في بيئات الصيانة الصناعية الحديثة، أصبح الاعتماد على أنظمة الذكاء الاصطناعي (AI) شيئاً لا غنى عنه لمساعدة المشغلين في فهم سلوك الأصول وتشخيص الأعطال وتقييم التدخلات الضرورية. على الرغم من أن نماذج اللغات الكبيرة (Large Language Models) تتيح التفاعل باللغة الطبيعية بسلاسة، إلا أن مساعدي الصيانة المنتشرين غالباً ما يقدمون تفسيرات عامة تفتقر إلى الأسس القابلة للتحقق وتغفل السلاسل الزمنية الموثوقة. وهذه التحديات قد تحد من الثقة المطلوبة في إعدادات المهمة الحساسة.

لذا، يسرنا أن نقدم لكم نظام IndustryAssetEQA، وهو نظام ذكاء اصطناعي عصبي يتكامل مع تمثيلات البيانات الفعلية ليحقق قدرة أساسية في إجابة الأسئلة المستندة إلى الوضع (Embodied Question Answering) عن الأصول الصناعية. يتمثل الابتكار الرئيسي في دمج تمثيلات التليمتري مع قاعدة بيانات معرفة تحليل أوضاع الفشل (Failure Mode Effects Analysis Knowledge Graph) لإتاحة إجابات دقيقة وفي وقتها المناسب.

أجرينا تقييمات على أربع مجموعات بيانات تغطي أربعة أنواع من الأصول الصناعية، بما في ذلك الآلات الدوارة ومحركات التوربينات وأنظمة الهيدروليك وأنظمة الإنتاج السيبرانية المادية. مقارنةً بالمعايير التقليدية القائمة على نماذج اللغات الكبيرة، أظهر نظام IndustryAssetEQA تحسناً ملحوظاً في الموثوقية الهيكيلة بنسبة تصل إلى 0.51، ودقة التفسير المعاكسة بنسبة تصل إلى 0.47، وارتفاع قدرة الاستدلال على التفسيرات بمعدل 0.64. بالإضافة إلى ذلك، انخفضت رموز الادعاءات المبالغ فيها من الخبراء من 28% إلى 2%، مما يمثل تقليصاً بنسبة تقارب 93%.

للمزيد من التفاصيل، يمكنكم الحصول على الكود ومجموعات البيانات وقاعدة بيانات معرفة تحليل أوضاع الفشل من خلال [GitHub](https://github.com/IBM/AssetOpsBench/tree/IndustryAssetEQA/IndustryAssetEQA). هل تعتقد أن هذا النظام سيحدث تغييراً كبيراً في مجال صيانة الأصول الصناعية؟ شاركونا آراءكم في التعليقات.