Sintesi Tecnica: Approccio Guidato da GenAI per l'Esplorazione della Catena di Approvvigionamento RISC-V

1. Enunciato del Problema

La rapida adozione di RISC-V nel settore automotive introduce una complessità significativa nella gestione della catena di approvvigionamento. A differenza degli ecosistemi proprietari integrati verticalmente, il panorama RISC-V è una rete decentralizzata di stakeholder, inclusi progettisti di core IP, fornitori di strumenti EDA, fonderie e integratori di sistemi. Questa frammentazione comporta che i dati critici della catena di approvvigionamento siano dispersi tra fonti eterogenee, non strutturate e semi-strutturate, quali documenti tecnici bianchi, specifiche di standard e artefatti visivi (diagrammi, schemi a blocchi e documenti scansionati).

I metodi analitici tradizionali, che si basano su database strutturati e curatela manuale, sono insufficienti per catturare la scala e la ricchezza di queste informazioni multi-modali. Inoltre, il dominio automotive impone requisiti normativi stringenti (ad es. ISO 26262) per la tracciabilità e la validazione, rendendo necessari meccanismi robusti per mappare le interdipendenze e monitorare i rischi. La sfida centrale affrontata da questo documento è la mancanza di strumenti automatizzati capaci di sintetizzare dati testuali e visivi per generare modelli formali, interpretabili dalle macchine, delle dipendenze della catena di approvvigionamento RISC-V.

2. Metodologia

Il documento propone un flusso di lavoro guidato da GenAI che integra Modelli Linguistici di Grande Dimensione (LLM), Modelli Vision-Language (VLM) e Ingegneria Guidata dai Modelli (MDE) per trasformare dati grezzi in conoscenza strutturata e modelli di processo formali. Il flusso di lavoro opera attraverso le seguenti fasi:

2.1 Ingestione ed Estrazione di Dati Multi-Modali

Il sistema ingesta input eterogenei, inclusi documenti tecnici, rapporti dei fornitori e artefatti visivi.

• Elaborazione Testuale: Gli LLM sono impiegati per estrarre entità (stakeholder, componenti, blocchi IP) e relazioni da testi non strutturati.
• Elaborazione Visiva: I VLM interpretano diagrammi, flussi di lavoro e tabelle per estrarre informazioni strutturali che i modelli basati solo sul testo potrebbero trascurare.
• Strategia di Prompting: L'estrazione è guidata da prompt specifici. Ad esempio, per generare grafi della conoscenza, il sistema utilizza prompt che istruiscono il modello a produrre definizioni di nodi e relazioni compatibili con Neo4j, senza commenti estranei. Analogamente, per l'estrazione dei processi, i prompt guidano la generazione di diagrammi di attività PlantUML con più corsie che rappresentano le interazioni degli attori.

2.2 Costruzione del Grafo della Conoscenza

Le entità e le relazioni estratte sono organizzate in un Grafo della Conoscenza (KG) utilizzando Neo4j.

• Schema: Il grafo cattura partecipanti (ad es. aziende di semiconduttori), prodotti (processori, core IP) e interdipendenze (licenze, relazioni di fornitura).
• Interrogazione: Gli analisti possono utilizzare il linguaggio di interrogazione Cypher per esplorare dipendenze multi-hop e identificare colli di bottiglia. Il framework include un livello di ragionamento in cui gli LLM assistono nella formulazione di query Cypher basate su linee guida in linguaggio naturale fornite da analisti umani.

2.3 Estrazione del Processo e Modellazione Formale

Per affrontare l'analisi del flusso di lavoro, il sistema genera modelli di processo formali utilizzando diagrammi di attività PlantUML.

• Rappresentazione Intermedia: La semantica del processo estratta viene convertita in testo PlantUML, che viene poi trasformato in un formato JSON per l'elaborazione automatica.
• Validazione Basata su Regole: Viene introdotto un framework basato su regole per validare l'ordinamento e il coordinamento delle attività. I vincoli sono definiti utilizzando operatori quali before, after, after-true e after-false per modellare percorsi di esecuzione condizionali (ad es. controlli di validazione). Le regole annotate con ruoli (ad es. Role: Action) sono utilizzate per assegnare responsabilità ad attori specifici (progettisti, fornitori, fonderie).
• Umano nel Ciclo: Il flusso di lavoro incorpora un analista umano che può affinare i modelli estratti, regolare le regole e validare le ipotesi, garantendo che l'esperienza di dominio sia integrata con l'intelligenza automatizzata.

