Использование LLM для автоматизации промышленных процессов: тематическое исследование по модификации программ RAPID

С помощью few-shot промптинга можно превратить общую LLM в инструмент для автоматической модификации кода на узкоспециализированных языках программирования (например, RAPID для промышленных роботов), даже если модель никогда не обучалась на этом языке.

Для инженеров в производственных компаниях, которые тратят часы на рутинную адаптацию кода роботов при переносе производственных линий между проектами — переименование переменных, добавление смещений позиций, реверс движений. Особенно актуально для малых и средних предприятий, которые не могут позволить себе обучение собственных моделей или покупку специализированных решений от гигантов вроде ABB.

Метод превращает LLM из “генератора кода с нуля” в “точный редактор существующего кода”. Ключевая идея: вместо того чтобы просить модель написать программу, мы даём ей конкретный код и показываем на примерах, КАК именно его нужно изменить.

LLM плохо справляются с генерацией на незнакомых языках, но хорошо распознают паттерны. Исследователи используют эту сильную сторону: через few-shot примеры модель видит структуру языка RAPID (похожего на Pascal) и учится применять трансформации — переименование, вставку инструкций, реверс логики.

Это работает потому, что:

1. Задача упрощается: не “напиши программу для робота”, а “замени velocity1 на velocity2 в этих 5 строках”
2. Контекст ограничен: строгие правила форматирования + валидатор отсекают неправильные варианты
3. Паттерны узнаваемы: синтаксис RAPID похож на языки, которые LLM знает (Pascal, Ada)

Метафора: это как научить переводчика редактировать технический документ на незнакомом языке, показав ему 2-3 примера правок — он уловит паттерн и применит к остальным страницам.

1. Few-Shot Learning (обучение на примерах): Промпт содержит 2-11 пар “было → стало” для каждого типа модификации. Пример: PROC mv400_500() ... MoveJ id1,p400,v_slow,... → PROC mv400_500() ... MoveJ id1,p400,v_fast,...

2. Строгие правила форматирования: Явное описание синтаксиса RAPID с примерами для каждого правила. Пример: Movement_TYPE TARGET_POSITION, VELOCITY, ZONE, TOOL\\WObj:= WORK_OBJECT;

3. Валидация на основе правил: Кастомный валидатор проверяет 20+ типов ошибок (неправильные аргументы, лишние инструкции, нарушение логики). Пример проверки: “Первая инструкция должна иметь параметр NoMove”

4. Множественная генерация (10 попыток): Для каждой задачи генерируется 10 вариантов, валидатор выбирает корректный. Эффект: точность 91% при одной попытке → 99% при десяти попытках для простых задач

5. Английские промпты для кода: Даже если код содержит немецкие комментарии, промпты на английском работают лучше (83.72% vs 77.27% для сложных задач).

⚠️ Полный промпт недоступен — исследователи не могут поделиться из-за конфиденциальности данных компании AKE Technologies. Но структура описана детально (см. раздел “Промпты").

Что нужно для применения:

• Доступ к LLM через API (Llama 3.1 70B или аналог)
• Собственные примеры кода на вашем языке (2-11 пар “до/после")
• Валидатор для проверки результатов (можно начать с простых regex-правил)

Исследователи из Университета Пассау (Германия) совместно с производственной компанией AKE Technologies проверили, может ли обычная LLM (Llama 3.1 70B) модифицировать код на языке RAPID — узкоспециализированном языке для программирования промышленных роботов ABB.

RAPID практически отсутствует в открытых данных (его нет даже в The Stack v2 — крупнейшем датасете кода из 32 языков), поэтому модель точно не обучалась на нём специально. Задача: понять, можно ли через промпт-инжиниринг заставить LLM корректно редактировать такой код.

Они протестировали три задачи возрастающей сложности на 1720 реальных примерах из 75 проектов компании:

1. Изменение аргументов (например, заменить скорость во всех инструкциях) — точность 99.36%
2. Добавление инструкции смещения (вставить новую строку с offset в нужное место) — точность 91.97%
3. Реверс движения робота (переписать логику в обратном порядке с учётом специальных случаев) — точность 83.72%

Почему это важно: Малые и средние производственные компании не могут обучать собственные модели (нужны GPU, данные, ML-эксперты). Исследование показывает, что даже с готовой моделью через API и грамотными промптами можно автоматизировать рутинные задачи в нишевых доменах. Это снижает барьер входа для AI-автоматизации в промышленности.

