اختصاصی بسپار/ پوششهای مبتنی بر هوش مصنوعی
گروه ترجمه و تولید محتوا در بسپار/ایران پلیمر در صنعت پوشش، ارزیابی عملکرد پوشرنگ به طور سنتی بر مشاهده انسانی و بازخورد کلامی متکی بوده است. محققان و متخصصان فنی اغلب عملکرد پوشرنگ را با استفاده از اصطلاحات کیفی مانند کاربرد روان، پوشش عالی یا کامل صدای بلند توصیف میکنند. اگرچه این توصیفات سرشار از جزئیات هستند، اما ذهنی بوده و مقایسه کمی آن ها در فرمولاسیونهای مختلف پوشرنگ در فرآیند ارزیابی دشوار است. با ورود نسلهای جدیدتر متخصصان، دیدگاههای تازه و رویکردهای نوآورانهای به صنعت پوشش ارمغان داده شده است. اما همه محققان از درجه تجربه و تخصص یکسانی برخوردار نیستند. این تنوع در تخصص میتواند بر نحوه تفسیر و کاربرد تحقیقات در بخشهای مختلف صنعت پوشش تأثیر بگذارد. فقدان استانداردسازی، چرخههای توسعه را کند کرده و تصمیمگیری مبتنی بر داده را پیچیده میکند.
برای پرداختن به این چالشها، شرکت داو (Dow) در حال بررسی استفاده از مدلهای زبانی بزرگ (Large Language Models (LLM)) برای تجزیه و تحلیل و کمیسازی دادههای بدون ساختار است. LLM یک مدل یادگیری ماشینی است که برای تولید و پیشبینی زبانی شبیه به انسان طراحی شده است. معماری تبدیلکننده این مدلها به گونهای آموزش داده شده است که بهترین نشان بعدی را بر اساس الگوهای زمینهای پیشبینی کند و به آنها اجازه دهد متن و سایر رسانهها را به زبان طبیعی پردازش و تولید کنند. ادغام LLMها برای کمیسازی دادههای بدون ساختار، شکافهای موجود در درک را پر کرده و همکاری بین تیمهای مختلف را ساده میکند. LLMها میتوانند با حفظ تفاوت های فنی، قالبهای دادهها را استانداردسازی، بازخوردها را بر اساس موضوع دستهبندی و حتی محتوا را به زبانهای مختلف ترجمه کنند. این قابلیتها، وضوح را افزایش داده و اشتراکگذاری مؤثرتر دانش را در سراسر زنجیره ارزش تقویت میکنند.
نمونهای از کمیسازی دادههای ذهنی و بدون ساختار، بازخورد پیمانکار پوشرنگ در مورد ظاهر پوشش و سهولت استفاده از پوشرنگهای آزمایششده است. این فهمها سرشار از ارزش هستند اما استانداردسازی یا تجزیه و تحلیل آنها دشوار است. به عنوان مثال، یکی از مطالعات موردی که در ادامه بررسی میشود، نشان میدهد که چگونه از LLMها برای استخراج درک عملی از بازخوردهای باز از یک آزمایش استفاده میشود.
تبدیل بازخورد به درک عملی
شرکت داو با ترکیب تخصص عمیق خود در پوششها با قابلیتهای پیشرفته در LLMها، در موقعیت منحصر به فردی برای گشودن بینشهای جدید از دادههای بدون ساختار قرار دارد. ادغام دانش خاص پوششها، یادگیری در متن نامیده میشود و LLMها را قادر میسازد تا الگوها، اصطلاحات و روندهای خاص صنعت را تشخیص دهند. این مدلها میتوانند توصیفات کیفی را به ویژگیهای عملکردی خاص نگاشت کنند، به عنوان مثال، پوشش عالی را به پوشش دهی یا جریان روان را به گرانروی مرتبط کنند. پس از نگاشت، دادهها را میتوان در قالبهای ساختاریافتهای با قابلیت پشتیبانی از تجزیه و تحلیل کمی سازماندهی کرد. این همافزایی دانش دامنه و LLMها امکان تجزیه و تحلیل دقیقتر دادههای بدون ساختار را فراهم میکند.
مترجم: مهندس لاله کاغذچی، دانشجوی دکتری مهندسی مواد، دانشگاه تهران
(ادامه دارد …)
متن کامل این مقاله را در شماره 282 دوماهنامه پوشرنگ از گروه مجلات بسپار که در نیمه اسفند ماه 1404 منتشر شده است، می خوانید.
در صورت تمایل به دریافت نسخه نمونه رایگان و یا دریافت اشتراک با شماره های ۰۲۱۷۷۵۲۳۵۵۳ و ۰۲۱۷۷۵۳۳۱۵۸ داخلی ۳ سرکار خانم ارشاد تماس بگیرید. نسخه الکترونیک این شماره از طریق طاقچه و فیدیبو قابل دسترسی است.
