Computational Engineering, Finance, and Science,Human-Computer Interaction,Machine Learning,مهندسی محاسباتی , امور مالی و علوم , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات
Submitted 26 August, 2024; originally announced September 2024. , Comments: 12 pages, 10 figures, IEEE transaction on consumer electronics
توضیحات به فارسی
ارسال شده در 26 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 12 صفحه ، 10 شکل ، معامله IEEE در الکترونیک مصرفی
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
A Digital Twin (DT) replicates objects, processes, or systems for real-time monitoring, simulation, and predictive maintenance. Recent advancements like Large Language Models (LLMs) have revolutionized traditional AI systems and offer immense potential when combined with DT in industrial applications such as railway defect inspection. Traditionally, this inspection requires extensive defect samples to identify patterns, but limited samples can lead to overfitting and poor performance on unseen defects. Integrating pre-trained LLMs into DT addresses this challenge by reducing the need for vast sample data. We introduce DefectTwin, which employs a multimodal and multi-model (M^2) LLM-based AI pipeline to analyze both seen and unseen visual defects in railways. This application enables a railway agent to perform expert-level defect analysis using consumer electronics (e.g., tablets). A multimodal processor ensures responses are in a consumable format, while an instant user feedback mechanism (instaUF) enhances Quality-of-Experience (QoE). The proposed M^2 LLM outperforms existing models, achieving high precision (0.76-0.93) across multimodal inputs including text, images, and videos of pre-trained defects, and demonstrates superior zero-shot generalizability for unseen defects. We also evaluate the latency, token count, and usefulness of responses generated by DefectTwin on consumer devices. To our knowledge, DefectTwin is the first LLM-integrated DT designed for railway defect inspection.
چکیده به فارسی (ترجمه ماشینی)
یک دوقلو دیجیتال (DT) اشیاء ، فرآیندها یا سیستم هایی را برای نظارت ، شبیه سازی و نگهداری پیش بینی شده در زمان واقعی تکرار می کند.پیشرفت های اخیر مانند مدل های بزرگ زبان (LLMS) سیستم های سنتی هوش مصنوعی را متحول کرده و در صورت ترکیب با DT در کاربردهای صنعتی مانند بازرسی نقص راه آهن ، پتانسیل عظیمی را ارائه می دهد.به طور سنتی ، این بازرسی برای شناسایی الگوهای به نمونه های نقص گسترده ای نیاز دارد ، اما نمونه های محدود می توانند منجر به افزایش بیش از حد و عملکرد ضعیف در نقص های غیب شوند.ادغام LLM های از پیش آموزش در DT با کاهش نیاز به داده های نمونه گسترده ، این چالش را برطرف می کند.ما DefectTwin را معرفی می کنیم ، که از یک خط لوله AI مبتنی بر LLM (M^2) استفاده می کند تا هر دو نقص بصری دیده شده و غیب را در راه آهن تجزیه و تحلیل کنیم.این برنامه یک عامل راه آهن را قادر می سازد تجزیه و تحلیل نقص سطح متخصص را با استفاده از الکترونیک مصرفی (به عنوان مثال ، قرص) انجام دهد.یک پردازنده چند حالته تضمین می کند که پاسخ ها در یک قالب قابل مصرف قرار دارند ، در حالی که یک مکانیسم بازخورد کاربر فوری (Instauf) باعث افزایش کیفیت تجربه (QOE) می شود.M^2 LLM پیشنهادی از مدلهای موجود استفاده می کند ، و به دقت بالا (0.76-0.93) در ورودی های چند حالته از جمله متن ، تصاویر و فیلم های نقایص از قبل آموزش داده می شود و تعمیم پذیری صفر برتر را برای نقص های ناشایست نشان می دهد.ما همچنین تأخیر ، تعداد نشانه ها و سودمندی پاسخ های ایجاد شده توسط نقص در دستگاه های مصرف کننده را ارزیابی می کنیم.به دانش ما ، DefectTwin اولین DT یکپارچه LLM است که برای بازرسی نقص راه آهن طراحی شده است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
