Inteligentne modele do mądrzejszego podejmowania decyzji

W związku z Oprogramowanie Siemens Digital Industries





Popularność projektowania, budowania i testowania podejścia do inżynierii szybko maleje, ponieważ dzisiejsi inżynierowie stają w obliczu bezprecedensowej presji na innowacje, dotrzymywanie kroku najnowszym technologiom i projektowanie kreatywnych rozwiązań pilnych problemów.

Inteligentne modele do mądrzejszego podejmowania decyzji

Weźmy na przykład zautomatyzowane systemy jazdy. Chociaż pojazdy autonomiczne mogą znacznie poprawić mobilność, inżynierowie muszą przetestować te ramy pod kątem krytycznych czynników, takich jak bezpieczeństwo i potencjalne awarie systemu. Toyota jest jednym z producentów samochodów pracujących nad zapewnieniem bezpieczeństwa systemów bez kierowcy. W 2016 roku prezes i dyrektor generalny Toyoty Akio Toyoda powiedział więcej potrzebne byłyby testy aby zakończyć swoją misję – około 8,8 miliarda mil.



Na szczęście, mówi Stefan Jockusch, wiceprezes ds. strategii w Siemens Digital Industries Software, symulacja może pomóc. Dzięki wirtualnemu testowaniu milionów rzeczywistych scenariuszy, od zaśnieżonych warunków drogowych po nieostrożnych pieszych, technologia symulacji może analizować osiągi pojazdów autonomicznych, jednocześnie przyspieszając rozwój i obniżając koszty.

Jednak chociaż symulacja ma kluczowe znaczenie dla cyfrowego rozwoju i wytwarzania dzisiejszych i przyszłych produktów, wyzwania, takie jak zwiększona złożoność i brak wiedzy dziedzinowej, skłaniają organizacje do wzmocnienia swoich procesów symulacyjnych o możliwości sztucznej inteligencji (AI).

Inteligentny wzrost asa AI

Chociaż wyzwania mogą być różne, mówi Don Tolle, dyrektor w firmie konsultingowej i badawczej CIMdata, jedną z kluczowych barier w symulacji jest sporo czasu, jaki zajmuje odwrócenie złożonej symulacji i udostępnienie jej wyników innym, w tym inżynierom projektantów. i analitycy symulacji. Tolle twierdzi, że projektowanie, gromadzenie informacji, budowa, wykonywanie i analizowanie modeli symulacyjnych może potrwać tygodnie, aby wspomóc podejmowanie decyzji.



Złożoność to kolejna przeszkoda, z którą muszą się zmierzyć inżynierowie. Modele symulacyjne mogą zapewnić głębszy i dokładniejszy wgląd w zachowanie systemów produkcyjnych — ale te dodatkowe szczegóły mogą kosztować większe obliczenia. Budowanie modeli symulacyjnych wymaga również talentu z głęboką wiedzą dziedzinową i matematyczną. Wiele organizacji koncentruje się na demokratyzacji dostępu do narzędzi symulacyjnych poprzez uczynienie ich standardową częścią procesów projektowania i produkcji. Jednak wyzwaniem, ostrzega Tolle, jest uczynienie tych narzędzi użytecznymi dla przeciętnego inżyniera, który może nie mieć głębokiej wiedzy w dziedzinie specyfiki technologii symulacji i symulacji. W końcu opracowywanie algorytmów AI to tylko część procesu symulacji; inżynierowie potrzebują wiedzy dziedzinowej, aby zrozumieć szerszy kontekst budowania modeli i celu, jakim służą.

W odpowiedzi na przeszkody wiele organizacji zwraca się do sztucznej inteligencji, aby przyspieszyć i uprościć symulację — i nie bez powodu. Sztuczna inteligencja może wydestylować informacje w formę łatwiejszą do zrozumienia dla inżynierów i bardziej przejrzystą, eliminując potrzebę interakcji z każdym szczegółem modelu. Zdolność do tworzenia tych niewiarygodnie złożonych modeli to jeden z obszarów, w których sztuczna inteligencja i uczenie maszynowe będą miały największy wpływ, mówi Tolle.

Dzieje się tak, ponieważ sztuczna inteligencja może uczyć się specjalistycznej wiedzy z ogromnej ilości zestawów danych symulacyjnych utworzonych przez tysiące przebiegów symulacji w podobnych aplikacjach. W rezultacie sztuczna inteligencja może zaproponować parametry modelu, które pozwalają na optymalny zestaw cech projektowych dla systemu, eliminując jednocześnie ryzyko, że przebiegi symulacji trwają dłużej niż testy fizyczne. Następnie inżynierowie mogą rozpocząć składanie optymalnych charakterystyk projektowych dla bardziej szczegółowych projektów, takich jak projekty wspomagane komputerowo 3D, tworzenie oprogramowania i elektronika. Symulacja zwiększa inteligencję inżyniera, wykorzystując sztuczną inteligencję i [uczenie maszynowe], aby poprawić sposób, w jaki prowadzimy analizy i wykorzystujemy dane, mówi Tolle.



Nie brakuje przypadków użycia

Sztuczna inteligencja może pomóc uczynić symulację praktyczną w przypadkach, w których inaczej nie byłaby — na przykład, gdy projektant chce szybko przetestować i zweryfikować wiele konfiguracji projektowych.

Symulacje mogą być kosztowne obliczeniowo – na przykład zachowanie podczas ładowania hybrydowego pojazdu elektrycznego dla tysięcy rodzajów cykli jazdy – mówi Jockusch. Sztuczna inteligencja pomaga opracowywać tak zwane modele zastępcze, wykorzystując tysiące istniejących symulacji do uzyskania wysoce uproszczonych, znacznie tańszych obliczeniowo modeli, które są wystarczająco dokładne, aby prowadzić projektantów przez złożoną przestrzeń decyzyjną.

Kolejną zaletą sztucznej inteligencji jest jej zdolność do wykrywania wad projektowych na wczesnym etapie cyklu życia produktu. Jak mówi Tolle, w ciągu ostatnich czterech lub pięciu lat pojawiły się godne uwagi przykłady awarii systemów lub przeoczeń w systemach zarówno w przemyśle lotniczym, jak i motoryzacyjnym, z poważnymi wycofaniami i poważnymi problemami. Koszt podejmowania decyzji na późnym etapie cyklu życia jest ogromny.



Dobrą wiadomością, jak mówi, jest to, że sztuczna inteligencja może zminimalizować ryzyko wprowadzenia wad do projektu produktu, umożliwiając inżynierom walidację systemów przez cały okres ich opracowywania. Pozwala to na podejmowanie mądrzejszych i szybszych decyzji projektowych oraz kompromisów na wczesnym etapie cyklu życia projektu, bez konieczności późniejszej zmiany projektu, co może być kosztowne w przypadku złożonych systemów.

Pobierz pełny raport .

Ta treść została stworzona przez Insights, dział zajmujący się treściami niestandardowymi MIT Technology Review. Nie została napisana przez redakcję MIT Technology Review.

ukryć