Resumen: Las limitaciones económicas, la disponibilidad limitada de conjuntos de datos para la reproducibilidad y la escasez de experiencia especializada se han reconocido desde hace mucho tiempo como desafíos clave para la adopción y el avance del mantenimiento predictivo (PdM) en el sector automotriz. Los avances recientes en modelos de lenguajes grandes (LLM) presentan una oportunidad para superar estas barreras y acelerar la transición de PdM de la investigación a la práctica industrial. En estas condiciones, exploramos el potencial de los agentes basados en LLM para respaldar la limpieza de tuberías de PdM. Específicamente, nos centramos en los registros de mantenimiento, una fuente de datos crítica para entrenar modelos de aprendizaje automático (ML) de buen rendimiento, pero que a menudo se ve afectada por errores como errores tipográficos, campos faltantes, entradas casi duplicadas y fechas incorrectas. Evaluamos agentes LLM en tareas de limpieza que involucran seis tipos distintos de ruido. Nuestros hallazgos muestran que los LLM son eficaces en el manejo de tareas de limpieza genéricas y ofrecen una base prometedora para futuras aplicaciones industriales. Si bien los errores específicos de dominio siguen siendo un desafío, estos resultados resaltan el potencial de mejoras adicionales a través de capacitación especializada y capacidades de agencia mejoradas.
Publicado originalmente en export.arxiv.org el 9 de noviembre de 2025.
Ver fuente original
