Resumen Técnico: IndustryAssetEQA

Título original: IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance

1. El Problema: Limitaciones de los LLM en Mantenimiento Industrial

El mantenimiento de activos industriales está migrando hacia la toma de decisiones basada en datos. Aunque los Grandes Modelos de Lenguaje (LLMs) permiten interacciones fluidas, su aplicación en entornos de seguridad crítica presenta tres fallos fundamentales:

• Explicaciones genéricas: Los modelos suelen citar patrones de fallos de "libro de texto" sin estar anclados (grounded) en la telemetría real de los sensores del activo.
• Falta de procedencia verificable: Las respuestas rara vez citan la ventana temporal, el sensor o el registro específico que sustenta la afirmación, lo que impide la auditoría.
• Razonamiento contrafactual no testeable: Las sugerencias de acción o predicciones de "qué pasaría si..." son cualitativas y carecen de un modelo de riesgo explícito que permita validar si una intervención realmente reduciría la probabilidad de fallo.

2. Metodología: Un Enfoque Neurosimbólico y "Embodied"

Los autores proponen reformular el QA (Question Answering) de mantenimiento no como un problema de generación de texto, sino como un problema de decisión corporizada (Embodied AI). El sistema, IndustryAssetEQA, integra el aprendizaje neuronal con el razonamiento simbólico mediante la siguiente arquitectura:

• FMEA-KG (Knowledge Graph): Un grafo de conocimiento basado en el Análisis de Modos de Fallo y Efectos (FMEA) de la norma ISO. Contiene relaciones semánticas entre activos, componentes, modos de fallo, sensores y acciones de mantenimiento.
• Fact Extractor & Episodic Store: Un módulo que convierte telemetría multivariante (series temporales) en "hechos episódicos" estructurados (promedios, tendencias, desviaciones) y los almacena en una base de datos SQLite para permitir consultas numéricas precisas.
• Causal Simulator (Risk Modeling): Un modelo de regresión logística multinomial que estima la probabilidad de fallo. Permite realizar simulaciones paramétricas de intervenciones (ej. "¿qué pasa si reseteamos las horas de mantenimiento?") para calcular el cambio de riesgo ($\Delta r$).
• EQA Builder & Prompt Builder: Generan preguntas y prompts estructurados que obligan al LLM a responder en formato JSON, limitando su respuesta estrictamente a la evidencia proporcionada y exigiendo la citación de la procedencia (provenance).
• Verifier & Safety Gate: Un módulo determinista que valida si las respuestas del LLM coinciden con los datos reales del Episodic Store y el FMEA-KG, actuando como un filtro de seguridad antes de que la información llegue al operador.

3. Contribuciones Clave

1. Framework de QA Corporizado: Un sistema diseñado para la inteligencia operativa que sigue el ciclo de percepción $\rightarrow$ razonamiento $\rightarrow$ predicción $\rightarrow$ decisión.
2. Construcción de FMEA-KG: Un grafo de conocimiento especializado que proporciona el anclaje semántico necesario para la industria.
3. Estimador de Riesgo Paramétrico: Un método para transformar preguntas contrafactuales en estimaciones numéricas de riesgo testeables.
4. Protocolos de Evaluación de Fiabilidad: Nuevas métricas que miden la validez estructural, la precisión de la procedencia y la consistencia contrafactual, más allá de la simple fluidez del lenguaje.

4. Resultados Experimentales

El sistema se evaluó en cuatro conjuntos de datos industriales (maquinaria rotativa, motores turbofán, sistemas hidráulicos y sistemas ciberfísicos) utilizando GPT-4o-mini y Claude Sonnet 4. Los resultados muestran que IndustryAssetEQA supera significativamente a los modelos de solo LLM:

• Validez Estructural y Procedencia: Mejora drásticamente la capacidad de citar evidencia correcta y seguir el formato JSON requerido.
• Precisión Contrafactual: Mientras que los LLM base operan cerca del azar ($\approx 0.45$), el sistema completo alcanza una precisión de dirección de riesgo de hasta 0.91.
• Reducción de "Overclaims" (Afirmaciones excesivas): Los errores de expertos que calificaron afirmaciones sin fundamento cayeron del 28% al 2% (una reducción del 93%).
• Fidelidad de la Explicación: El uso del KG y la evidencia episódica aumentó la capacidad de las explicaciones para ser respaldadas por los datos reales (Entailment Pass).

5. Significado e Impacto

La investigación demuestra que para que la IA sea útil en entornos industriales de alta criticidad, no basta con modelos de lenguaje potentes; se requiere una arquitectura de soporte que garantice la veracidad.

IndustryAssetEQA transforma al LLM de un "generador de texto plausible" a un "asistente de decisiones auditable". Al integrar modelos de riesgo y grafos de conocimiento, el sistema permite que los operadores confíen en las recomendaciones de mantenimiento, ya que cada sugerencia viene acompañada de una justificación basada en sensores reales y una estimación cuantitativa del impacto de la acción propuesta.