يعتمد فنيو خدمة الميدان عادةً على خبرتهم ووصف الأعطال لتحديد واختيار قطع الغيار المناسبة لإصلاح الجهاز. ومع ذلك، غالبًا ما تؤدي القطع المفقودة إلى زيارات خدمة متعددة، مما يزيد من التكاليف التشغيلية ويقلل من رضا العملاء. لمعالجة هذه المشكلة، نقترح DL-SPP.sbert، نظام توقع قطع الغيار القائم على التعلم العميق الذي يستخدم معالجة اللغة الطبيعية والبيانات المنظمة للتنبؤ بدقة بقطع الغيار اللازمة للإصلاحات. يقوم DL-SPP.sbert بمعالجة بيانات الإصلاح التاريخية وبيانات وصف الجهاز وأوصاف الأعطال من خلال الاستفادة من تمثيلات الجمل SBERT لالتقاط المعنى الدلالي للمدخلات النصية. على عكس الطرق المعتمدة على الاسترجاع، يتعلم نظامنا مباشرةً العلاقات بين ميزات الإدخال واستخدام قطع الغيار من خلال نموذج تصنيف متعدد التصنيفات. تم تقييم DL-SPP.sbert على حالتين دراسيتين من الواقع، حيث حقق خفضًا يصل إلى 64٪ في التدخلات المتعددة الزيارات، متفوقًا على أداء الطرق الرائدة. تبرز دراسة شرح مفصلة الدور الأساسي لوصف الأعطال وبيانات الجهاز في دقة التنبؤ، مما يؤكد DL-SPP.sbert كأداة فعالة لتحسين توفير قطع الغيار. وأخيرًا، تشير النتائج التجريبية إلى أن تحديث النموذج بالبيانات الجديدة المجمعة ضروري للحفاظ على الأداء التنبؤي مع مرور الوقت في البيئات الصناعية الواقعية المتطورة باستمرار. • نهج جديد يعتمد على معالجة اللغة الطبيعية والتعلم العميق لتنبؤ قطع الغيار في إصلاح الأجهزة. • يستخدم البيانات المنظمة ووصف الأعطال النصي لتعزيز دقة التنبؤ. • يتفوق على الطرق الحديثة في حالتين دراسيتين صناعيتين من الواقع. • يقلل زيارات فني الخدمة الميدانية غير الضرورية بنسبة تصل إلى 64٪، محسنًا كفاءة الخدمة. • جودة أوصاف الأعطال النصية مفتاح الأداء التنبؤي.
درس Schiavo وآخرون (Sun,) هذا السؤال.