تواجه الصناعات عمليات معقدة تعود جذورها إلى تراكم النماذج المتخصصة المعتمدة. إلا أن عوامل مثل انحراف المستشعر (Sensor Drift) وت variations in feedstock و regime switching قد تؤدي إلى سوء أداء تلك النماذج في سيناريوهات جديدة. بينما يترتب على جمع بيانات جديدة وإعادة التدريب تكاليف باهظة، فإن الاستمرار في استخدام النموذج الأصلي قد يؤدي إلى تحيز مستمر مما يؤثر سلباً على النتائج.

تقنيات التكيف الحالية تتطلب تعديل معلمات النموذج باستخدام بيانات موسومة كافية، مما يجعل الاستجابة السريعة للأنظمة المستهدفة تحديًا كبيرًا. علاوة على ذلك، استخدام نماذج اللغات الكبيرة (Large Language Models) كمتنبئين يواجه مخاطر الهراء (hallucinations) والإخراجات غير القابلة للتحكم. كما لا يمكن لهذه النماذج تضمين المعرفة غير المهيكلة من عالم الواقع.

للتغلب على هذه التحديات، تم تقديم إطار عمل جديد يسمى "التكيف المفتوح القائم على التفكير للنماذج المتخصصة (ROAM)". يعمل هذا الإطار على استخدام المعرفة العالمية والنقدية التي تتيحها نماذج اللغات الكبيرة عن طريق تكييف النماذج المتخصصة المتجمدة مع السيناريوهات غير المرئية دون الحاجة لإعادة التدريب. يركز ROAM تصحيحات النموذج ضمن مساحة منخفضة الأبعاد قابلة للتفسير من الناحية الدلالية.

من خلال دمج الأحكام الناتجة عن نماذج اللغات الكبيرة مع الملاحظات المتاحة على الإنترنت ضمن إطار احتمالي موحد، يتم التغلب على القيود. بالإضافة إلى ذلك، فإن الآلية المحددة المستندة إلى المخاطر تعمل على كبح التصحيحات تحت الأدلة غير الموثوقة أو التحولات المفاجئة في السيناريو، وتعود للنموذج المجمد الأصلي عندما لا تكون الأدلة كافية.

أظهرت التجارب على عملية تكثيف المعادن ومجموعة بيانات تخمير البنسلين العامة (IndPenSim) أن ROAM يقلل متوسط الخطأ (MAE) بأكثر من 20% في إعدادات التحول الكبيرة مع 839 معلمة إضافية فقط وباستخدام أقل من 0.02 مللي ثانية لكل خطوة. نتائج هذه الدراسة تشير إلى أن التفكير المستند إلى نماذج اللغات الكبيرة يمكن أن يتحول إلى إشارة تكيف محافظة للنماذج الصناعية الموجودة في الخدمة.