Суть метода — превратить абстрактную задачу генерации кода в конкретную задачу распознавания паттернов.

LLM плохо справляются с генерацией синтаксически корректного кода на языках, которых не было в обучающих данных — модель просто не знает правил. Но у LLM есть сильная сторона: способность улавливать паттерны из примеров и применять их к новым данным (few-shot learning).

Метод обходит слабость через три механизма:

1. Ограничение задачи: Вместо “напиши программу для робота” (требует знания RAPID) → “замени X на Y в этих строках” (требует только распознавания структуры). Модель видит паттерн MoveJ id,position,velocity,... и понимает, что нужно менять третий аргумент.

2. Структурное сходство: RAPID похож на Pascal/Ada — языки, которые LLM знает. Модель переносит знания о похожих синтаксических конструкциях (процедуры, параметры, комментарии).

3. Валидация + множественные попытки: Даже если модель ошибается в 1 из 10 случаев, валидатор отсекает неправильные варианты. Генерируя 10 вариантов, мы получаем хотя бы один корректный в 99% случаев для простых задач.

Аналогия: Представьте, что вы не знаете китайский, но вам показали 3 примера, как в китайском тексте заменить иероглиф “быстро” на “медленно”. Вы не понимаете смысл, но видите паттерн позиции иероглифа и можете повторить замену на новых текстах. LLM делает то же самое с кодом.

⚠️ Готового промпта нет — исследователи не могут опубликовать полные промпты из-за конфиденциальности данных компании AKE Technologies.

Что нужно для создания своего промпта:

1. Соберите 5-15 примеров реальных модификаций кода из вашей практики
2. Извлеките правила форматирования вашего языка/стандарта (как в БЛОКЕ 3 выше)
3. Определите типичные ошибки и добавьте запреты (как в БЛОКЕ 4)
4. Структурируйте примеры в формате INPUT → TASK → OUTPUT
5. Тестируйте на английском, даже если код на другом языке

Пример минимального промпта для задачи “изменить скорость":

You are an expert in {ваш язык программирования}.
Give only the OUTPUT, no explanations.

Instruction format: {шаблон вашей инструкции с примером}

Rules:
- Change only the specified argument
- Do not modify comments
- Keep all other parameters unchanged

EXAMPLE 1:
INPUT:
{ваш код до изменения}

TASK: Change velocity to v_fast

OUTPUT:
{ваш код после изменения}

EXAMPLE 2:
{второй пример}

Now apply to:
INPUT:
{новый код для модификации}

TASK: {ваша задача}

OUTPUT:

Объяснение почему этот промпт работает

Промпт работает за счёт трёх находок исследователей:

1. Few-Shot Learning вместо Zero-Shot: Без примеров модель галлюцинирует синтаксис RAPID (точность ~30-40%). С 2-11 примерами точность подскакивает до 83-99% в зависимости от сложности. Модель улавливает паттерн трансформации из примеров.

2. Явные запреты типичных ошибок: Фраза “Do not add any additional instructions” критична — без неё модель в 43% случаев добавляет лишние строки при задаче “добавить offset”. Исследователи выявили это через валидатор и добавили в промпт.

3. Английский язык для технических инструкций: Даже при коде с немецкими комментариями английский промпт даёт +6.45% точности на сложных задачах (83.72% vs 77.27%). Llama 3.1 лучше обучена на английском техническом языке.

- You are an expert in robot programming.
- Give only the OUTPUT, no further explanations.
- This is how to formulate a movement instruction:
  Movement_TYPE TARGET_POSITION, VELOCITY, ZONE, TOOL\\WObj:= WORK_OBJECT;

  EXAMPLE: MoveJ pR7_400,vR7_rapid,z50,toR7_active\\WObj:= woR7_Base;

- Do not add any additional instructions.
- If the movement type is Machine_Tending, you must add Machine_Tending_ID as follows:
  Movement_TYPE ID,TARGET_POSITION, VELOCITY, ZONE, TOOL\\WObj:= WORK_OBJECT;

  EXAMPLE: MT_MoveJ 400, pR7_400,vR7_rapid,z50,toR7_active\\WObj:= woR7_Base;

- The first movement instruction in a movement routine always has rapid velocity, 
  active tool, and base WObj.

