خرید و دانلود ترجمه فارسی مقاله به سوی درک در سطح انسانی از شماتیک های مهندسی فرآیند پیچیده: یک چارچوب آموزشی، درون نگر چند عاملی برای پاسخگویی به سؤالات دامنه باز

چکیده

In the chemical and process industries, Process Flow Diagrams (PFDs) and Piping and Instrumentation Diagrams (P&IDs) are critical for design, construction, and maintenance. Recent advancements in Generative AI, such as Large Multimodal Models (LMMs) like GPT4 (Omni), have shown promise in understanding and interpreting process diagrams for Visual Question Answering (VQA). However, proprietary models pose data privacy risks, and their computational complexity prevents knowledge editing for domain-specific customization on consumer hardware. To overcome these challenges, we propose a secure, on-premises enterprise solution using a hierarchical, multi-agent Retrieval Augmented Generation (RAG) framework for open-domain question answering (ODQA) tasks, offering enhanced data privacy, explainability, and cost-effectiveness. Our novel multi-agent framework employs introspective and specialized sub-agents using open-source, small-scale multimodal models with the ReAct (Reason+Act) prompting technique for PFD and P&ID analysis, integrating multiple information sources to provide accurate and contextually relevant answers. Our approach, supported by iterative self-correction, aims to deliver superior performance in ODQA tasks. We conducted rigorous experimental studies, and the empirical results validated the proposed approach effectiveness.

چکیده به فارسی (ترجمه ماشینی)

در صنایع شیمیایی و فرآیند ، نمودارهای جریان فرآیند (PFD) و نمودارهای لوله کشی و ابزار دقیق (P&ID) برای طراحی ، ساخت و ساز و نگهداری بسیار مهم هستند.پیشرفت های اخیر در هوش مصنوعی تولیدی ، مانند مدل های بزرگ چند حالته (LMM) مانند GPT4 (OMNI) ، نوید را در درک و تفسیر نمودارهای فرآیند برای پاسخ به سؤال بصری (VQA) نشان داده اند.با این حال ، مدلهای اختصاصی خطرات حفظ حریم خصوصی داده ها را ایجاد می کنند ، و پیچیدگی محاسباتی آنها از ویرایش دانش برای شخصی سازی خاص دامنه در سخت افزار مصرف کننده جلوگیری می کند.برای غلبه بر این چالش ها ، ما با استفاده از یک چارچوب نسل تقویت شده سلسله مراتبی و چند عامل (RAG) برای انجام وظایف پاسخ به سؤال دامنه باز (ODQA) ، یک راه حل ایمن و در محل را پیشنهاد می کنیم ، و ارائه حریم خصوصی داده ها ، توضیح و هزینه-اثربخشیچارچوب چند عامل جدید ما از زیرگروه های درون نگرانه و تخصصی با استفاده از مدلهای چند مدلی در مقیاس کوچک با React (دلیل+قانون) برای تجزیه و تحلیل PFD و P&ID استفاده می کند ، و چندین منبع اطلاعاتی را برای ارائه پاسخ های دقیق و متناسب با هم مرتبط می کند.بشررویکرد ما ، که توسط خود تصحیح تکراری پشتیبانی می شود ، با هدف ارائه عملکرد برتر در کارهای ODQA انجام می شود.ما مطالعات تجربی دقیق انجام دادیم ، و نتایج تجربی اثربخشی رویکرد پیشنهادی را تأیید کرد.