제조업에서 추적 가능하고 위험에 대한 인식을 가진 인간-AI 의사결정 지원을 위한 물리 기반 다중 에이전트 아키텍처
요약
본 기술 기사는 제조업의 고정밀 CNC 가공과 같은 복잡하고 위험도가 높은 환경에서 인간-AI 협업을 위한 새로운 물리 기반 다중 에이전트 아키텍처(MAKA)를 제안합니다. MAKA는 의도 라우팅, 정량적 분석 도구 사용, 지식 그래프 검색 등을 포함하는 여러 단계를 거치며, 각 단계마다 물리적 타당성 및 안전 한계에 대한 비평가 기반 검증을 강제하여 신뢰성을 높입니다. 이 아키텍처는 실제 로터 블레이드 가공 테스트베드에서 시뮬레이션되어, 기존의 단일 LLM 방식보다 훨씬 높은 성공률과 정밀도를 달성하며 위험 인식이 필요한 의사결정 지원에 효과적임을 입증했습니다.
핵심 포인트
- MAKA(Multi-Agent Knowledge Analysis)는 고위험 제조업 환경을 위한 인간-AI 협업 아키텍처이다.
- 단순 LLM의 텍스트 생성 한계를 넘어, 물리 기반 다단계 수치 워크플로우를 신뢰성 있게 실행한다.
- 핵심 기능은 의도 라우팅, 정량적 분석, 지식 그래프 검색과 더불어 '비평가 기반 검증'을 통해 안전성과 물리적 타당성을 강제하는 것이다.
- 실제 로터 블레이드 가공 시뮬레이션에서 MAKA는 기존 방식 대비 도구 실행 성공률을 최대 87.5%p 개선했다.
- 디지털 트윈 환경에서 예측 표면 편차를 $10^{-2}$in에서 $ ext{-}10^{-3} ext{in}$ 수준으로 줄여 높은 정밀도를 달성한다.
자유형 항공우주 부품의 고정밀 CNC 가공은 검사, 시뮬레이션 및 공정 지식을 기반으로 한 경계된 보상을 필요로 합니다. 오프더셰프 대형 언어 모델 (LLM) 어시스턴트는 텍스트를 생성할 수 있지만, 위험에 제약된 다단계 수치 워크플로우를 신뢰성 있게 실행하거나 고위험 의사결정에 대해 감사 가능한 출처를 제공하지는 않습니다. 우리는 물리 기반 다중 에이전트 지식 분석 (MAKA) 을 제시합니다. MAKA 는 인간이 루프에 있는 의사결정 지원 아키텍처로, 의도 라우팅, 도구 전용 정량적 분석, 지식 그래프 검색 및 추천이 인간 승인에 표시되기 전에 물리적 타당성, 안전 한계 및 출처 완성을 강제하는 비평가 기반 검증으로 분리됩니다. MAKA 는 16 개의 날개에서 스캔 기반 3D 검사 편차 맵을 가상 가공 경로 추적 오차 필드, 절단 힘 및 변형 시뮬레이션과 융합하여 Ti-6Al-4V 로터 블레이드 가공 테스트베드에서 인스턴스화됩니다. 분석은 편차를 증거 연결된 패싱 구성 요소, 부품에 대한 체계적 진화를 포착하는 드리프트 기반 마모 프로кси, 잔류 시스템 준수 항 및 불안정성 인식 상향식을 위한 변동성 프로кси로 분해합니다. 단일 단계부터 ≥3 단계 상태ful 시퀀스까지의 3 레벨 도구 오케스트레이션 벤치마크에서 MAKA 는 동일한 도구 접근을 가진 구조화되지 않은 단일 모델 상호작용 패턴에 비해 성공적인 도구 실행을 최대 87.5 퍼센트 포인트 개선합니다. 디지털 트윈 what-if 연구는 MAKA 가 시뮬레이션 환경 내에서 날개의 대부분에서 예측 표면 편차를 순서 $10^{-2}$in 에서 약 $\−10^{-3}$in 으로 줄이는 추적 가능한 보상 후보를 조정할 수 있음을 보여줍니다, 위험에 대한 인식을 가진 인간 의사결정 지원을 위한 사전 배포 검증 신호를 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기