2.4 Implementazione

Il flusso di lavoro è implementato utilizzando lo strumento di orchestrazione open-source n8n, che collega la gestione degli input, il prompting dei modelli GenAI e l'analisi MDE.

• Modelli: Il sistema utilizza modelli distribuiti localmente per garantire la privacy dei dati, aspetto particolarmente rilevante per i settori automotive sensibili. La valutazione utilizza openai/gpt-oss-120b per il testo e Qwen/Qwen3.5-122B-A10B per le attività visive, eseguiti su un cluster con tre GPU H200 NVL.
• Interazione: Gli utenti possono interagire tramite un'interfaccia di chat interattiva o attraverso webhook che accettano caricamenti di file (diagrammi, documenti) per attivare l'esecuzione del flusso di lavoro.

3. Contributi Chiave

• Integrazione Multi-Modale: Il documento presenta un framework unificato che combina LLM per la comprensione semantica testuale e VLM per l'estrazione strutturale visiva, affrontando la limitazione degli strumenti di analisi della catena di approvvigionamento centrati sul testo.
• Modellazione Formale tramite MDE: Integrando l'Ingegneria Guidata dai Modelli, l'approccio trasforma dati non strutturati in rappresentazioni formali (Grafi della Conoscenza e diagrammi PlantUML) che supportano l'analisi basata su vincoli e il rilevamento dei rischi.
• Validazione del Processo Basata su Regole: L'introduzione di un livello basato su regole per validare l'ordinamento delle attività e l'assegnazione dei ruoli consente il rilevamento sistematico di comportamenti della catena di approvvigionamento insicuri o incoerenti in fase di progettazione.
• Strategia di Distribuzione Locale: La dimostrazione di una pipeline distribuibile localmente utilizzando strumenti open-source e modelli ospitati localmente offre un'alternativa che preserva la privacy ai servizi GenAI basati su cloud, aspetto critico per l'industria automotive.

4. Risultati Sperimentali

L'approccio è stato valutato utilizzando una descrizione rappresentativa della catena di approvvigionamento RISC-V e i relativi diagrammi. I dati di verità fondamentale sono stati stabiliti con l'assistenza di GPT-5.3.

• Estrazione del Grafo della Conoscenza:

  • Prestazioni LLM: Ha raggiunto un'accuratezza dell'88% nell'estrazione di concetti (22/25), dell'83% nelle relazioni (19/23) e del 75% negli attributi (6/8).
  • Prestazioni VLM: Ha raggiunto il 72% nei concetti, il 65% nelle relazioni e il 63% negli attributi.
  • Generazione di Query: Il sistema ha generato query Cypher con un'accuratezza end-to-end del 75% (15/20 query completamente corrette).

• Analisi del Processo:

  • Prestazioni LLM: Ha identificato il 91% delle attività (10/11), il 100% dei partecipanti, l'82% delle relazioni e il 78% degli artefatti. Ha generato con successo l'80% delle regole di validazione.
  • Prestazioni VLM: Ha identificato il 73% delle attività, il 75% dei partecipanti e il 64% delle relazioni. I VLM non sono stati utilizzati per la generazione di regole a causa di limitazioni nel ragionamento astratto.

• Metriche di Prestazione: Il tempo di risposta medio è stato di circa 11,5 secondi per gli LLM e 14 secondi per i VLM.

I risultati indicano che, mentre gli LLM eccellono nel ragionamento semantico e nella generazione di regole, i VLM forniscono un valore complementare nell'estrazione di elementi strutturali dagli input visivi. La combinazione di entrambe le modalità produce un'analisi più completa rispetto all'uso di una singola modalità.

5. Significato e Affermazioni

Il documento afferma che questo approccio guidato da GenAI affronta efficacemente le sfide dell'analisi delle catene di approvvigionamento RISC-V decentralizzate ed eterogenee. Sintetizzando dati multi-modali in modelli formali, il framework migliora la trasparenza, supporta il processo decisionale e aumenta la resilienza nelle complesse catene di approvvigionamento dei semiconduttori.

Gli autori sottolineano che l'uso di modelli distribuibili localmente, combinato con validazione iterativa e rappresentazioni intermedie, avvicina le prestazioni ai modelli commerciali all'avanguardia mantenendo la sovranità dei dati. Questo è presentato come un vantaggio significativo per domini sensibili come l'automotive, dove la privacy dei dati e la conformità normativa sono fondamentali. Il lavoro conclude che questa metodologia fornisce una base scalabile per monitorare lo sviluppo della catena di approvvigionamento, identificare attori emergenti e valutare i rischi sistemici nell'ecosistema RISC-V.