제조 환경 LLM 에이전트가 도메인 어휘는 이해하지만 장비 식별자, 공정 파라미터 등 운영 의미론적 관계를 파악하지 못하는 '의미론적 학습 격차' 문제를 정의합니다. 다중 에이전트 환경에서 이 격차는 '의미론적 드리프트'라는 복합 실패 모드를 야기하며, 해결책으로 제조 온톨로지를 AI 도구 계층에 직접 내장하는 아키텍처를 제시합니다. 72회 도구 호출 실험에서 비제약 43% 환각률이 온톨로지 기반 방식으로 0%로 감소했습니다.
- •LLM 에이전트는 제조 도메인 어휘는 알지만 운영 의미론적 관계를 이해하지 못하는 '의미론적 학습 격차'가 존재합니다.
- •다중 에이전트 환경에서 이 격차는 '의미론적 드리프트'라는 복합 실패 모드를 야기합니다.
- •온톨로지를 도구 계층에 직접 내장하여 런타임에 의미론적 제약을 강제하는 아키텍처를 제안합니다.
- •72회 도구 호출 실험에서 비제약 43% 환각률이 온톨로지 기반 방식으로 0%로 감소했습니다.
The Semantic Training Gap: Ontology-Grounded Tool Architectures for Industrial AI Agent Systems
- 1.제조 AI에서 LLM의 언어적 유창성과 운영 의미론 간 구조적 단절인 '시맨틱 훈련 곭' 형식화
- 2.멀티 에이전트 구성에서 시맨틱 드리프트 복합 실패 모드 규명
- 3.AI 툴 레이어에 제조 온톨로지를 직접 내장하여 런타임 의미 제약 적용
- 4.제어 실험에서 비구속 파라미터 43% 환각률을 0%로 감소
왜 중요한가?
제조 환경의 AI 에이전트가 언어적으로는 정확하지만 운영상 잘못된 출력을 내는 근본 원인을 규명하고, 온톨로지 기반의 실용적 해결책을 제시한다.
🏷️ 언급 프로젝트
본문 미리보기
arXiv:2605.11234v1 Announce Type: new Abstract: Large language model (LLM)-based AI agents are increasingly deployed in manufacturing environments for analytics, quality management, and decision support. These agents demonstrate statistical fluency with domain terminology but lack grounded understanding of operational semantics -- the relational structure that connects equipment identifiers, process parameters, failure codes, and regulatory constraints within a specific production context. This
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
