본 논문에서는 발전소의 이상 탐지의 중요성을 강조하고, 이를 위한 시계열 데이터 분석 지원 프레임워크를 제안한다. 발전소 설비의 이상을 적시에 감지하지 못하면 큰 사고로 이어질 수 있으므로, 데이터 기반의 이상 탐지를 통해 사고를 예방하는 것이 점점 더 중요한 문제로 부각되고 있다. 사용자가 특정 설비에 대한 예측 데이터를 분석하기 위해서는 인공지능 모델이 사용자의 입력을 받아 해당 설비명을 정확하게 분류하고, 그에 맞는 예측 데이터를 제공해야 한다. 그러나 기존의 Natural Language Processing (NLP) 모델은 사용자 입력의 다양성을 충분히 반영할 만큼 일반화하는 데 어려움이 있다. 이는 모델이 다양한 사용자 입력을 효과적으로 해석하고 적절한 설비 데이터를 연관시키는 데에 한계가 있음을 의미한다. 이 문제를 해결하기 위해, 본 논문은 데이터 분석 지원 프레임워크 구축 과정에서 두 가지 도메인 특화 태스크를 대상으로 LLM을 파인튜닝하지 않고도 프롬프트 엔지니어링을 통해 최적화된 성능을 달성하는 방법을 보여준다. 이는 기존 NLP 방식의 불확실성과 일반화의 어려움을 개선하고, LLM 학습 없이 자원 소모를 줄이는 장점이 있다.