EduController

🚨 03. 例外処理とLLMによる知識注入

本節では、従来の制御系では困難だった例外的状況や未知の事象への対応について、
LLMを活用して「知識ベース制御」や「意味的補完」を行うアプローチを紹介します。

---

🔧 例外処理とは？

• 想定外の状況・入力・環境変化に対して、システムを安全・安定に保つための処理
• 通常のFSMやPIDでは事前定義が困難なものも多い（例：異常音・通信断・誤操作）

---

🧠 LLMが担う役割

項目	内容
状況理解	異常の自然言語的記述を文脈理解（例：「ブザー音が鳴っている」）
原因推定	「これは過熱異常の可能性がある」と過去知識から推定
対応策提案	「電源を落として30秒待ってください」などの行動提案
FSM補完	状態遷移の例外パスとして挿入可能（例：回復状態 → 通常復帰）

---

📘 実装例（ChatGPTベース）

def handle_exception(observation_text):
    prompt = f"異常が発生しました：{observation_text}。原因と対応策を述べてください。"
    return chatgpt_respond(prompt)

入力例：

「センサが全く反応しない」「温度が急上昇している」

出力例（ChatGPT）：

「センサ断線の可能性があります。機器を停止し、センサ接続を確認してください。」

---

💬 FSMへの統合イメージ

• 通常の状態遷移に「異常状態」や「再初期化状態」を挿入
• LLMが状況判断 → FSM構造の一部を再構築（自己適応）

---

🔒 安全性と制約

• 制御に関わる判断は「信頼できる例外クラス」のみに限定する
• LLM出力は最終判断者ではなく提案者として位置づける
• 実時間性・検証性とのトレードオフを意識

---

🔚 まとめ

• LLMは「人間的な状況理解」により、例外処理・知識注入の鍵となる
• FSMと組み合わせることで、より頑健で柔軟な制御システムが実現可能

📄 次へ：04_goal_reasoning.md

---