利用LLM与情境感知提示提升制造业知识获取
人工智能
2025-07-31 v1
摘要
知识图谱（KGs）已在制造业数据管理领域取得突破，提供了通过共享和结构化概念模式整合异构数据源的有效方法。然而，充分利用 KGs 的潜力对非专业人士而言可能令人望而却步，因为通常需要编写复杂的 SPARQL 查询才能检索特定信息。随着大型语言模型（LLM）的出现，自动将自然语言查询翻译为 SPARQL 格式的潜力日益增长，从而桥接了用户友好界面与 KGs 复杂架构之间的差距。挑战仍在于充分向 LLM 提供关于特定领域 KGs（如制造业）相关上下文和结构，以提高生成查询的准确性。本文评估了多种使用 LLM 作为中介以促进 KGs 中信息检索的策略。我们聚焦于制造业领域，特别是 Bosch Line Information System KG 和 I40 Core Information Model。在我们的评估中，我们比较了 various 方法将 KGs 的相关上下文输入 LLM，并分析了其将真实世界问题转化为 SPARQL 查询的熟练程度。我们的发现表明，仅提供 KGs 模式的充当上下文后，LLM 在生成正确且完整查询方面可显著提升性能。此类情境感知提示技术有助于 LLM 关注本体的相关部分，减少幻觉风险。我们预计，所提出的技术有助于 LLM democratize 访问复杂数据仓库，赋能制造业环境中的知情决策。
引用
@article{arxiv.2507.22619,
title = {Enhancing Manufacturing Knowledge Access with LLMs and Context-aware Prompting},
author = {Sebastian Monka and Irlan Grangel-González and Stefan Schmid and Lavdim Halilaj and Marc Rickart and Oliver Rudolph and Rui Dias},
journal= {arXiv preprint arXiv:2507.22619},
year = {2025}
}
备注
European Conference on Artificial Intelligence (ECAI) 2024