AssetOpsBench: Avaliação de Agentes de IA para Automação de Tarefas em Operações e Manutenção de Ativos Industriais

AssetOpsBench: Benchmarking AI Agents for Task Automation in Industrial Asset Operations and Maintenance

June 4, 2025

Autores: Dhaval Patel, Shuxin Lin, James Rayfield, Nianjun Zhou, Roman Vaculin, Natalia Martinez, Fearghal O'donncha, Jayant Kalagnanam

cs.AI

Resumo

A IA para Gerenciamento do Ciclo de Vida de Ativos Industriais visa automatizar fluxos de trabalho operacionais complexos -- como monitoramento de condições, planejamento de manutenção e agendamento de intervenções -- para reduzir a carga de trabalho humana e minimizar o tempo de inatividade do sistema. As abordagens tradicionais de IA/ML têm tratado esses problemas principalmente de forma isolada, resolvendo tarefas específicas dentro do pipeline operacional mais amplo. Em contraste, o surgimento de agentes de IA e modelos de linguagem de grande escala (LLMs) introduz uma oportunidade de próxima geração: permitir a automação de ponta a ponta em todo o ciclo de vida do ativo. Este artigo vislumbra um futuro onde agentes de IA gerenciam autonomamente tarefas que anteriormente exigiam expertise distinta e coordenação manual. Para isso, introduzimos o AssetOpsBench -- uma estrutura e ambiente unificados projetados para orientar o desenvolvimento, orquestração e avaliação de agentes específicos de domínio, adaptados para aplicações da Indústria 4.0. Descrevemos os principais requisitos para tais sistemas holísticos e fornecemos insights práticos para a construção de agentes que integram percepção, raciocínio e controle para operações industriais do mundo real. O software está disponível em https://github.com/IBM/AssetOpsBench.

English

AI for Industrial Asset Lifecycle Management aims to automate complex operational workflows -- such as condition monitoring, maintenance planning, and intervention scheduling -- to reduce human workload and minimize system downtime. Traditional AI/ML approaches have primarily tackled these problems in isolation, solving narrow tasks within the broader operational pipeline. In contrast, the emergence of AI agents and large language models (LLMs) introduces a next-generation opportunity: enabling end-to-end automation across the entire asset lifecycle. This paper envisions a future where AI agents autonomously manage tasks that previously required distinct expertise and manual coordination. To this end, we introduce AssetOpsBench -- a unified framework and environment designed to guide the development, orchestration, and evaluation of domain-specific agents tailored for Industry 4.0 applications. We outline the key requirements for such holistic systems and provide actionable insights into building agents that integrate perception, reasoning, and control for real-world industrial operations. The software is available at https://github.com/IBM/AssetOpsBench.