Project R-16411

AssembLLeM: LLM gebaseerde elicitatie van expertkennis en semi-automatische generatie van (conversationele) digitale werkinstructies (DWI's). (Onderzoek)

In de industrie, en zeker bij High-Mix Low-Volume (HMLV) manuele assemblage, moet het opstellen en gebruiken van Digitale Werkinstructies (DWI) een evenwicht vinden tussen kost, nauwkeurigheid en flexibiliteit. Het aanmaken van DWI's is een arbeidsintensief proces dat vaak input vraagt van verschillende stakeholders, zoals productexperts, procesingenieurs en multimedia-specialisten. Tegelijk is er doorgaans veel documentatie en impliciete kennis beschikbaar, maar die moet nog manueel worden omgezet naar bruikbare DWI's. Dat leidt tot aanzienlijke arbeidskosten; verhoudingen waarbij één uur authoring nodig is voor drie minuten werkondersteuning zijn in de industrie niet uitzonderlijk. Daardoor worden bedrijven vaak gedwongen om DWI's slechts één keer op te stellen, in plaats van ze up-to-date te houden (bijvoorbeeld wanneer er productwijzigingen zijn). Om dezelfde reden worden er meestal slechts een beperkt aantal gespecialiseerde varianten per instructieset gemaakt (bijvoorbeeld een versie voor beginners versus ervaren operatoren). Op de werkvloer hebben operatoren nochtans instructies nodig die duidelijk en correct zijn, en die inspelen op hun voorkeuren en de onmiddellijke context—zoals verschillen in competentieniveau of productvarianten. De industriële nood is dus oplossingen te ontwikkelen die de overhead van DWI-authoring verlagen, terwijl ze tegelijk flexibelere, contextbewuste ondersteuning voor operatoren mogelijk maken. Hoewel onze validatie focust op assemblage-instructies (in lijn met de klantenbasis van het consortium), zijn de methoden en onderzoeksresultaten domeinonafhankelijk en bedoeld om te generaliseren naar andere instructie-gedreven taken (zoals installatie, onderhoud en service). AssembLLeM beschouwt Large Language Models (LLM's) als een actuele en bijzonder geschikte technologie om de hierboven beschreven DWI-uitdagingen aan te pakken. Op het niveau van authoring zal assembLLeM onderzoeken hoe LLM's kennisbases kunnen consolideren door relevante, verspreide informatiebronnen met elkaar te correleren, zoals legacy-documenten (bv. product- en productie-informatie), datasheets en veiligheidsvoorschriften. Daarbij gaat specifieke aandacht naar het ontsluiten van impliciete kennis bij domeinexperts, in het bijzonder via automatische verwerking van video-opnames van expertdemonstraties. Deze geconsolideerde kennisbases worden vervolgens benut om DWI-authoring te versnellen: LLM-technologie kan snel nieuwe DWI's opstellen en bestaande DWI's aanpassen (bijvoorbeeld om te personaliseren naar heterogene werkvloer-contexten). In die workflow worden bedrijfsspecifieke vereisten automatisch meegenomen (zoals huisstijlrichtlijnen voor DWI's, veiligheidsregels, enz.). Via principes uit eXplainable AI (XAI) en human-in-the-loop (HITL) behoudt de menselijke engineer steeds volledige controle over het LLM-gestuurde authoringproces van assembLLeM. Aan de consumptiekant zet assembLLeM LLM-technologie in om een nieuwe, conversationele DWI-aanpak te realiseren die zowel flexibel als tweerichtingsverkeer is. Via natuurlijke interactie kan de operator vragen stellen en antwoorden krijgen, terwijl hij/zij tegelijk adaptieve begeleiding ontvangt. Dat creëert bovendien kansen voor upskilling, doordat operatoren tijdens de taakuitvoering ook conceptuele kennis kunnen opbouwen.

01 juni 2026 - 31 mei 2028