Considérez, par exemple, les systèmes de conduite automatisés. Bien que les véhicules autonomes promettent d’améliorer considérablement la mobilité, les ingénieurs doivent tester ces cadres pour des facteurs critiques tels que la sécurité et les pannes potentielles du système. Toyota est l’un des constructeurs automobiles qui s’efforce de sécuriser les systèmes sans conducteur. En 2016, le président et chef de la direction de Toyota, Akio Toyoda, en a dit plus des tests seraient nécessaires pour achever sa mission – environ 8,8 milliards de kilomètres.
Heureusement, déclare Stefan Jockusch, vice-président de la stratégie chez Siemens Digital Industries Software, la simulation peut aider. En testant virtuellement des millions de scénarios du monde réel, des conditions routières enneigées aux piétons imprudents, la technologie de simulation peut analyser les performances des véhicules autonomes tout en accélérant le développement et en réduisant les coûts.
Mais si la simulation est essentielle au développement et à la fabrication numériques des produits d’aujourd’hui et de demain, des défis tels qu’une complexité accrue et un manque de connaissances du domaine poussent les organisations à renforcer leurs processus de simulation avec des capacités d’intelligence artificielle (IA).
L’IA comme augmentateur intelligent
Bien que les défis puissent varier, Don Tolle, directeur de la société de conseil et de recherche CIMdata, déclare: «l’un des principaux obstacles à la simulation est le temps qu’il faut pour transformer une simulation complexe et partager les résultats avec d’autres, y compris la conception. ingénieurs et analystes de simulation. » En fait, Tolle affirme que la conception, la collecte d’informations, la création, l’exécution et l’analyse de modèles de simulation pour soutenir la prise de décision peuvent prendre des «semaines».
La complexité est un autre obstacle que les ingénieurs doivent affronter. Les modèles de simulation peuvent fournir des informations plus approfondies et plus précises sur le comportement des systèmes de fabrication, mais ces détails supplémentaires peuvent se faire au prix de calculs plus importants. La construction de modèles de simulation exige également des talents possédant des connaissances approfondies du domaine et des mathématiques. De nombreuses organisations se concentrent sur la démocratisation de l’accès aux outils de simulation en en faisant un élément standard des processus de conception et de fabrication. Mais le défi, prévient Tolle, est de «rendre ces outils consommables par l’ingénieur moyen qui n’a peut-être pas une connaissance approfondie du domaine dans les spécificités d’une technologie de simulation et de simulation. Après tout, le développement d’algorithmes d’IA n’est qu’une partie du processus de simulation; les ingénieurs ont besoin de connaissances du domaine pour comprendre le contexte plus large de la façon dont les modèles sont construits et le but qu’ils servent.
En réponse à ces obstacles, de nombreuses entreprises se tournent vers l’IA pour accélérer et simplifier la simulation – et pour de bonnes raisons. L’IA peut distiller les informations sous une forme plus facile à comprendre et plus transparente pour les ingénieurs, éliminant ainsi le besoin d’interagir avec chaque détail d’un modèle. «La capacité de créer ces modèles incroyablement complexes est l’un des domaines dans lesquels l’intelligence artificielle et l’apprentissage automatique auront le plus grand impact», déclare Tolle.
En effet, l’IA peut «apprendre» son expertise à partir du vaste volume d’ensembles de données de simulation créés par des milliers d’exécutions de simulation dans des applications similaires. En conséquence, l’IA peut proposer des paramètres de modèle qui permettent un ensemble optimal de caractéristiques de conception pour le système tout en éliminant le risque que les simulations prennent plus de temps que les tests physiques. Ensuite, les ingénieurs peuvent commencer à rassembler des caractéristiques de conception optimales pour des conceptions plus détaillées, telles que les conceptions 3D assistées par ordinateur, le développement de logiciels et l’électronique. «La simulation augmente l’intelligence de l’ingénieur en utilisant l’IA et [machine learning] pour améliorer la façon dont nous effectuons des analyses et utilisons les données », déclare Tolle.
Pas de pénurie de cas d’utilisation
L’IA peut aider à rendre la simulation pratique dans les cas où elle ne le serait pas autrement, par exemple, lorsqu’un concepteur souhaite rapidement tester et valider de nombreuses configurations de conception.
«Les simulations peuvent être coûteuses en calcul – par exemple, le comportement de charge d’un véhicule électrique hybride pour des milliers de types de cycles de conduite», explique Jockusch. L’IA aide à développer des modèles dits de substitution, en utilisant des milliers de simulations existantes pour dériver des modèles hautement simplifiés, beaucoup moins coûteux en termes de calcul, qui sont «suffisamment précis pour guider les concepteurs dans un espace de décision complexe».
Un autre avantage de l’IA est sa capacité à détecter les défauts de conception dès le début du cycle de vie d’un produit. «Il y a eu quelques exemples notables de pannes de système ou d’erreurs de système au cours des quatre ou cinq dernières années dans les secteurs de l’aérospatiale et de l’automobile avec des rappels et des problèmes majeurs», déclare Tolle. «Le coût de la prise de décisions tard dans le cycle de vie est énorme.»
La bonne nouvelle, dit-il, est que l’intelligence artificielle peut minimiser le risque d’introduire des failles dans la conception des produits en permettant aux ingénieurs «de valider les systèmes tout au long de leur développement. Cela permet des décisions de conception plus intelligentes et plus rapides et des compromis au début du cycle de vie de la conception plutôt que de devoir changer la conception plus tard, ce qui peut être coûteux dans les systèmes complexes. »
Téléchargez le rapport complet.
Ce contenu a été produit par Insights, la branche de contenu personnalisé de MIT Technology Review. Il n’a pas été rédigé par la rédaction de MIT Technology Review.
L’article Modèles intelligents pour une prise de décision plus intelligente est apparu en premier sur zimo news.
