Sintesi Tecnica: Approccio basato su LLM per la modellazione dell'interoperabilità degli strumenti nel dominio automotive

1. Definizione del problema

Nel dominio automotive, in particolare nell'era dei Veicoli Definiti dal Software (SDV), l'Ingegneria Guidata dai Modelli (MDE) si basa su un ecosistema eterogeneo di strumenti e linguaggi di modellazione. Standard come SysML (supportato da strumenti quali CATIA Magic e IBM Rhapsody) coesistono con ecosistemi basati su Ecore (ad esempio, l'Eclipse Modeling Framework). Questa eterogeneità crea un collo di bottiglia significativo per l'interoperabilità: gli artefatti ingegneristici devono essere scambiati tra strumenti basati su metamodelli differenti.

Le soluzioni tradizionali si affidano a regole di trasformazione sviluppate manualmente (ad esempio, ATL, QVT). Questi approcci sono laboriosi, richiedono una profonda competenza sia nei metamodelli sorgente che in quelli target, e faticano a scalare al variare dei metamodelli o quando devono supportare molteplici ambienti target. Inoltre, gli approcci basati su regole spesso non riescono a catturare le necessarie interpretazioni semantiche oltre le semplici mappature strutturali. Sebbene ricerche recenti abbiano esplorato i Large Language Models (LLM) per l'allineamento semantico e il recupero della conoscenza, rimane un vuoto nell'interoperabilità automatizzata end-to-end degli istanze di modelli attraverso metamodelli eterogenei che garantisca una rigorosa conformità strutturale alle specifiche target.

2. Metodologia

Gli autori propongono un framework guidato da LLM che automatizza due compiti fondamentali:

1. Trasformazione delle istanze di modello: Conversione di un'istanza di modello sorgente nel formato del metamodello target.
2. Fusione dei metamodelli: Unificazione di due distinti metamodelli in un unico metamodello conforme al target.

Architettura del workflow

Il sistema è implementato utilizzando n8n come motore di orchestrazione, integrando interazione conversazionale, gestione dei file, inferenza LLM e validazione automatizzata in un unico pipeline. Il workflow opera come segue:

• Input: L'utente fornisce un'istanza di modello sorgente (o metamodelli sorgente per la fusione) e una definizione di metamodello target tramite un'interfaccia di chat.
• Prompt Engineering: Il sistema costruisce dinamicamente i prompt per l'LLM.
  • System Prompts: Specializzano l'LLM come motore di trasformazione. Per SysML v2, i prompt includono istruzioni esplicite per gestire la sintassi specifica (ad esempio, part redefines, attribute redefines, dichiarazioni di package) per evitare ambiguità.
  • User Prompts: Incorporano il contenuto completo degli artefatti sorgente e target, istruendo l'LLM a mappare gli elementi semanticamente pur aderendo alla struttura target.
• Inferenza: L'LLM (distribuito localmente per garantire la privacy dei dati e il controllo) genera l'istanza del modello target o il metamodello fuso.
• Validazione: Un passaggio critico in cui l'artefatto generato viene automaticamente validato rispetto al metamodello target.
  • Per Ecore, un validatore basato su Python utilizzando il framework PyEcore controlla la correttezza XML, la conformità al metamodello, la gerarchia di contenimento, la risoluzione dei riferimenti, la molteplicità e i tipi di attributo.
  • Per SysML, il framework supporta l'integrazione con specifici controllori di conformità.
• Raffinamento Iterativo: Se la validazione fallisce, il workflow può alimentare i risultati della validazione nuovamente nell'LLM tramite un "update prompt" per rigenerare un modello corretto.

Dettagli di Implementazione

• Distribuzione Locale: Gli autori danno priorità a LLM distribuibili localmente (specificamente Google Gemma-4-31B-it e Qwen/Qwen3.5-122B-A10B) per affrontare le preoccupazioni relative alla sicurezza e al flusso di informazioni nei domini automotive critici.
• Hardware: Gli esperimenti sono stati condotti su tre GPU NVIDIA H200 NVL.

