211service.com
Modelos inteligentes para una toma de decisiones más inteligente
En asociación con Software de Industrias Digitales de Siemens
La popularidad del enfoque de diseño, construcción y prueba de la ingeniería está disminuyendo rápidamente a medida que los ingenieros de hoy enfrentan una presión sin precedentes para innovar, mantenerse al día con las últimas tecnologías y diseñar soluciones creativas para problemas urgentes.
Modelos inteligentes para una toma de decisiones más inteligente
Considere, por ejemplo, los sistemas de conducción automatizados. Aunque los vehículos autónomos prometen mejorar significativamente la movilidad, los ingenieros deben probar estos marcos para factores críticos como la seguridad y posibles fallas del sistema. Toyota es uno de los fabricantes de automóviles que trabaja para que los sistemas sin conductor sean seguros. En 2016, el presidente y director ejecutivo de Toyota, Akio Toyoda, dijo más sería necesario hacer pruebas para completar su misión, unos 8.800 millones de millas.
Afortunadamente, dice Stefan Jockusch, vicepresidente de estrategia de Siemens Digital Industries Software, la simulación puede ayudar. Al probar virtualmente millones de escenarios del mundo real, desde condiciones de carreteras nevadas hasta peatones descuidados, la tecnología de simulación puede analizar el rendimiento de los vehículos autónomos mientras acelera el desarrollo y reduce los costos.
Pero si bien la simulación es fundamental para el desarrollo digital y la fabricación de los productos de hoy y del mañana, los desafíos como la mayor complejidad y la falta de conocimiento del dominio están impulsando a las organizaciones a reforzar sus procesos de simulación con capacidades de inteligencia artificial (IA).
Aumento inteligente de AI as
Aunque los desafíos pueden variar, dice Don Tolle, director de la empresa de consultoría e investigación CIMdata, una de las barreras clave para la simulación es la buena cantidad de tiempo que lleva dar vuelta una simulación compleja y compartir los resultados con otros, incluidos los ingenieros de diseño. y analistas de simulación. De hecho, Tolle dice que puede llevar semanas diseñar, recopilar información, construir, ejecutar y analizar modelos de simulación para respaldar la toma de decisiones.
La complejidad es otro obstáculo que los ingenieros deben abordar. Los modelos de simulación pueden proporcionar conocimientos más profundos y precisos sobre el comportamiento de los sistemas de fabricación, pero estos detalles adicionales pueden tener el costo de una mayor computación. La construcción de modelos de simulación también exige talento con un dominio profundo y conocimientos matemáticos. Muchas organizaciones se centran en democratizar el acceso a las herramientas de simulación convirtiéndolas en una parte estándar de los procesos de diseño y fabricación. Pero el desafío, advierte Tolle, es hacer que estas herramientas sean consumibles por el ingeniero promedio que puede no tener un conocimiento profundo del dominio en los detalles de una simulación y tecnología de simulación. Después de todo, desarrollar algoritmos de IA es solo una parte del proceso de simulación; los ingenieros necesitan conocimientos de dominio para comprender el contexto más amplio de cómo se construyen los modelos y el propósito al que sirven.
En respuesta a los obstáculos, muchas organizaciones recurren a la IA para acelerar y simplificar la simulación, y por una buena razón. AI puede destilar información en una forma que sea más fácil de entender para los ingenieros y más transparente, eliminando la necesidad de interactuar con cada detalle de un modelo. La capacidad de crear estos modelos increíblemente complejos es una de las áreas donde la inteligencia artificial y el aprendizaje automático tendrán el mayor impacto, dice Tolle.
Esto se debe a que la IA puede aprender experiencia del gran volumen de conjuntos de datos de simulación creados por miles de ejecuciones de simulación en aplicaciones similares. Como resultado, la IA puede proponer parámetros de modelo que permiten un conjunto óptimo de características de diseño para el sistema y, al mismo tiempo, eliminan el riesgo de que las ejecuciones de simulación demoren más que las pruebas físicas. Después de esto, los ingenieros pueden comenzar a juntar características de diseño óptimas para diseños más detallados, como diseños 3D asistidos por computadora, desarrollo de software y electrónica. La simulación aumenta la inteligencia del ingeniero mediante el uso de IA y [aprendizaje automático] para mejorar la forma en que realizamos análisis y usamos datos, dice Tolle.
No hay escasez de casos de uso
La IA puede ayudar a que la simulación sea práctica en casos en los que de otro modo no lo sería, por ejemplo, cuando un diseñador quiere probar y validar rápidamente muchas configuraciones de diseño.
Las simulaciones pueden ser computacionalmente costosas, por ejemplo, el comportamiento de carga de un vehículo eléctrico híbrido para miles de tipos de ciclos de manejo, dice Jockusch. AI ayuda a desarrollar los llamados modelos sustitutos, utilizando miles de simulaciones existentes para derivar modelos altamente simplificados, computacionalmente mucho menos costosos que son lo suficientemente precisos para guiar a los diseñadores a través de un espacio de decisión complejo.
Otra ventaja de la IA es su capacidad para detectar fallas de diseño en una etapa temprana del ciclo de vida de un producto. Ha habido algunos ejemplos notables de fallas o descuidos del sistema en los últimos cuatro o cinco años tanto en la industria aeroespacial como en la automotriz con importantes retiros del mercado y problemas importantes, dice Tolle. El costo de tomar decisiones al final del ciclo de vida es enorme.
La buena noticia, dice, es que la IA puede minimizar el riesgo de introducir fallas en el diseño del producto al permitir que los ingenieros validen los sistemas durante todo su desarrollo. Esto permite decisiones de diseño más inteligentes y rápidas y compensaciones al principio del ciclo de vida del diseño en lugar de tener que cambiar el diseño más adelante, lo que puede ser costoso en sistemas complejos.
Descargar el reporte completo .
Este contenido fue producido por Insights, el brazo de contenido personalizado de MIT Technology Review. No fue escrito por el equipo editorial de MIT Technology Review.