3 ژانویه 2023 -توسط Kaitlyn Landram، مهندسی مکانیک دانشگاه کارنگی ملون
اصول DfAI اعتبار: دانشگاه کارنگی ملون، کالج مهندسی
با توجه به سرعت پیشرفت طراحی و ساخت مهندسی در کنار پیشرفت‌های محاسباتی، ممکن است شما را شگفت‌زده کند که 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 درک کنند – طراحی برای هوش مصنوعی.
کریس مک‌کامب، دانشیار مهندسی مکانیک در کارنگی ملون، و شاگردش گلن ویلیامز، که اکنون دانشمند اصلی در Re:Build Manufacturing است، چارچوب طراحی برای هوش مصنوعی (DfAI) را با همکاری محققان دانشگاه ایالت پن برای آموزش و تشویق ایجاد کرده‌اند. جامعه مهندسی صنعتی و دانشگاهی برای اتخاذ طراحی مهندسی هوش مصنوعی.
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 فناوری های هوش مصنوعی است. از آنجایی که مهندسی محصول محور است و انگیزه‌های طراحی و ساخت، برتری کوتاه‌مدت را در اولویت قرار می‌دهد، 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 می کند تا به سرعت وارد بازار شود و به سوددهی برسد. از سوی دیگر، شرکت B یک فرآیند غنی از داده ایجاد می کند که در طول چرخه عمر طراحی، هوشمندی را به دست می آورد. طی ده سال آینده، شرکت B می تواند هزینه عملیاتی خود را با استفاده از طراحی مبتنی بر داده که هم می تواند تولید هواپیمای خود را بهینه کند و هم محصولات بهتری ایجاد کند، به شدت کاهش دهد. شرکت A دیگر نمی تواند ادامه دهد.
از آنجایی که طراحی و ساخت درمخزن اطلاعات انجام نمی شود، DfAI برای جنبه های گسترده تر فرآیند طراحی مهندسی کاربرد دارد. ویلیامز پیشنهاد می کند که اساساً، پیشرفت DfAI را می توان از طریق 1) بالا بردن سواد هوش مصنوعی در صنعت پرداخت. 2) طراحی مجدد سیستم های مهندسی برای ادغام بهتر با هوش مصنوعی. و 3) بهبود فرآیند توسعه هوش مصنوعی مهندسی.
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 صنعت باید با یکدیگر همکاری کنند تا از نوآوری بلندمدت در این زمینه حمایت کنند.”
این تیم سه شخصیت را به عنوان ضروری برای DfAI ترسیم می کند: 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 گشایانی هستند که می توانند محدودیت های مهندسی و همچنین الگوریتم های 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 گردش کار را برآورده کنند و برای نیازهای آینده قابل توسعه باشند. در نهایت، توسعه دهندگان هوش مصنوعی باید قادر به ایده پردازی، توسعه، بازاریابی و بهبود مستمر محصولات نرم افزاری هوش مصنوعی برای کمک به مهندسان طراحی باشند.
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 تکنیک های جدید تولید کوتاه خواهد بود.
به گفته ویلیامز، چندین صنعت ممکن است وضعیت آسان تری را برای اتخاذ اصول DfAI داشته باشند. برنامه های کاربردی علوم رایانه، مانند محصولات تولید شده با تکنیک های دیجیتالی مانند ساخت افزودنی، طبیعتاً دارای یک مسیر فیزیکی-سایبری پیچیده و پرسنل عملکردی هستند که در اتخاذ و هدایت اصول DfAI مناسب هستند. صنایع تحت نظارت مانند هوافضا و دستگاه‌های پزشکی به پیروی از روشهای دقیق و تکنیک‌های ذخیره داده قابل اعتماد در چارچوب سیستم‌های مهندسی شده بسیار پیچیده عادت دارند، بنابراین احتمالاً منابع لازم برای شروع فرآیند پذیرش DfAI را دارند.
همچنین ممکن است اینترنت اشیا (IoT) و طراحان محصولات دستگاه های هوشمند را ببینیم که اصول DfAI را زودتر به کار می گیرند. 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 از میدان 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 عملیات 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 ما نقطه شروع سطح بالا را برای این بحث های مهم فراهم می کند.
