Minería de eventos de fallas con un modelo de lenguaje grande y afinado: estudio de caso de análisis de informes de...

Área de la Ciencia:

• La ingeniería de ingeniería de ingeniería.
• Ciencias de la computación Ciencias de la computación
• Ciencia de datos Ciencia de datos.

Sus antecedentes:

• Las narrativas de eventos de falla ofrecen información crucial sobre el inicio y la propagación de fallos.
• El análisis de la causalidad de eventos ayuda a comprender la física de fallos y a utilizar datos no relacionados con fallos.
• La extracción automatizada de causalidad se enfrenta a desafíos debido al lenguaje complejo y a los limitados conjuntos de datos anotados.

Objetivo del estudio:

• Desarrollar un nuevo enfoque basado en el modelo de lenguaje grande (LLM) para la extracción automatizada de causalidad del texto.
• Aprovechar las capacidades de LLM para comprender patrones de lenguaje intrincados y contextos de largo alcance.
• Para extraer con precisión los pares de causa y efecto de los informes de eventos de fallas.

Principales métodos:

• Se propuso un doble marco que involucra la detección de causalidad y la extracción de causalidad.
• Se entrenó un modelo de aprendizaje profundo para identificar textos que contienen causalidad.
• Se desarrolló un LLM basado en T5 (T5-CE) para extraer pares de causa y efecto.
• Se utilizó un gran conjunto de datos anotados de informes de eventos de fallas de centrales nucleares estadounidenses para capacitación y evaluación.

Principales resultados:

• El enfoque propuesto basado en LLM demostró una detección efectiva de causalidades implícitas y incrustadas.
• Los modelos lograron un gran rendimiento en la identificación de pares de causa y efecto dentro del texto.
• Se utilizaron métricas de evaluación que incluyen precisión, recuerdo y puntuación F1 para evaluar el rendimiento del modelo.

Conclusiones:

• El novedoso enfoque LLM mejora significativamente la extracción automatizada de causalidad de las narrativas de eventos de falla.
• Este método puede mejorar el análisis de fallos al identificar con precisión las relaciones causales.
• El enfoque ofrece una herramienta valiosa para industrias de alta confiabilidad con datos limitados de fallas.