaje Grande con Generación Aumentada por Recuperación en entornos de fábricas inteligentes. Este documento está organizado de la siguiente manera: Materiales y Métodos proporciona una descripción detallada de la arquitectura y la metodología. Análisis Teórico y Discusión abarca el análisis teórico y la discusión, incluidos los modelos de predicción de rendimiento, las metodologías de validación y sus implicaciones prácticas. Finalmente, Conclusiones resume los hallazgos de la investigación y esboza direcciones para trabajos futuros.
Descripción
En el entorno de fabricación moderno, la capacidad de recopilar y refinar datos en tiempo real para ofrecer datos de alta calidad es cada vez más importante para mantener una ventaja competitiva y la eficiencia operativa. Este documento propone un marco arquitectónico conceptual para la actualización continua del conocimiento de los sistemas basados en Modelos de Lenguaje Grande con Generación Aumentada por Recuperación en un entorno de fábrica inteligente. El marco propuesto proporciona modelos teóricos y metodologías de validación, sentando las bases para futuras implementaciones prácticas. Los sistemas existentes de Modelos de Lenguaje Grande con Generación Aumentada por Recuperación dependen de bases de conocimiento estáticas que no pueden reflejar de manera efectiva nueva información en un entorno de fabricación cambiante y en tiempo real. El diseño del marco propuesto utiliza una capa de procesamiento de flujo de datos, una capa de integración de datos y una capa de aprendizaje continuo como componentes centrales; en particular, la capa de integración del conocimiento proporciona un mecanismo para el procesamiento eficiente de datos en tiempo real y el aprendizaje continuo. Este estudio es significativo en tanto que presenta un modelo matemático y una metodología de verificación sistemática que puede predecir cuantitativamente el rendimiento y la escalabilidad de la arquitectura propuesta, proporcionando así una guía de diseño práctica para la implementación de sistemas de Modelos de Lenguaje Grande con Generación Aumentada por Recuperación en entornos de fábricas inteligentes. Este documento está organizado de la siguiente manera: Materiales y Métodos proporciona una descripción detallada de la arquitectura y la metodología. Análisis Teórico y Discusión abarca el análisis teórico y la discusión, incluidos los modelos de predicción de rendimiento, las metodologías de validación y sus implicaciones prácticas. Finalmente, Conclusiones resume los hallazgos de la investigación y esboza direcciones para trabajos futuros.