LLM помогает улучшить прогнозирование промышленных процессов

Авторы предлагают новый подход к прогнозированию промышленных процессов — Task-Semantic Field Factorization (TSF), в котором крупная языковая модель (LLM) используется для создания семантического поля задачи на этапе подготовки данных. В отличие от стандартных методов, где числовые данные рассматриваются как обезличенные столбцы, TSF интегрирует информацию о смысле переменных (названия, единицы, роль в процессе) из документации и протоколов задач. LLM применяется только офлайн для построения семантических связей, а онлайн-обработка и обучение выполняются обычными моделями временных рядов. Научная новизна: TSF позволяет учитывать логику и взаимосвязи между переменными при каждом прогнозе, что повышает адаптивность к смене режимов и целевых показателей. В экспериментах на реальных промышленных задачах метод снизил среднюю абсолютную ошибку на 6,4% (до 25,5% в отдельных случаях) при минимальном увеличении числа параметров и времени инференса. Ограничение: LLM требуется только на этапе подготовки, что упрощает внедрение в промышленности.