Inteliģenti modeļi gudrākai lēmumu pieņemšanai

Saistībā ar Siemens Digital Industries programmatūra





Projektēšanas, veidošanas un testēšanas pieejas popularitāte inženierzinātnēs strauji samazinās, jo mūsdienu inženieri saskaras ar nepieredzētu spiedienu ieviest jauninājumus, iet kopsolī ar jaunākajām tehnoloģijām un izstrādāt radošus risinājumus steidzamām problēmām.

Inteliģenti modeļi gudrākai lēmumu pieņemšanai

Apsveriet, piemēram, automatizētas braukšanas sistēmas. Lai gan autonomie transportlīdzekļi sola ievērojami uzlabot mobilitāti, inženieriem ir jāpārbauda šīs sistēmas attiecībā uz kritiskiem faktoriem, piemēram, drošību un iespējamām sistēmas kļūmēm. Toyota ir viens no autoražotājiem, kas strādā pie tā, lai bezvadītāja sistēmas būtu drošas. 2016. gadā Toyota prezidents un izpilddirektors Akio Toyoda teica vairāk testēšana būtu nepieciešama lai pabeigtu savu misiju — aptuveni 8,8 miljardus jūdžu no tās.



Par laimi, saka Stefans Jockusch, Siemens Digital Industries Software stratēģijas viceprezidents, simulācija var palīdzēt. Praktiski pārbaudot miljoniem reālu scenāriju, sākot no sniegotiem ceļa apstākļiem līdz neuzmanīgiem gājējiem, simulācijas tehnoloģija var analizēt autonomo transportlīdzekļu veiktspēju, vienlaikus paātrinot izstrādi un samazinot izmaksas.

Taču, lai gan simulācijai ir izšķiroša nozīme mūsdienu un rītdienas produktu digitālajā attīstībā un ražošanā, tādas problēmas kā sarežģītība un zināšanu trūkums par jomām mudina organizācijas stiprināt savus simulācijas procesus ar mākslīgā intelekta (AI) iespējām.

AI ace viedais pieaugums

Lai gan izaicinājumi var atšķirties, konsultāciju un pētniecības uzņēmuma CIMdata direktors Dons Tolle saka, ka viens no galvenajiem simulācijas šķēršļiem ir pietiekami daudz laika, kas nepieciešams, lai sarežģītu simulāciju pārvērstu par labu un dalītos ar rezultātiem ar citiem, tostarp projektēšanas inženieriem. un simulācijas analītiķi. Faktiski Tolle saka, ka var paiet nedēļas, lai izstrādātu, apkopotu informāciju, izveidotu, izpildītu un analizētu simulācijas modeļus, lai atbalstītu lēmumu pieņemšanu.



Sarežģītība ir vēl viens šķērslis, kas inženieriem jāpārvar. Simulācijas modeļi var sniegt dziļāku un precīzāku ieskatu ražošanas sistēmu darbībā, taču šī papildu informācija var būt saistīta ar lielāku aprēķinu. Simulācijas modeļu veidošanai ir nepieciešami arī talants ar dziļām jomām un matemātikas zināšanām. Daudzas organizācijas ir vērstas uz to, lai demokratizētu piekļuvi simulācijas rīkiem, padarot tos par standarta daļu projektēšanas un ražošanas procesos. Taču izaicinājums, brīdina Tolle, ir padarīt šos rīkus lietojamus vidusmēra inženierim, kuram, iespējams, nav dziļu zināšanu par simulācijas un simulācijas tehnoloģiju specifiku. Galu galā AI algoritmu izstrāde ir tikai daļa no simulācijas procesa; inženieriem ir nepieciešamas zināšanas par jomām, lai izprastu plašāku kontekstu par to, kā modeļi tiek veidoti un kādam mērķim tie kalpo.

Reaģējot uz šķēršļiem, daudzas organizācijas pievēršas AI, lai paātrinātu un vienkāršotu simulāciju — un tas ir pamatota iemesla dēļ. AI var destilēt informāciju inženieriem vieglāk saprotamā un pārskatāmākā formā, tādējādi novēršot nepieciešamību mijiedarboties ar katru modeļa detaļu. Spēja izveidot šos neticami sarežģītos modeļus ir viena no jomām, kur mākslīgajam intelektam un mašīnmācībai būs vislielākā ietekme, saka Tolle.

Tas ir tāpēc, ka AI var apgūt zināšanas no milzīgā daudzuma simulācijas datu kopu, kas izveidotas tūkstošiem simulācijas darbību līdzīgās lietojumprogrammās. Rezultātā mākslīgais intelekts var piedāvāt modeļa parametrus, kas nodrošina optimālu sistēmas konstrukcijas raksturlielumu kopumu, vienlaikus novēršot risku, ka simulācijas darbības var aizņemt ilgāku laiku nekā fiziskā testēšana. Pēc tam inženieri var sākt apkopot optimālus dizaina raksturlielumus detalizētākiem projektiem, piemēram, 3D datorizētiem projektiem, programmatūras izstrādei un elektronikai. Simulācija palielina inženiera intelektu, izmantojot AI un [mašīnmācīšanos], lai uzlabotu analītikas veikšanu un datu izmantošanu, saka Tolle.



Lietošanas gadījumu netrūkst

AI var palīdzēt padarīt simulāciju praktisku gadījumos, kad citādi tas nebūtu iespējams, piemēram, ja dizaineris ātri vēlas pārbaudīt un apstiprināt daudzas dizaina konfigurācijas.

Simulācijas var būt skaitļošanas ziņā dārgas, piemēram, hibrīda elektriskā transportlīdzekļa uzlādes darbība tūkstošiem braukšanas ciklu veidu, saka Jockusch. AI palīdz izstrādāt tā dēvētos surogātmodeļus, izmantojot tūkstošiem esošo simulāciju, lai iegūtu ļoti vienkāršotus, skaitļošanas ziņā daudz lētākus modeļus, kas ir pietiekami precīzi, lai vadītu dizaineri sarežģītā lēmumu pieņemšanas telpā.

Vēl viena AI priekšrocība ir tā spēja atklāt dizaina trūkumus produkta dzīves cikla sākumā. Tolle saka, ka pēdējo četru vai piecu gadu laikā gan kosmosa, gan automobiļu rūpniecībā ir bijuši daži ievērojami sistēmas kļūmju vai sistēmas pārraudzības piemēri ar lielām atsaukumiem un lielām problēmām. Maksa par lēmumu pieņemšanu dzīves cikla beigās ir milzīga.



Viņš saka, ka labā ziņa ir tā, ka mākslīgais intelekts var samazināt risku, ka produkta dizainā var rasties trūkumi, ļaujot inženieriem pārbaudīt sistēmas visā to izstrādes laikā. Tas ļauj pieņemt gudrākus un ātrākus dizaina lēmumus un veikt kompromisus jau dizaina dzīves cikla sākumā, nevis vēlāk mainīt dizainu, kas sarežģītās sistēmās var būt dārgi.

Lejupielādēt pilns ziņojums .

Šo saturu izstrādāja Insights, MIT Technology Review pielāgotā satura grupa. To nav rakstījuši MIT Technology Review redakcijas darbinieki.

paslēpties