DFAI قطعه گمشده مهندسی هوش مصنوعی

سرعت پیشرفت طراحی و ساخت مهندسی در کنار پیشرفت‌های محاسباتی ممکن است شما را شگفت‌زده کند، زیرا تعداد بسیار کمی از مهندسان در طراحی سیستم مهندسی و هوش مصنوعی آموزش دیده‌اند. فرصت‌های بی‌شماری برای پیشرفت‌های مهم در نحوه توسعه فناوری جدید با استفاده از هوش مصنوعی در طراحی مهندسی وجود دارد، اما برای موفقیت در این زمینه‌های چالش برانگیز مهندسان باید یک تخصص جدید را یاد بگیرند. کریس مک‌کامب دانشیار مهندسی مکانیک و شاگردش گلن ویلیامز چارچوب طراحی برای هوش مصنوعی (DfAI) را با همکاری محققان دانشگاه ایالت پن برای آموزش و تشویق ایجاد کردند. مک‌کامب توضیح می‌دهد: بیشتر اوقات، ما هوش مصنوعی را ابزاری برای افزودن به یک سیستم موجود می‌دانیم، اما برای توسعه سیستم‌های بهتر باید هوش مصنوعی را از همان ابتدا در فرآیند طراحی مهندسی ادغام کنیم.

چالش اصلی انگیزه دادن به مؤسسات برای سرمایه گذاری در پتانسیل بلندمدت فناوری‌های هوش مصنوعی است. از آنجایی که مهندسی محصول محور است و انگیزه‌های طراحی و ساخت برتری کوتاه‌مدت را در اولویت خود قرار می‌دهند بودجه‌بندی منابع برای تحقیق و توسعه بلندمدت چالش‌برانگیز، اما ارزشمند است. برای نشان دادن اهمیت این موضوع ویلیامز دو شرکت فرضی ساخت انبوه هواپیما‌های الکتریکی را توصیف کرد. برای توسعه اولیه شرکت A یک مسیر تولید دستی را انتخاب می‌کند تا به سرعت وارد بازار شود و به سوددهی برسد. از سوی دیگر شرکت B یک فرآیند سودمند از داده ایجاد می‌کند که در طول عمر چرخه طراحی هوشمندی را به دست می‌آورد. طی ده سال آینده شرکت B می‌تواند هزینه عملیاتی خود را با استفاده از طراحی مبتنی بر داده که هم می‌تواند تولید هواپیمای خود را بهینه کند و هم محصولات بهتری ایجاد کند به شدت کاهش دهد، اما شرکت A دیگر نمی‌تواند ادامه دهد.

از آنجایی که طراحی و ساخت در سیلو‌ها انجام نمی‌شود (DfAI) برای جنبه‌های گسترده‌تر فرآیند طراحی مهندسی کاربرد دارد. ویلیامز پیشنهاد می‌کند که اساساً پیشرفت (DfAI) را می‌توان از طریق بالا بردن سواد هوش مصنوعی در صنعت ایجاد کرد. طراحی مجدد سیستم‌های مهندسی برای ادغام بهتر با هوش مصنوعی نیز بسیا قابل توجه است و بهبود فرآیند توسعه هوش مصنوعی مهندسی شده نیز قابل طرح است. مک‌کامب توضیح می‌دهد: داده‌های مهندسی پیچیده هستند و همیشه با جامعه وسیع‌تر قابل ارتباط نیستند. تعداد کارشناسانی که قادر به تفسیر این داده‌ها هستند کم است، بنابراین (DfAI) افراد را ملزم می‌کند که تخصص خاصی داشته باشند. دانشگاهیان و صنعتگران باید با یکدیگر همکاری کنند تا از نوآوری بلندمدت در این زمینه حمایت کنند.

این تیم سه شخصیت را به عنوان ضروری‌ترین‌ها برای (DfAI) ترسیم می‌کند: طراحان مهندسی، متصدیان مخزن طراحی و توسعه دهندگان هوش مصنوعی. یک طراح مهندسی ممکن است شخص یا تیمی باشد که مسئول توسعه مشخصات یک پروژه جدید است. آن‌ها مشکل گشا‌هایی هستند که می‌توانند محدودیت‌های مهندسی و همچنین الگوریتم‌های هوش مصنوعی را درک کنند. متصدیان مخزن طراحی باید با داشتن دانش طراحی و ساخت مهندسی، نقش یک نگهدارنده پایگاه داده را یک قدم جلوتر بردارند تا ابزار‌های مدیریت داده را به مهندسان طراح ارائه دهند تا نیاز‌های کار را برآورده کنند و برای نیاز‌های آینده نیز قابل توسعه باشند. در نهایت توسعه‌دهندگان هوش مصنوعی باید بتوانند محصولات نرم‌افزاری هوش مصنوعی را برای کمک به مهندسان طراحی و ایده‌پردازی، توسعه و بازاریابی بهبود ببخشند.

مک‌کامب خلاصه می‌کند: ما نمی‌توانیم توسعه هوش مصنوعی را به عنوان یک فکر بعدی در عملیات اصلی خود در نظر بگیریم. تا زمانی که مهندسین طراحی را با نرم افزار‌های طراحی و تولید نسل بعدی مبتنی بر هوش مصنوعی عمیقاً یکپارچه تقویت نکنیم، توانایی ما برای طراحی فناوری جدید و مفید از پتانسیل این تکنیک‌های جدید تولید کم خواهد بود. برنامه‌های کاربردی علوم رایانه، مانند محصولات تولید شده با تکنیک‌های دیجیتالی طبیعتاً دارای یک مسیر فیزیکی سایبری پیچیده هستند و پرسنل عملکردی دارند که در اتخاذ و هدایت اصول (DfAI) مناسب هستند. صنایع تحت نظارت مانند هوافضا و دستگاه‌های پزشکی به پیروی از روش‌های دقیق و تکنیک‌های ذخیره‌سازی داده قابل اعتماد در چارچوب سیستم‌های مهندسی بسیار پیچیده عادت دارند بنابراین احتمالاً منابع لازم برای شروع فرآیند پذیرش (DfAI) را دارند.

همچنین ممکن است ببینیم که طراحان محصولات و اشیا (IoT) و دستگاه‌های هوشمند اصول (DfAI) را زودتر به کار می‌گیرند. این طراحان نه تنها از داده‌ها در طول فرآیند طراحی، بلکه از حجم وسیعی از داده‌های جمع‌آوری‌شده از دستگاه‌هایشان در آزمایش یا در عمل بهره می‌برند. استفاده از این داده‌های ارزشمند محصول می‌تواند به مزایای فوق‌العاده‌ای برای ابزار‌های هوش مصنوعی منجر شود که به افزایش کیفیت، عملکرد، پایداری و سودآوری محصولات آینده کمک می‌کند. ویلیامز توضیح می‌دهد: از آنجایی که بین برنامه‌های مهندسی، صنایع، فناوری‌ها و مقیاس‌های عملیاتی تنوع بسیار زیادی وجود دارد ایجاد چارچوب‌های کلی اصطلاحات رایج و اصول مکتوب برای رشد یک جامعه به هم پیوسته از مهندسان هوش مصنوعی که می‌توانند با هم همکاری کنند، حیاتی است. چارچوب (DfAI) نقطه شروع سطح بالا را برای این بحث‌های مهم فراهم می‌کند.