3. Contributi Chiave

• Automazione End-to-End: Un pipeline unificato che gestisce l'acquisizione dei file, la mappatura semantica, la generazione e la validazione formale senza richiedere la definizione manuale di regole di trasformazione.
• Capacità a Doppio Compito: Il framework affronta sia la migrazione delle istanze (interoperabilità tra strumenti) che l'integrazione dei metamodelli (fusione di definizioni eterogenee).
• Generazione Guidata dalla Validazione: A differenza di lavori precedenti che si concentrano solo sulla generazione, questo approccio integra la validazione strutturale come passaggio obbligatorio, consentendo il rilevamento delle incongruenze e supportando il raffinamento iterativo.
• Casi Studio Automotive: La metodologia è dimostrata attraverso quattro scenari: Ecore-to-Ecore, SysML v2-to-SysML v2, Ecore-to-SysML v2 e SysML v2-to-Ecore, utilizzando modelli di astrazione hardware realistici (sensori e attuatori).

4. Risultati Sperimentali

Il framework è stato valutato su modelli hardware automotive che coinvolgono telecamere, LiDAR, radar, freni e componenti di sterzo.

Prestazioni di Mappatura delle Istanze di Modello

• Corrispondenza Semantica: Sia Gemma che Qwen hanno raggiunto il 100% di accuratezza nella mappatura semantica in tutti e quattro gli scenari di trasformazione. Hanno inferito con successo le corrispondenze tra metamodelli eterogenei senza regole manuali.
• Correttezza Sintattica:
  • Target Ecore: Entrambi i modelli hanno raggiunto il 100% di correttezza sintattica (superando la validazione).
  • Target SysML v2: Le prestazioni sono variate. Gemma ha raggiunto l'80% (Ecore→SysML) e il 60% (SysML→SysML). Qwen ha ottenuto rispettivamente il 60% e il 40%.
  • Analisi: Il principale modulo di errore nella generazione di SysML non è stata la perdita semantica, ma l'aderenza rigorosa alla sintassi testuale (ad esempio, uso errato delle costrutti redefines o delle istruzioni di importazione).
• Tempo di Esecuzione: Gemma ha mediato 5,1 secondi per esecuzione, mentre Qola ha mediato 46,5 secondi, a causa della minore impronta computazionale di Gemma.

Prestazioni di Fusione dei Metamodelli

• Corrispondenza Semantica: Entrambi i modelli hanno raggiunto il 100% nella fusione di metamodelli complementari (sensori + attuatori) in un target unificato.
• Correttezza Sintattica: Similmente alla mappatura delle istanze, i target Ecore hanno registrato il 100% di successo, mentre i target SysML hanno visto il 60% (Gemma) e il 40% (Qwen).
• Tempo: Gemma ha mediato 15,2 secondi; Qwen ha mediato 58,3 secondi.

5. Significato e Rivendicazioni

Il documento sostiene che l'approccio proposto riduce significativamente lo sforzo di ingegneria manuale richiesto per l'interoperabilità dei modelli. Sfruttando gli LLM per inferire direttamente le corrispondenze semantiche dagli artefatti, si elimina la necessità di estese regole di trasformazione create manualmente.

Gli autori sottolineano che, sebbene gli attuali LLM eccellano nella comprensione semantica, la loro aderenza a una sintassi formale rigorosa (particolarmente in SysML v2) rimane un limite. Tuttavia, poiché i modelli generati preservano la completa semantica ingegneristica, gli errori sintattici possono spesso essere risolti attraverso il raffinamento iterativo o post-elaborazioni leggere.

Il significato di questo lavoro risiede nella dimostrazione che l'IA generativa può facilitare l'integrazione di ecosistemi di modellazione eterogenei nei futuri ambienti MDE automotive. L'architettura modulare consente il supporto di molteplici linguaggi di modellazione (attualmente Ecore e SysML) adattando i prompt e i validatori piuttosto che riprogettare la logica di trasformazione principale. Gli autori notano che il lavoro futuro affronterà i limiti della dimensione del contesto per i modelli grandi utilizzando il Model Context Protocol (MCP) e la Retrieval Augmented Generation (RAG).