《基于大型语言模型（LLM）识别替代零件：提高零件可用性并改善舰队战备状态》最新报告

随着美国与近邻对手之间竞争的加剧，美国海军的海上优势面临着越来越多的挑战。以卓越的海军能力为后盾的舰队战备状态对于美国在该地区可信地投射力量和遏制冲突至关重要。

美国工业基地保持作战可用性（Ao）的速度和灵活性是战备状态的基础。然而，零部件短缺等过时问题困扰着武器系统，对可用性造成了负面影响。利用人工智能和机器学习（AI/ML）流程来快速识别潜在的替代零件，可以大大加快识别替代零件所需的时间。

目前，要解决这些问题，工程师必须手动搜索数百个来源，比较众多技术特征，以确定替代零件，这是一个耗时耗力的过程。为了满足这一需求，本研究开发了一个基于 LLM 的人工智能模型，用于快速比较多个零件，根据它们与被调查零件的相似性进行排序，并最终确定可行的替代零件。输出结果是根据模型确定的零件形状、匹配和功能的相似性对零件进行优先排序。然后，对模型推荐的零件进行手头现有库存分析，以确定最可行的零件，这些零件也可以快速获取。

图 1. 俄亥俄级潜艇十大长周期部件

传统上，一旦某个部件无法满足舰队要求，海军工程师就会收到通知，并负责确定替代方案，以维持船厂的可用性计划。这种手动流程耗时、耗力，而且并不总能取得丰硕成果，有时还会忽略潜在的替代解决方案。如果不能大规模地比较众多潜在部件的形状、匹配和功能，这一过程将继续成为解决舰队维护难题的瓶颈。如果不能加快这一过程并确保舰队的战备状态，美国海军就有可能削弱或丧失在海洋领域的优势。

为了确保加速和稳健的零件替换识别流程，戈维尼公司开发了一种可重复和可扩展的方法，该方法利用大型语言模型（LLM）分析零件的潜在形状、匹配和功能，并对潜在的替代零件进行优先排序，从而为海军工程师提供一个流程起点。该方法会检查零件库存和供应水平，优先考虑美国海军在附近地点有库存的零件，以进一步加快向舰队交付零件的速度。为了完成这项任务，该研究利用机器学习和人工智能（ML/AI）首先识别相关零件的基线数据集和相关特征，然后识别潜在问题零件的类似替代品。

在海军部（DoN）、国防部和更广泛的美国政府中，当他们努力制定流程以应对舰艇和潜艇寿命延长给舰队维持和保持美国海上优势带来的挑战时，这项研究的见解可以帮助他们的决策者。

主要发现

实施人工智能/ML 流程是主动识别对船厂可用性计划构成高风险的部件的关键。一旦确定了这些目标部件，就可以利用 LLM 来确定潜在的解决方案并加快补救行动。

俄亥俄级潜艇部件的交付周期长达 1261 天。一旦确定了部件需求，由于缺乏部件可用性，过长的交付周期会对船厂的可用性产生负面影响。长达数年的前置时间是无法维持的，因此需要确定缓解措施。
总计 18,007 个零件的交付周期超过 1 年。在与俄亥俄级潜艇相关的 123,564 个零件中，约有 14% 的零件的交付周期超过 1 年。
在交货期超过 1 年的 18,007 个零件中，LLM 识别出 10,703 个零件与手头库存的零件相似。这批潜在替代零件的平均相似度为 0.88（满分 1 分），这表明相似零件成为可接受替代零件的可能性很高。

方法

戈伟尼的国家安全知识图谱（NSKG）可用于识别所有相关的结构化和非结构化数据，这些数据可用于描述选定武器系统部件的形状、匹配和功能。NSKG 由 Govini 以 ML 为动力的 Object Fusion 数据引擎驱动，该引擎可持续摄取、规范化新数据源，并将其与现有数据目录进行整合。戈伟尼公司的分析人员利用 NSKG 中的大量信息，通过使用 ML 算法构建了俄亥俄级潜艇的相关部件全貌视图。这就是用于分析的基准数据集。本研究以俄亥俄级潜艇为例，但也可使用任何预先确定的零件集。所有使用的武器系统代号（WSDC）列表见附录 A。

本研究的第一阶段利用 LLM 增强模型对零件之间的形状、匹配和功能相似性进行量化，并充分利用上一段中描述的所有 NSKG 派生信息。基于 LLM 的模型是利用主题专家确定的输入信息进行训练的。本应用所使用的相关零件识别信息包括各种具体描述零件细节的零件特定元素。例如，零件的重量、材料、尺寸、描述等。这样就可以扫描出具有类似特征的零件，这些零件也可以快速、低成本地替代交货期较长的零件。

在第二阶段，对俄亥俄级潜艇所有零件的基线数据集进行评估，以确定前 10 个交货周期长的零件。然后通过 LLM 模型运行这些零件，以确定类似零件。手头有库存的潜在类似零件将被优先用于这些长周期零件，从而为这些长周期项目提供一份潜在替代品的优先列表。

成为VIP会员查看完整内容