Hierarkisk multiagent förstärkningsinlärning för sökförstärkt industriell dokument‑frågesvar

Smartare hjälp från komplexa manualer

Moderna industrier som elnät och tillverkning förlitar sig på tjocka manualer, kopplingsscheman och parametrartabeller för att hålla utrustning igång säkert. När operatörer har akuta frågor—till exempel varför ett larm ljuder eller vilken strömbrytare som ska slåss—är svaret ofta gömt någonstans i dessa långa, blandade format. Denna artikel presenterar ett nytt AI‑system kallat MARL‑RAGDoc, designat för att gräva igenom sådan invecklad information och leverera korrekta, välunderbyggda svar istället för gissningar.

Varför vanliga AI‑system går vilse i verkliga manualer

De flesta nuvarande fråge‑och‑svar‑system fungerar bra när all information är ren text, som i en webbartikel. Industriella dokument är mycket annorlunda: de blandar text, diagram, flödesscheman och tabeller utspridda över dussintals sidor. Olika frågor förlitar sig på olika delar—bilder kan vara avgörande för kablage, medan tabeller är viktiga för märkningar eller inställningar. Existerande system behandlar vanligtvis alla innehållstyper lika, hämtar ett fast antal utdrag och genererar sedan ett svar. Eftersom de inte kan anpassa hur mycket de litar på varje innehållstyp eller hur djupt de söker beroende på frågan, missar de ofta avgörande bevis, hämtar mycket irrelevant material och kan ibland ”hallucinera” svar som inte stöds av dokumenten.

Ett team av specialiserade AI‑hjälpare

MARL‑RAGDoc tacklar detta problem genom att se dokument­sökning som ett kooperativt spel spelat av flera AI‑"agenter", var och en med en olika roll. Först bryter systemet upp en dokumentsamling i många små bitar: textblock, bilder och tabeller, var och en taggad med sin position på sidan och sin roll (såsom titel eller bildtext). Dessa bitar mappas in i ett gemensamt matematiskt rum så att relaterade objekt från olika format hamnar nära varandra. Sedan bygger systemet, för en given fråga, kortlistor med lovande kandidater inom varje format—som de främsta textblocken, bilderna och tabellerna som kan innehålla svaret.

En koordinator som lär sig var den ska leta

I hjärtat av MARL‑RAGDoc finns en högre nivå koordinatoragent som bestämmer hur mycket uppmärksamhet varje innehållstyp ska få och hur många söksteg som behövs. Under denna koordinator finns tre specialiserade agenter, en för text, en för bilder och en för tabeller. Dessa agenter väljer vilka kandidater som ska behållas, när de ska titta på närliggande material (till exempel resten av en tabellrad eller bildtexterna) och när sökningen ska avslutas. Viktigt är att alla dessa beslut lärs genom förstärkningsinlärning: agenterna får belöningar baserat både på hur bra de hämtade relevant bevisning och hur bra slutligen svaret blev. Med tiden lär sig systemet strategier som att förlita sig mer på tabeller för numeriska frågor eller mer på diagram för frågor om rumslig uppställning.

Från bevis till pålitliga svar

När agenterna har samlat sitt bästa bevismaterial tar en stor språkmodell in frågan tillsammans med de valda texterna, bilderna och tabellerna, viktade efter deras betydelse. Den producerar sedan ett svar och en kvalitetspoäng som speglar hur komplett och väl underbyggt svaret verkar vara. Om poängen är låg kan systemet initiera en ny sökrunda och be agenterna samla kompletterande material innan det försöker igen. Denna "hämta–resonera–reflektera"‑loop låter MARL‑RAGDoc rätta sig själv när första försöket är osäkert, vilket minskar risken att det fyller luckor med ostödda gissningar. Samma loop återför också lärdomar till träningen och lär agenterna vilka sökmönster som tenderar att leda till starka svar.

Sätta systemet på prov

Forskarna utvärderade MARL‑RAGDoc på tre krävande samlingar av multimodala dokument, inklusive två publika benchmarks och en ny dataset för el‑industrin som de konstruerade från riktiga manualer, riktlinjer och tekniska rapporter. I samtliga tre överträffade det nya systemet en rad starka konkurrenter, från kraftfulla allmänna multimodala modeller till specialiserade dokumentförståelse‑ och sökförstärkta system. Det levererade förbättringar på ungefär 5–9 procentenheter i total noggrannhet och liknande vinster i striktare mått som kräver exakta träffar och tidig rangordning av korrekta svar. Vinsterna var särskilt tydliga för mycket långa, flersidiga dokument och frågor som krävde att information från text, tabeller och diagram kombinerades.

Vad detta betyder för verkliga operatörer

I vardagliga termer är MARL‑RAGDoc som ett team av tränade assistenter som vet hur man skummar igenom enorma pärmar med tekniskt material, konsulterar rätt diagram eller tabeller för varje fråga och dubbelkollar sitt arbete innan de svarar. Genom att dynamiskt avgöra vilka delar av ett dokument som är mest relevanta och lära sig av feedback erbjuder det mer korrekta och bättre motiverade svar än universella tillvägagångssätt. Medan studien fokuserar på elnätsdokument kan samma ramverk hjälpa arbetare i många områden—från fabriks tekniker till sjukhuspersonal—att snabbt och säkert navigera komplexa manualer.

Citering: Qian, Y., Han, B., Yuan, Y. et al. Hierarchical multi-agent reinforcement learning for retrieval-augmented industrial document question answering. Sci Rep 16, 13512 (2026). https://doi.org/10.1038/s41598-026-41684-z

Nyckelord: industriell dokument‑QA, multimodal sökning, förstärkningsinlärningsagenter, sökförstärkt generering, tekniska manualer