Narrow and Deep: An Ontology Tower as the Knowledge of an LLM Agent for an Industrial Equipment System

이 논문은 산업 장비 하나에 국한된 좁고 깊은 온톨로지를 만들어 LLM 에이전트에게 지식을 주입하면 오답 회피율이 크게 오른다는 연구다.

이 논문은 한마디로 단일 장비 시스템을 위한 좁고 깊은 온톬로지 타워를 제안하고, 실제 저습도 공조 시험 설비에서 LLM 에이전트에 지식으로 줬을 때 효과를 측정했다. 타워는 측정점에서 물리 관계로 유도한 양과 운전 일지의 교훈을 지식 노드로 담아 깊어진다. 사전등록 평가에서 투영 텍스트를 받은 네 개 오픈 가중치 모델의 주요 오답 회피율이 0.605에서 0.802로 올랐다. 실기 실행에서는 14회 중 12회 제어 변수를 목표 구간에 넣었다.

핵심 요약

• 저자들은 하나의 장비 시스템을 위한 온톨로지 타워를 제안했다. 이 타워는 측정점에 물리 관계로 유도된 양과 운전 일지에서 가져온 교훈을 더해 깊어진다.
• 연구 대상 타워는 42개 태그, 34개 가정, 33개 바인딩, 24개 지식 노드, 16개 유도량, 13개 설비 요소를 담는 162개 노드와 217개 간선으로 이루어졌다.
• 사전등록 평가에서 타워의 투영 텍스트는 네 모델의 주요 오답 회피율을 0.605에서 0.802로 올렸다.
• 투영 텍스트를 받은 9-billion-parameter 모델은 이 텍스트 없는 가장 큰 모델보다 높은 점수를 받았다. 점수는 0.737 대 0.672였다.
• 운전 일지에 남겨둔 교훈은 에이전트가 거의 찾아 쓰지 못했고, 타워에 편입하거나 프롬프트에 직접 넣었을 때 쓰였다.
• 실기 실행에서 에이전트는 14회 중 12회 제어 변수를 목표 구간에 넣었고, 모든 셋포인트 변경은 안전 계층을 통해서만 일어났다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.