Jak uporządkować opisy zdarzeń utrzymania ruchu?

Podobne zdarzenia pod różnymi nazwami

Kierownik utrzymania ruchu chce sprawdzić, które problemy wracają. W pierwszym zleceniu technik napisał: „Czujnik zabrudzony, po czyszczeniu praca prawidłowa”. W drugim, przy tym samym urządzeniu: „Brud na sensorze, wyczyszczono”. To ta sama obserwacja, więc model przypisuje oba zlecenia do jednej grupy i zachowuje przy nich oryginalne notatki.

W trzecim zleceniu jest tylko „Wymieniono czujnik, urządzenie działa”. Ten zapis mówi o wykonanej czynności, ale nie podaje przyczyny. Model nie dopisuje zabrudzenia z domysłu: zlecenie trafia do grupy czynności bez ustalonej przyczyny. Kierownik widzi, gdzie wraca obserwacja, a gdzie dokumentacja opisuje tylko naprawę.

Gotowe systemy utrzymania ruchu rozdzielają informacje o zdarzeniu na kody. IBM Maximo opisuje hierarchię klas awarii z problemem, przyczyną i środkiem zaradczym na zleceniu. Jeśli technicy już wybierają takie kody, wystarczy raport.

Ile daje prostsza zmiana, a ile trening

W tym rachunku gotowy model z listą grup daje większość efektu za ułamek kosztu. Trening ma sens przy większej skali albo gdy pozostałe błędy są kosztowne.

Zbiór przykładów do uczenia trzeba utrzymywać: gdy zmienia się proces, nazewnictwo albo model bazowy, ocenę powtarza się na tym samym zbiorze testowym. Ten koszt wpisujemy do wyceny razem z samym uczeniem.

Czego miałby nauczyć się model

Najpierw sprawdź gotowy model z jasno opisanym podziałem zdarzeń. Jeśli poprawnie porządkuje notatki, uczenie jest zbędne. Fine-tuning na przykładach z poprawnym przypisaniem pomaga rozpoznawać zakładowe skróty i nazwy urządzeń, gdy model regularnie je pomija. Google opisuje nadzorowane dostrajanie modeli Gemini na takich przykładach. Zmiana sposobu opisywania pracy albo nowe grupy zdarzeń wymagają ponownego przeglądu, więc ktoś utrzymuje znaczenie oznaczeń.

Od czego zacząć

Zaczynamy od zestawienia, które dziś wymaga ręcznego czytania notatek przed spotkaniem. Dostosowanie modeli prowadzimy w ramach prywatnych modeli LLM, a aplikację, w której pracownik widzi wynik obok źródła, w ramach aplikacji AI. Na bezpłatną analizę wystarczy kilka przykładów błędu, który wraca, i opis, kto go dziś poprawia.