Auto-DSM によって生成されたディーゼル エンジン DSM。クレジット: SUTD
設計構造マトリックス (DSM) は、システム モデリングに使用される視覚的な分析ツールです。シンプルかつ簡潔で、NxN 正方行列を使用して N 個のシステム要素間の関係を表します。 DSM 生成のためのデータ収集は従来、調査やインタビューによって行われてきましたが、これらには分野の専門家が必要であり、製品モデルを検討するのに何時間も、場合によっては数日もかかるため、プロセスは長く、費用がかかります。
「再現可能な DSM を一貫して生成できれば、より革新的な研究を展開できるため、このボトルネックを取り除く必要があります」とシンガポール工科大学 (SUTD) のプロボスト主席教授であるエドウィン・コー博士は説明しました。生産性の向上を目的として、彼は論文で DSM 生成を自動化する新しいアプローチを開発しました。Auto-DSM: 大規模な言語モデルを使用して設計構造マトリックスを生成するに掲載されました 自然言語処理ジャーナル。
「デザインは、単なる形状や機能以上のものです。デザインの大部分は、デザインの複雑さを管理することです」とコー博士は述べ、Auto-DSM を DSM 生成に大規模言語モデル (LLM) を使用するワークフローとして説明しました。 Auto-DSM は、LLM を使用して組織固有のデータをクエリすることによって DSM 見出しを決定し、エントリを設定し、有望な結果をもたらします。
まず、関連データはドキュメントの形式で提供され、次にスプリットと呼ばれる小さな部分に分割されます。その後、分割からのテキストが埋め込まれ、ベクトル ストアに保存されます。この時点で、DSM 生成に関連する 1 対の事前定義された質問を使用して、ベクトル ストアにクエリを実行し、関連する分割を取得します。
LLM の助けを借りて、最初の質問は分析されたシステムの要素を特定し、2 番目の質問は特定されたシステム要素間の関係に焦点を当てます。両方の質問の回答が、それぞれ DSM 見出しと DSM エントリになります。最後に、これらの結果は DSM 形式で整理され、システム要素間の関係 (つまり、リンクがある、リンクがない、または知らない) を簡単に確認できます。
Koh 博士は、さまざまな品質の入力データが使用された、十分に文書化されたディーゼル エンジンの例に Auto-DSM を適用することで、DSM を生成する際の Auto-DSM の実現可能性をテストしました。彼はまた、Auto-DSM を ChatGPT の Python 実装と比較して、Auto-DSM を使用することが、既製の LLM を直接使用するよりも付加価値があるかどうかを検証しました。正確性と完全性という 2 つの指標が評価に使用され、どちらの指標も、指定されたテキストを DSM 構造に変換する提案されたワークフローの能力を検査します。
結果は 2 つのことを示しました。Auto-DSM は使用される入力データの品質に敏感であること、および完全性において ChatGPT よりも一貫して高いスコアを獲得しました。ただし、この 2 つを比較しても、正確さに関する決定的なデータは得られませんでした。
Auto-DSM の「精度」は、自動 DSM が生成した、人間の専門家によって作成された参照 DSM からのエントリと同一の DSM エントリの数をチェックすることによっても測定されました。参照 DSM は企業固有および製品固有のデータを使用して作成されたのに対し、Auto-DSM はディーゼル エンジンの一般的な知識のみを使用したことに注意することが重要です。それでも、テスト ケースの結果は、Auto-DSM が 77.3% もの高い精度を実現できることを示しており、組織固有のデータを使用することでさらに精度を向上させることができます。
Auto-DSM の最大の利点は、他の自動 DSM 生成方法と比較した場合でも、その速度です。 DSM 生成の自動化に関する以前の作業では、事前定義された形式での大規模なデータ準備が必要であり、時間がかかる可能性がありました。これに対し、Auto-DSM では、テスト ケースの 11 要素を含む DSM を生成するのにわずか 4 分しかかかりませんでした。
コー博士は、Auto-DSM が業界で採用される魅力は、DSM の生成速度にあると考えています。さらに、時間とリソースが限られている場合に、組織がそれを使用して DSM の最初の草案を生成できるようにするノーコード プロトタイプも公開しました。 「Auto-DSM は、複雑なシステムの設計を扱うすべての業界に役立ちます。」と彼は言いました。
将来的には、コー博士は、Auto-DSM をさらに微調整できるように、組織固有のデータを提供する業界の協力者を獲得したいと考えています。また、将来の研究者が DSM とタスク スケジューリングなどの他の設計ワークフローとの統合を検討することを期待しています。
詳細情報:
Edwin CY Koh、Auto-DSM: 大規模言語モデルを使用した設計構造マトリックスの生成、 自然言語処理ジャーナル （2024年）。 DOI: 10.1016/j.nlp.2024.100103
引用: 設計構造マトリックスの生成を自動化する革新的なノーコード プロトタイプ (2024 年 11 月 22 日)、2024 年 11 月 23 日に取得
この文書は著作権の対象です。個人的な研究や研究を目的とした公正な取引を除き、書面による許可なしにいかなる部分も複製することはできません。コンテンツは情報提供のみを目的として提供されています。
#設計構造マトリックスの生成を自動化する革新的なノーコード #プロトタイプ