LLM-Agenten verbessern die Bereinigung von Wartungsprotokollen

Wirtschaftliche Engpässe, begrenzte Datensätze und ein Mangel an Fachwissen haben die Einführung von Predictive Maintenance (PdM) im Automobilbereich lange Zeit gehemmt. Durch die rasante Entwicklung großer Sprachmodelle (LLMs) eröffnet sich nun ein vielversprechender Weg, diese Hindernisse zu überwinden und PdM schneller in die Industrie zu bringen.

In einer aktuellen Studie wurden LLM-basierte Agenten eingesetzt, um Wartungsprotokolle – die entscheidende Datenquelle für das Training leistungsfähiger ML‑Modelle – zu bereinigen. Diese Protokolle sind häufig von Fehlern wie Tippfehlern, fehlenden Feldern, nahezu doppelten Einträgen und falschen Datumsangaben betroffen. Die Agenten wurden auf sechs verschiedene Störungsarten getestet.

Die Ergebnisse zeigen, dass LLMs bei generischen Bereinigungsaufgaben sehr gut funktionieren und eine solide Basis für zukünftige industrielle Anwendungen bieten. Spezifische, domänenspezifische Fehler bleiben jedoch eine Herausforderung. Mit gezieltem Training und erweiterten agentischen Fähigkeiten lassen sich die Leistungen weiter steigern.