Eine neue Studie des Massachusetts Institute of Technology (MIT) zeigt, wie große Sprachmodelle (LLMs) effizient Anomalien in kritischen Infrastruktursystemen erkennen können und somit eine Plug-and-Play-Lösung bieten. LLMs werden zunehmend als wichtige Werkzeuge zur Sicherung kritischer Infrastrukturen wie erneuerbarer Energie, Gesundheitswesen und Verkehr angesehen.
Die Forschung stellt ein Zero-Shot LLM-Modell vor, das Anomalien in komplexen Daten erkennt. Durch den Einsatz KI-gesteuerter Diagnostik zur Überwachung und Identifizierung potenzieller Probleme in Geräten wie Windturbinen, MRT-Geräten und Eisenbahnen könnte dieser Ansatz die Betriebskosten senken, die Zuverlässigkeit verbessern, die Ausfallzeiten verringern und nachhaltige Industriebetriebe unterstützen.
Das Team entwickelte SigLLM, einen Rahmen, der Zeitreihendaten in Text für die Analyse umwandelt. GPT-3.5 Turbo und Mistral LLMs werden dann verwendet, um Musterunregelmäßigkeiten zu erkennen und Anomalien zu markieren, die auf mögliche Betriebsprobleme hinweisen könnten.
Die Studie ergab, dass LLMs Anomalien erkennen können und im Gegensatz zu traditionellen Methoden die inhärente Fähigkeit von LLMs zur Mustererkennung ohne aufwändiges Training nutzt. Spezialisierte Deep-Learning-Modelle übertrafen jedoch SigLLM um etwa 30%.
Eine zentrale Herausforderung besteht darin, herauszufinden, wie robust die Methode sein kann, während sie die Vorteile bietet, die LLMs bieten. Das Team plant auch zu untersuchen, wie LLMs Anomalien effektiv vorhersagen können, ohne dass sie feinabgestimmt werden müssen, was das Testen des LLMs mit verschiedenen Aufforderungen beinhaltet. Die verwendeten Datensätze der Studie sind öffentlich auf GitHub verfügbar.