مدل های هوشمند برای تصمیم گیری دقیق تر


به عنوان مثال ، سیستم های رانندگی خودکار را در نظر بگیرید. اگرچه وسایل نقلیه خودمختار نوید پیشرفت قابل توجهی در تحرک را می دهند ، اما مهندسان باید این چارچوب ها را برای عوامل مهمی مانند ایمنی و خرابی های احتمالی سیستم آزمایش کنند. تویوتا یکی از خودروسازانی است که برای اطمینان از ایمنی سیستم های بدون راننده تلاش می کند. در سال 2016 ، رئیس و مدیر عامل شرکت تویوتا ، آکیو تویودا گفت که آزمایش های بیشتری برای انجام ماموریت وی مورد نیاز است – حدود 8.8 میلیارد مایل.

خوشبختانه ، استفان جوکوش ، معاون استراتژی نرم افزار صنایع دیجیتال زیمنس می گوید ، این شبیه سازی می تواند کمک کند. با آزمایش عملی میلیون ها سناریو از دنیای واقعی ، از شرایط جاده برفی گرفته تا عابران پیاده بی توجه ، فناوری شبیه سازی می تواند عملکرد وسایل نقلیه مستقل را تجزیه و تحلیل کند ، در حالی که توسعه را تسریع می کند و هزینه ها را کاهش می دهد.

اما در حالی که شبیه سازی برای توسعه و تولید دیجیتالی محصولات امروز و فردا بسیار مهم است ، چالش هایی مانند افزایش پیچیدگی و عدم دانش دامنه ، سازمان ها را بر آن دارد تا فرایندهای شبیه سازی خود را با قابلیت های هوش مصنوعی (AI) افزایش دهند.

هوش مصنوعی دارای بزرگنمایی هوشمند است

گرچه ممکن است چالش ها متفاوت باشد ، دون تول ، مدیر شرکت مشاوره و تحقیقات CIMdata ، می گوید ، “یکی از موانع اصلی شبیه سازی ، زمان مناسب برای معکوس کردن یک شبیه سازی پیچیده و به اشتراک گذاشتن نتایج با دیگران ، از جمله مهندسان طراحی و تجزیه و تحلیل های شبیه سازی است. . “در حقیقت ، تول می گوید كه طراحی ، جمع آوری اطلاعات ، ساخت ، پیاده سازی و تجزیه و تحلیل مدل های شبیه سازی برای پشتیبانی از تصمیم گیری ، ممکن است” هفته ها “طول بكشد.

پیچیدگی مانع دیگری است که مهندسان باید با آن کنار بیایند. مدل های شبیه سازی می توانند تصویر عمیق و دقیق تری از رفتار سیستم های تولید را ارائه دهند ، اما این جزئیات اضافی می تواند هزینه محاسبات بزرگتر را به همراه داشته باشد. ساخت مدل های شبیه سازی نیز مستلزم استعدادی با مناطق عمیق و دانش ریاضی است. بسیاری از سازمانها بر دموکراتیک کردن دسترسی به ابزارهای شبیه سازی متمرکز شده اند و آنها را به بخشی استاندارد از فرایندهای طراحی و تولید تبدیل کرده اند. اما تولل هشدار می دهد ، اما چالش این است كه “این ابزارها توسط یك مهندس معمولی ، كه ممكن است دانش عمیقی از مشخصات فن آوری شبیه سازی و شبیه سازی نداشته باشد ، قابل مصرف باشند.” در نهایت ، توسعه الگوریتم های هوش مصنوعی تنها بخشی از این فرآیند است. شبیه سازی؛ مهندسان برای درک زمینه گسترده تر نحوه ساخت مدل ها و هدف آنها به دانش در این زمینه نیاز دارند.

در پاسخ به موانع ، بسیاری از سازمان ها برای سرعت بخشیدن و ساده سازی شبیه سازی – و البته با دلیل کافی – به هوش مصنوعی متوسل می شوند. هوش مصنوعی می تواند اطلاعات را به شکلی تقسیم کند که درک آن برای مهندسان آسان تر و شفاف تر باشد و نیازی به تعامل با هر جزئیات مدل را از بین ببرد. توله می گوید: “توانایی ایجاد این مدل های فوق العاده پیچیده یکی از زمینه هایی است که هوش مصنوعی و یادگیری ماشین بیشترین تأثیر را خواهند داشت.”

این به این دلیل است که هوش مصنوعی می تواند از طریق تعداد زیادی مجموعه داده شبیه سازی که توسط هزاران پیاده سازی شبیه سازی در چنین برنامه هایی ایجاد شده است ، “تجربه” کسب کند. در نتیجه ، هوش مصنوعی می تواند پارامترهای مدل را ارائه دهد که مجموعه ای بهینه از ویژگی های طراحی سیستم را امکان پذیر می کند ، در حالی که خطر شبیه سازی هایی را که زمان بیشتری از آزمایش های فیزیکی می گیرد ، از بین می برد. سپس مهندسان می توانند ویژگی های طراحی بهینه را برای پروژه های دقیق تر مانند پروژه های سه بعدی با کمک رایانه ، توسعه نرم افزار و الکترونیک ترکیب کنند. “شبیه سازی هوش مهندس را با استفاده از هوش مصنوعی و [machine learning] برای بهبود روش انجام تجزیه و تحلیل و استفاده از داده ها ، “می گوید Tole.

موارد استفاده کم نیست

هوش مصنوعی می تواند در عملی سازی شبیه سازی در مواردی که در غیر این صورت وجود ندارد – به عنوان مثال ، هنگامی که یک طراح به سرعت می خواهد بسیاری از تنظیمات طراحی را آزمایش و تأیید کند ، کمک می کند.

جوکوش می گوید: “شبیه سازی می تواند از نظر محاسباتی گران باشد – به عنوان مثال ، رفتار شارژ یک وسیله نقلیه الکتریکی هیبریدی برای هزاران نوع چرخه محرک.” هوش مصنوعی به توسعه مدل های به اصطلاح جایگزین کمک می کند ، با استفاده از هزاران شبیه سازی موجود مدل های بسیار ساده و محاسباتی بسیار ارزان تری را به دست می آورد که “از دقت کافی برای هدایت طراحان در فضای تصمیم گیری پیچیده” برخوردارند.

از دیگر مزایای هوش مصنوعی توانایی آن در تشخیص نقص طراحی در ابتدای چرخه عمر محصول است. تول اظهار داشت: “نمونه های قابل توجهی از خرابی سیستم یا خرابی سیستم طی چهار یا پنج سال اخیر در صنایع هوافضا و خودرو با تشنج های بزرگ و مشکلات اساسی وجود دارد.” “هزینه تصمیم گیری در پایان چرخه زندگی بسیار زیاد است.”

به گفته وی ، خبر خوب این است که هوش مصنوعی می تواند با اجازه دادن به مهندسین “تأیید سیستم ها در طول توسعه خود” ، خطر نقص در طراحی محصول را به حداقل برساند. این امکان را می دهد تا در ابتدای چرخه عمر طراحی ، راه حل های طراحی دقیق تر و سریع تر ، به جای اینکه بعداً طرح را تغییر دهید ، که در سیستم های پیچیده می تواند هزینه زیادی داشته باشد. ”

گزارش کامل را بارگیری کنید.

این محتوا توسط Insights ، محتوای شخصی شده MIT Technology Review تولید شده است. توسط MIT Technology Review نوشته نشده است.


منبع: unbox-khabar.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>