본 논문은 시계열 기반 모델(TSFM)에서 In-context learning을 활용한 분류 방법을 소개한다. TSFM 훈련 데이터에 포함되지 않은 데이터를 모델 미세 조정 없이 분류하는 방법을 제시한다. 프롬프트 내에 대상(클래스 ID)과 공변량(데이터 행렬)의 형태로 예시를 제공하여, In-context learning을 통해 알려지지 않은 공변량 데이터 패턴을 예측 축과 함께 분류할 수 있도록 한다. 이 방법은 서보 프레스 모터 내 베어링의 건강 상태를 평가하기 위해 진동 데이터에 적용된다. 주파수 도메인 기준 신호를 유사 시계열 패턴으로 변환하고, 정렬된 공변량 및 대상 신호를 생성하며, TSFM을 사용하여 분류된 데이터가 사전 정의된 레이블에 해당하는 확률을 예측한다. 사전 훈련된 모델의 확장성을 활용하여 다양한 작동 조건에서 효과를 입증한다. 이는 맞춤형 협소 AI 솔루션을 넘어 광범위한 AI 기반 유지보수 시스템으로의 중요한 진전을 의미한다.
