Template-come-Ontologia: Dati Sintetici Configurabili per la Validazione dell'IA nella Produzione

Uno studio recente presenta il principio Template-come-Ontologia volto a creare dati sintetici di produzione per la validazione di agenti AI basati su LLM. Questo metodo utilizza un singolo modulo di configurazione Python, composto da 700-770 righe e 45 esportazioni validate, che funge sia da specifica per un simulatore di produzione a passi temporali che da schema di dominio runtime per l'analisi AI. Questo design garantisce l'allineamento strutturale attraverso la costruzione piuttosto che l'integrazione. L'articolo definisce il template di dominio come uno schema di configurazione relazionale tipizzato, dimostrando che il consumo da un'unica fonte garantisce l'allineamento tra i livelli di simulazione e strumento. Una pipeline a cinque livelli—simulazione, PostgreSQL, CDC/Iceberg lakehouse, schema a stella e 12 strumenti AI parametrizzati—produce dati causalmente coerenti e conformi a MES su 66 tipi di entità in quattro operazioni, affrontando il problema dei dati MES di produzione proprietari, soggetti a privacy e specifici del fornitore che complicano la validazione dell'IA nei contesti produttivi.