考虑到工程设计和制造随着计算技术的发展而进步的速度有多快,您可能会惊讶地发现很少有工程师同时接受过工程系统设计和人工智能方面的培训。在我们如何在工程设计中使用 AI 开发新技术方面,存在无数突破性改进的机会,但要在这些具有挑战性的领域取得成功,工程师必须了解一个新的专业——人工智能设计。
卡内基梅隆大学机械工程副教授 Chris McComb 和他的学生 Glen Williams,现在是 Re:Build Manufacturing 的首席科学家,与宾夕法尼亚州立大学的研究人员合作开发了人工智能设计 (DfAI) 框架,以教育和鼓励学术界和工业工程界采用 AI工程设计。
(资料图)
“大多数时候,我们将 AI 视为添加到现有系统的工具,但为了开发更好的系统,我们需要从一开始就将 AI 集成到工程设计过程中,”McComb 解释道。
一个核心挑战是激励机构对人工智能技术的长期潜力进行投资。由于工程是产品驱动的,并且设计和制造中的激励措施优先考虑短期卓越,因此为长期研发预算资源具有挑战性但值得。
为了说明这一点的重要性,威廉姆斯描述了两家大规模制造电动飞机的假想公司。为了前期开发,A公司选择了手工制造的路径,以快速打入市场并实现盈利。另一方面,B 公司构建了一个数据丰富的流程,可在整个设计生命周期中捕获智能。在接下来的十年内,B 公司能够通过利用数据驱动设计来大幅降低运营成本,这种设计既可以优化飞机的生产,又可以创造出更好的产品。A公司跟不上了。
由于设计和制造不会孤立地进行,因此 DfAI 适用于工程设计过程的更广泛方面。威廉姆斯建议,从根本上说,推进 DfAI 可以通过以下方式解决:1)提高行业的 AI 素养;2)重新设计工程系统以更好地与人工智能集成;3)加强工程人工智能开发过程。
“工程数据很复杂,并不总是与更广泛的社区相关,”McComb 解释说,这是其他领域可能正在更快地创新 AI 技术的原因之一。“能够解读这些数据的专家数量很少,因此 DfAI 将要求个人具备特定的专业知识。学术界和工业界需要共同努力,支持这一领域的长期创新。”
该团队概述了 DfAI 必需的三个角色:工程设计师、设计库管理员和 AI 开发人员。工程设计师可以是负责制定新项目规格的个人或团队。他们是能够理解工程约束和 AI 算法的问题解决者。设计存储库管理者必须更进一步扮演数据库维护者的角色,通过拥有工程设计和制造知识来为设计工程师提供数据管理工具,以满足工作流程需求并可扩展到未来的需求。最后,AI 开发人员必须能够构思、开发、营销和持续改进 AI软件产品,以帮助设计工程师。
“我们不能将 AI 开发视为我们核心业务的事后想法,”McComb 总结道。“除非我们用基于深度集成人工智能的下一代设计和制造软件来增强设计工程师的能力,否则我们设计新颖有用技术的能力将无法发挥这些新制造技术的潜力。”
根据 Williams 的说法,一些行业可能更容易采用 DfAI 原则。计算机科学应用程序,例如由增材制造等数字驱动技术制造的产品,自然具有复杂的网络物理路径和产出人员,非常适合采用和推动 DfAI 原则。航空航天和医疗设备等受监管行业习惯于在非常复杂的工程系统环境中遵循严格的程序和可靠的数据存储技术,因此他们可能有资源开始 DfAI 的采用过程。
我们还可能会看到物联网(IoT) 和智能设备产品设计人员尽早采用 DfAI 原则。这些设计人员不仅受益于设计过程中的数据,而且受益于从他们的设备在测试或实践中收集的大量数据。利用来自现场的这些有价值的产品数据可能会给人工智能工具带来巨大的好处,帮助提高未来产品的质量、性能、可持续性和盈利能力。
“由于工程应用、行业、技术和运营规模之间存在如此多的差异,因此建立通用框架、通用术语和书面原则对于发展一个可以共同协作的相互关联的 AI 工程师社区至关重要,”Williams 阐述道。“我们的 DfAI 框架为这些关键讨论提供了高层次的起点。”