현대 제조 환경에서 고품질 데이터를 제공하기 위해 실시간으로 데이터를 수집하고 정제하는 능력은 경쟁우위와 운영 효율을 유지하는 데 점점 더 중요해지고 있다. 본 논문은 스마트 공장 환경에서 Retrieval-Augmented Generation-Large Language Model 기반 시스템의 연속적 지식 갱신을 위한 개념적 아키텍처 프레임워크를 제안한다. 제안된 프레임워크는 이론적 모형과 검증 방법론을 제공함으로써 향후의 실용적 구현을 위한 기반을 마련한다. 기존 Retrieval-Augmented Generation-Large Language Model 시스템은 정적인 지식 기반에 의존하여, 실시간으로 변화하는 제조 환경에서 새로운 정보를 효과적으로 반영하지 못한다. 제안된 프레임워크 설계는 핵심 구성요소로 데이터 스트림 처리 계층, 데이터 통합 계층, 연속 학습 계층을 사용하며, 특히 지식 통합 계층은 실시간 데이터의 효율적 처리와 연속 학습을 위한 메커니즘을 제공한다. 본 연구는 제안된 아키텍처의 성능과 확장성을 정량적으로 예측할 수 있는 수학적 모형 및 체계적 검증 방법론을 제시한다는 점에서 의의가 있으며, 이를 통해 스마트 공장 환경에서 Retrieval-Augmented Generation-Large Language Model 시스템을 구현하기 위한 실질적 설계 지침을 제공한다. 본 논문은 다음과 같이 구성된다. Materials and Methods에서는 아키텍처와 방법론에 대한 상세한 설명을 제공한다. Theoretical Analysis and Discussion에서는 성능 예측 모형, 검증 방법론 및 그에 대한 실용적 함의를 포함한 이론적 분석과 논의를 다룬다. 마지막으로 Conclusions에서는 연구 결과를 요약하고 향후 연구 방향을 제시한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.