Massachusetts Institute of Technology telah menerbitkan penelitian baru yang menyoroti potensi model bahasa skala besar (LLM) untuk meningkatkan keamanan sistem infrastruktur penting. Studi ini memperkenalkan LLM zero-shot yang dapat mengidentifikasi anomali dalam kumpulan data yang kompleks, dengan potensi membantu memantau kesehatan dan meningkatkan efisiensi operasional peralatan mulai dari turbin angin hingga mesin MRI.

Peneliti MIT yang dipimpin oleh Kalyan Veeramachaneni telah mengembangkan kerangka kerja yang disebut SigLLM yang mengubah data deret waktu menjadi format teks untuk dianalisis. Kerangka kerja ini menggunakan LLM tingkat lanjut seperti GPT-3.5 Turbo dan Mistral untuk mengidentifikasi pola tidak teratur dan mengingatkan Anda akan potensi masalah di sistem Anda. Evaluasi SigLLM di beberapa kumpulan data menunjukkan bahwa SigLLM mampu mengenali anomali, meskipun tidak seakurat model pembelajaran mendalam khusus.

Hasil penelitian menunjukkan bahwa meskipun LLM menawarkan solusi yang lebih sederhana dan adaptif untuk deteksi anomali, masih ada ruang untuk perbaikan agar sesuai dengan performa model tercanggih yang tersedia saat ini. Veeramachaneni mengakui bahwa penelitian lebih lanjut diperlukan untuk meningkatkan ketahanan LLM dalam aplikasi ini. Tim peneliti juga menyelidiki bagaimana LLM dapat secara efektif memprediksi anomali tanpa memerlukan penyesuaian, sehingga dapat menghasilkan sistem pengawasan berbasis AI yang lebih efisien.

Kumpulan data penelitian ini dapat diakses di GitHub, dan studi lengkapnya dipublikasikan di MIT News. Penelitian ini merupakan bagian dari rangkaian “AI untuk Kebaikan” yang menunjukkan dampak transformatif AI dalam mengatasi tantangan global dan mendorong perubahan positif.