IndustryAssetEQA: Un Sistema di Intelligenza Operativa Neurosimbolica per il Rispondere a Domande Embodied nella Manutenzione di Asset Industriali
IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance
April 25, 2026
Autori: Chathurangi Shyalika, Dhaval Patel, Amit Sheth
cs.AI
Abstract
Gli ambienti di manutenzione industriale si affidano sempre più a sistemi di intelligenza artificiale per assistere gli operatori nella comprensione del comportamento dei beni, nella diagnosi dei guasti e nella valutazione degli interventi. Sebbene i grandi modelli linguistici (LLM) consentano un'interazione fluida in linguaggio naturale, gli assistenti alla manutenzione implementati producono sistematicamente spiegazioni generiche scarsamente ancorate alla telemetria, omettono la tracciabilità verificabile e non forniscono supporto verificabile per ragionamenti controfattuali o orientati all'azione, minando la fiducia in contesti critici per la sicurezza. Presentiamo IndustryAssetEQA, un sistema di intelligenza operativa neurosimbolica che combina rappresentazioni telemetriche episodiche con una Knowledge Graph per l'Analisi dei Modi di Guasto e dei loro Effetti (FMEA-KG) per abilitare l'Embodied Question Answering (EQA) sui beni industriali. Valutiamo il sistema su quattro dataset che coprono quattro tipologie di beni industriali, inclusi macchinari rotanti, motori turbofan, sistemi idraulici e sistemi di produzione ciberfisici. Rispetto ai baseline basati esclusivamente su LLM, IndustryAssetEQA migliora la validità strutturale fino a 0,51, l'accuratezza controfattuale fino a 0,47 e l'implicazione esplicativa di 0,64, riducendo al contempo le affermazioni eccessive gravi valutate da esperti dal 28% al 2% (riduzione approssimativa del 93%). Codice, dataset e FMEA-KG sono disponibili all'indirizzo https://github.com/IBM/AssetOpsBench/tree/IndustryAssetEQA/IndustryAssetEQA.
English
Industrial maintenance environments increasingly rely on AI systems to assist operators in understanding asset behavior, diagnosing failures, and evaluating interventions. Although large language models (LLMs) enable fluent natural-language interaction, deployed maintenance assistants routinely produce generic explanations that are weakly grounded in telemetry, omit verifiable provenance, and offer no testable support for counterfactual or action-oriented reasoning that undermine trust in safety-critical settings. We present IndustryAssetEQA, a neurosymbolic operational intelligence system that combines episodic telemetry representations with a Failure Mode Effects Analysis Knowledge Graph (FMEA-KG) to enable Embodied Question Answering (EQA) over industrial assets. We evaluate on four datasets covering four industrial asset types, including rotating machinery, turbofan engines, hydraulic systems, and cyber-physical production systems. Compared to LLM-only baselines, IndustryAssetEQA improves structural validity by up to 0.51, counterfactual accuracy by up to 0.47, and explanation entailment by 0.64, while reducing severe expert-rated overclaims from 28% to 2% (approximately 93% reduction). Code, datasets, and the FMEA-KG are available at https://github.com/IBM/AssetOpsBench/tree/IndustryAssetEQA/IndustryAssetEQA.