Naukowcy opracowali metodę TSF (Task-Semantic Field Factorization), która łączy Large Language Models z prognozowaniem szeregów czasowych dla procesów przemysłowych. Podejście wykorzystuje informacje semantyczne z dokumentacji zmiennych i protokołów procesów, aby poprawić dokładność prognoz - średnio zmniejszając średni błąd bezwzględny (MAE) o 6,4 procenta, z maksymalnym spadkiem do 25,5 procenta.
Problemy, które rozwiązuje TSF, są konkretne: w przemyśle opartym na procesach (takie jak petrochemia czy farmaceutyka) dane etykietowane są limitowane, warunki operacyjne się zmieniają, a przebudowywanie modeli lub potoków zaangażowania dla każdego scenariusza generuje wysokie koszty. Standardowe modele szeregów czasowych traktują zmienne wejściowe jak anonimowe kolumny numeryczne, ignorując informacje semantyczne o ich fizycznym znaczeniu i rolach w procesie. Istniejące metody tekstowe rzadko udostępniają modelom relacje semantyczno-logiczne między zmiennymi wejściowymi a celem predykcji w ramach każdego okna czasowego.
TSF rozwiązuje to poprzez budowanie pola semantycznego offline z protokołów zadań i dokumentów zmiennych - LLM jest używany tylko na tym etapie przygotowania. Podczas treningu i wnioskowania system pozostaje z konwencjonalnymi backbonami szeregów czasowych, ale każde okno numeryczne aktywuje odpowiednie semantyki zmiennych. Takie podejście pozwala na naturalną adaptację do różnych celów predykcji i zmian reżimów operacyjnych bez drogiego przeszkolenia. Na wielu złożonych zadaniach prognozowania przemysłowego i soft-sensing'u wyniki pokazują konsekwentne poprawy dokładności.