[EXAMPLES — 2 пары INPUT/OUTPUT]

Результат: 99.36% точность на 1720 примерах при 10 попытках генерации.

Описание механик:

• Роль эксперта — снижает вероятность “творческих” отклонений
• Шаблон синтаксиса — компенсирует отсутствие RAPID в обучающих данных
• Явный запрет на добавление — предотвращает типичную ошибку LLM “улучшить” код
• Правило для первой инструкции — кодирует стандарт компании AKE
• Few-shot примеры — показывают точный паттерн замены аргумента

На чём тестировалось:

• Язык RAPID для роботов ABB
• Только простые движения между двумя позициями (1720 примеров из 12196 доступных)
• Код со строгими стандартами форматирования компании AKE Technologies
• Llama 3.1 70B (квантизованная версия q4_0)

Не тестировалось:

• Другие языки промышленной автоматизации (ladder logic, Structured Text)
• Сложные движения через 3+ позиции
• Генерация кода с нуля (только модификация существующего)
• Другие LLM (GPT-4, Claude и т.д.)

Когда метод может не работать:

• Если в вашем языке нет структурного сходства с популярными языками (Pascal, C, Python)
• Если нет строгих правил форматирования (валидатор не сможет отсечь ошибки)
• Для задач, требующих понимания бизнес-логики (модель работает на уровне синтаксиса)
• Если нужна 100% надёжность без проверки человеком

Важные оговорки авторов:

• Результаты получены в контролируемых условиях одной компании
• Требуется валидатор — без него точность падает
• Сложные задачи (реверс логики) всё ещё требуют проверки разработчиком
• Неясно, даст ли это реальный прирост производительности (будет проверено в будущих исследованиях)

Средний барьер — нужна адаптация под свой домен:

• Доступ к LLM через API (Llama 3.1 70B или аналог) — стандарт
• Сбор 5-15 примеров кода из вашей практики — 2-4 часа работы
• Создание валидатора на regex/правилах — 1-2 дня разработки
• Итерационная настройка промптов — 3-5 итераций

Можно запустить локально (Llama 3.1 70B работает на одной A100), что критично для конфиденциальных данных.

ИТОГО: 66/100

Категория: Полезное

Главная ценность: Показывает путь для автоматизации рутинных задач в нишевых доменах без дорогого файнтюнинга — достаточно грамотных промптов и валидации.

Кому полезно:

• Инженерам в производственных компаниях с повторяющимися задачами модификации кода
• Малым и средним предприятиям без ML-экспертизы и бюджета на обучение моделей
• Компаниям с конфиденциальными данными (можно запустить локально)

Кому НЕ полезно:

• Тем, кто работает с языками, радикально отличающимися от популярных (нет переноса знаний)
• Проектам, где нужна генерация кода с нуля, а не модификация
• Задачам, требующим 100% надёжности без человеческой проверки
• Компаниям без строгих стандартов кодирования (валидатор не построить)

Название работы: “Utilizing LLMs for Industrial Process Automation: A Case Study on Modifying RAPID Programs”

Авторы:

• Salim Fares (University of Passau, Germany)
• Steffen Herbold (University of Passau, Germany)

Партнёр: AKE Technologies GmbH — компания по разработке производственных систем (сборка, тестирование, автомобильные интерьеры)

Важные отсылки:

• ABB RAPID Programming Language — проприетарный язык для роботов ABB
• The Stack v2 — крупнейший датасет кода (32 языка, RAPID отсутствует)
• Llama 3.1 70B — модель Meta, использованная в исследовании

Ссылки:

• AKE Technologies: https://ake-technologies.de/
• Проект финансируется Bavarian State Ministry of Science and Arts (проект PLC-GPT)