Automatización de la metodología FMECA a través de LLM con análisis de discusiones

Abstract

En esta investigación se evaluó el desempeño de un sistema que integra reconocimiento automático de voz y modelos de lenguaje de gran escala para convertir conversaciones técnicas en FMECA. El modelo se puso a prueba mediante casos controlados aplicados al sistema mecánico de un activo industrial. Para revisar la calidad de la información entregada por los modelos propuestos, los resultados obtenidos se compararon con información real de referencia. Los resultados fueron favorables y mostraron una tasa de error en las palabras procesadas por el ASR inferior al 10 %, junto con una recuperación del contenido estructurado del 93 %. Aun así, se detectaron diferencias que requieren atención, principalmente aquellas relacionadas con la organización jerárquica de la información y con la vinculación entre el equipo, el elemento mantenible, su modo de falla y la correspondiente clasificación de criticidad. Estas variaciones muestran que la herramienta puede contribuir de manera importante al análisis, pero todavía requiere la revisión de un especialista antes de considerar los resultados como definitivos. Otro aspecto relevante de la investigación fue la reducción significativa del esfuerzo necesario para elaborar un FMECA. De acuerdo con lo observado, la metodología propuesta permite disminuir cerca del 40 % de la carga total de trabajo, especialmente en las tareas de registro y documentación de la información, las cuales suelen consumir una parte considerable del tiempo. En términos generales, los resultados muestran que la combinación de ASR y LLM puede ser una herramienta de apoyo útil en los procesos de gestión de activos. Su principal aporte se encuentra en la agilización del trabajo, la mejora de la trazabilidad de la información y una mayor uniformidad en los procesos de documentación. Sin embargo, su función no es sustituir la experiencia de los especialistas, sino complementar su trabajo y facilitar el análisis técnico.