Modelado y clasificación taxonómicos en informes de fallos de hardware espacial

Área de la Ciencia:

• Ciencia de datos
• Procesamiento del lenguaje natural
• Aprendizaje automático

Sus antecedentes:

• El análisis manual de más de 54.000 informes de fallos de hardware espacial de la NASA no es práctico para identificar tendencias.
• El conocimiento experto a menudo no está disponible o no está estructurado para grandes conjuntos de datos.

Objetivo del estudio:

• Desarrollar un modelo taxonómico automatizado para la minería de texto y la extracción de conocimiento de informes de fallos de ingeniería.
• Estructurar datos de texto no estructurados para la identificación de tendencias y el análisis de causa raíz.

Principales métodos:

• Se utilizaron algoritmos de asignación de Dirichlet latente (LDA) combinados con representaciones de codificador bidireccional de transformadores (BERT).
• Se desarrolló un modelo taxonómico automatizado para estructurar el contenido del texto.

Principales resultados:

• El modelo combinado LDA y BERT proporciona estructura al contenido de texto para el análisis.
• Permite la extracción de conocimiento y la identificación de tendencias a partir de grandes conjuntos de datos.

Conclusiones:

• Los modelos taxonómicos automatizados que utilizan LDA y BERT pueden superar las limitaciones del análisis manual y la dependencia de expertos.
• Facilita el análisis eficiente de extensos conjuntos de datos de informes de fallos de ingeniería.