Stratégia együttműködésre lépett az Altair és a Rolls-Royce

Peter Wehle, a Rolls-Royce innovációs és kutatás-fejlesztési vezetője beszélt az együttműködés lehetőségeiről. A szakértő elmondta, hogy a mesterséges intelligencia és a mérnöki folyamatok ötvözése által jelentős üzleti eredményeket érhet el a két vállalat. Az együttműködés lehetővé teszi, hogy a partnerek áthidalják a mérnöki területek és az adattudomány közötti szakadékot – biztosítva a mérnökök számára, hogy elsősorban a gépi tanulásra és a mesterséges intelligenciára összpontosítsanak. Emellett a projekt elősegíti az adatelemzés fejlődését, az adatközpontú döntések javulását, valamint az üzlet és a termékportfólió átalakítását.

A mesterséges intelligencia és a mérnöki munka ötvözése

Az Altair egyedülálló szakértelemmel és low-code adatelemzési technológiával rendelkezik, amely a szektorban a legjobbnak számít. A Rolls-Royce is nagy mennyiségű, drága adattal dolgozik – a mesterséges intelligencia használata és a fejlett adatelemzés pedig több mint 20 éve a vállalkozás működésének középpontjában áll. Az IntelligentEngine jövőkép részeként ennek az együttműködésnek az a célja, hogy a mesterséges intelligenciát és a mérnöki munkát még szorosabban összekapcsolja az üzleti értékek megszerzése érdekében.

Az Altair már korábban is számos szabványosított mérnöki eszközt biztosított a Rolls Royce számára – beleértve a Hyperworkst és az Optistructot –, emellett most már egy strukturális elemző eszközzel, a Simsoliddal, valamint több adatelemző eszközzel is bővült az Altair által nyújtott rendszerek száma. A következő lépés pedig, hogy ezen eszközök csatlakoztatásának segítségével teljes mértékben ki tudják használni a strukturális rendszerek gyors és hatékony viselkedését. A szerkezeti tervezés és az adatelemzés összekapcsolása elősegíti a fejlesztési folyamat átalakítását.

Kezdetben a Rolls-Royce az Altair Knowledge Works platformját használja, hogy a mérnökök a szimulációs adatok, a tesztadatok, a gyártási adatok és a működési adatok felhasználásával képesek legyenek a gépi tanulás módszereit alkalmazni. A platformot úgy tervezték, hogy a felhasználók könnyen és hatékonyan hozzáférhessenek az eltérő adatforrásokhoz és formátumokhoz alacsony kódú vagy kód nélküli környezetben, valamint átalakíthassák az adatokat – ez lehetővé teszi a mérnökök számára, hogy a rendelkezésre álló források segítségével gépi tanulási modelleket építsenek fel és ismereteiket megosszák az üzletben.

A tervezés folyamatának leegyszerűsítése

Sam Mahalingam, az Altair vezérigazgatója elmondta, hogy az új termékek piacra kerülésekor kulcsfontosságú a tervezési folyamatban való eligazodás. Sajnos sok fontos információ nem áll rendelkezésre a tervezési koncepció szakaszában – ennek eredményeként a döntések a meghatározott szabályokon, valamint az évekig tartó szakértelmen alapulnak. Az információhiány a koncepcióterv szakaszában azt jelenti, hogy sok ismétlésre van szükség – mivel ekkor a termék a részlettervezés szakaszába lép. Ez a folyamat meghosszabbítja a motor tervezési-életciklusát, amely így gyakran 10 évet is igénybe vehet.

Az olyan eszközök, mint a kockázatértékelés vagy a tapasztalt mérnökökkel végzett hibaelemzések alapvető szerepet játszanak a folyamatokban. A széleskörű szimulációs -és tesztműveletek hatalmas mennyiségű, nagyon részletes és összetett adatokat hoznak létre. Különösen ezekben a fázisokban éri el a mérnöki munka az erőforrások „csúcsfogyasztását”. Mivel ezek az információk a folyamat késői szakaszában válnak csak elérhetővé, ezen adatok nagy része nem használható fel közvetlenül a tervezés fejlesztésére. Ennek javítása érdekében szeretnék elérni a vállalatok, hogy az információk sokkal hamarabb és kevésbé összetett formában álljanak rendelkezésre – így a mérnököknek kevesebb, de jóval hatékonyabb tesztet és elemzést kell futtatniuk.

A készségfejlesztésre is összpontosítanak

Wehle hozzátette, hogy az innovatív megoldások iránti növekvő kereslet rövid időn belül a mérnöki munka kulturális változásának szükségességét is ösztönözni fogja. A Rolls Royce segít abban, hogy ez a kulturális váltás megvalósuljon az adatinnovációs katalizátor, az R2 Data Labs segítségével. Ez magában foglalja az úgynevezett Digitális Akadémiát, amely az érintettek digitális készségeinek a folyamatos fejlesztését tűzte ki célul. Emellett a mesterséges intelligencia etikai és megbízhatósági szempontjából jelentős Aletheia Framework eszközkészletet is felhasználják, amely a mesterséges intelligencia által hozott döntéseket ellenőrzi.

Mahalingam elmondta, hogy a fejlesztések egyik jelentős célja, hogy a mérnökök számára három különféle típusú adat álljon rendelkezésre – ez magában foglalja az összes fizikai alapú szimuláció múltbeli adatait a korábbi tervekből, a fizikai laboratóriumi vizsgálatok visszajelzéseit és a valós idejű működési adatokat. A kihívás ebben az esetben az eltérő információk összefogása – hiszen így a kezdeti tervezési szakasz nem igényelne olyan sok ismétlést. Az adatvezérelt gépi tanulási modell ebben a szakaszban tud segítséget nyújtani.

A felhasználási esetek kiválasztása

Az olyan adattudományi technikák, mint a besorolás, a regresszió, vagy az anomáliák felderítése hatékony eszközök a nagy adatkészletekből származó ismeretek felfedezésére. Az úgynevezett KDD (ismeretfeltárás adatbázisból) folyamatok kiindulópontja egy olyan helyzet, amikor nagy mennyiségben állnak rendelkezésre adatok, azonban hiányos információkkal (a döntéshozatal szempontjából fontos információk el vannak rejtve a nagy mennyiségű adatban).

A nagy mennyiségű adat feltárása és elemzése megszünteti az adatok és információk közötti szakadékot. Ezen megközelítés mérnöki fejlesztési folyamatban való alkalmazásának célja az, hogy a lehető legtöbb hasznos információt a lehető legkorábban tegye elérhetővé, valamint az összetett adatokból minél könnyebben feldolgozható forrásokat állítson elő. Az egyszerű szabályok és a szupergyors szimulációs technikák kombinációja lehetővé teszi a tervezés szempontjából releváns szempontok korai azonosítását.

Az együttműködés célja tehát, hogy a vállalatok felkutassák a megfelelő adattudományt, az algoritmusokat és a felhasználási eseteket, miközben a mesterséges intelligencia alapú modellek fejlesztésében jelentős előrelépést érnek el. Az adatok felhasználása az adattudományi technikák alkalmazásával pedig garantálja a jobb minőségű termékek biztosítását jóval rövidebb időintervallumokon belül – olvasható az IndustryWeek oldalán.