Чудовий перетин симуляції та ШІ

Ознайомтеся з усіма сесіями на замовлення саміту Intelligent Security Summit тут.


Симуляція стала критично важливою технологією, яка допомагає підприємствам скоротити час виходу на ринок і знизити витрати на проектування. Інженери та дослідники використовують моделювання для різних застосувань, зокрема:

  • Використання віртуальної моделі (також відомої як цифровий двійник) для моделювання та тестування їхніх складних систем на ранніх і частих етапах процесу проектування.
  • Підтримка цифрового потоку з можливістю відстеження через вимоги, архітектуру системи, дизайн компонентів, код і тести.
  • Розширення їхніх систем для виконання прогнозного технічного обслуговування (PdM) і аналізу несправностей.

Багато організацій покращують свої можливості моделювання, впроваджуючи штучний інтелект (AI) у свій модельний дизайн. Історично ці дві галузі були окремими, але створювали значну цінність для інженерів і дослідників, коли їх ефективно використовували разом. Сильні та слабкі сторони цих технологій ідеально поєднані, щоб допомогти підприємствам вирішити три основні проблеми.

Завдання 1: кращі навчальні дані для більш точних моделей ШІ з моделюванням

Імітаційні моделі можуть синтезувати дані реального світу, які важко або дорого зібрати, у якісні, чисті та каталогізовані дані. Хоча більшість моделей штучного інтелекту працюють із фіксованими значеннями параметрів, вони постійно піддаються впливу нових даних, які можуть не бути зафіксовані в навчальному наборі. Якщо їх не помітити, ці моделі створюватимуть неточні дані або виявлятимуть абсолютний збій, що змушуватиме інженерів годинами намагатися визначити, чому модель не працює.

Моделювання може допомогти інженерам подолати ці проблеми. Замість того, щоб налаштовувати архітектуру та параметри моделі ШІ, було показано, що час, витрачений на вдосконалення навчальних даних, часто може призвести до значного підвищення точності.

Подія

Intelligent Security Summit On-Demand

Дізнайтеся про важливу роль штучного інтелекту та машинного навчання в кібербезпеці та конкретних галузевих прикладах. Дивіться сеанси за запитом сьогодні.

Дивіться тут

Оскільки продуктивність моделі настільки залежить від якості даних, з якими вона навчається, інженери можуть покращити результати за допомогою ітераційного процесу моделювання даних, оновлення моделі штучного інтелекту, спостереження за умовами, які вона не може добре передбачити, і збору більшої кількості змодельованих даних для цих умови.

Завдання 2: штучний інтелект для нових функцій у продукті

Моделювання стало важливою частиною процесу проектування для інженерів, які використовують вбудовані системи для таких додатків, як системи керування та обробки сигналів. У багатьох випадках ці інженери розробляють віртуальні датчики, пристрої, які обчислюють значення, яке безпосередньо не вимірюється за допомогою доступних датчиків. Але здатність цих методів фіксувати нелінійну поведінку, присутню в багатьох системах реального світу, обмежена, тому інженери звертаються до підходів на основі ШІ, які мають гнучкість для моделювання складності. Вони використовують дані (виміряні або змодельовані) для навчання моделі штучного інтелекту, яка може передбачити неспостережуваний стан на основі спостережуваних станів, а потім інтегрувати цю модель штучного інтелекту в систему.

У цьому випадку модель штучного інтелекту є частиною алгоритму керування, який закінчується фізичним апаратним забезпеченням і зазвичай потребує програмування на мові нижчого рівня, наприклад C/C++. Ці вимоги можуть накладати обмеження на типи моделей машинного навчання, які підходять для таких програм, тому технічним фахівцям може знадобитися випробувати кілька моделей і порівняти компроміси в точності та продуктивності на пристрої.

На передньому краї досліджень у цій галузі навчання з підкріпленням розвиває цей підхід. Замість вивчення лише оцінювача навчання з підкріпленням включає в себе всю стратегію контролю. Ця техніка виявилася ефективною в деяких складних програмах, таких як робототехніка та автономні системи, але побудова такого типу моделі вимагає точної моделі навколишнього середовища – ніколи не є гарантією – а також величезної обчислювальної потужності для запуску великої кількості симуляцій.

Завдання 3: баланс між «правильним» і «прямо зараз»

Підприємствам завжди було важко вийти на ринок. Організації, які просувають клієнтам помилкове або несправне рішення, ризикують завдати непоправної шкоди своєму бренду, особливо стартапам. Справедливо протилежне, оскільки на усталеному ринку «також бігають» важко досягти популярності. Симуляції були важливою інновацією в дизайні, коли вони були вперше представлені, але їх постійне вдосконалення та здатність створювати реалістичні сценарії можуть уповільнити інженерів-перфекціоністів. Надто часто організації намагаються побудувати «ідеальні» імітаційні моделі, створення яких займає значну кількість часу, що створює ризик того, що ринок зміниться.

Щоб знайти належний баланс між швидкістю та якістю, технічні спеціалісти повинні визнати, що завжди існуватимуть екологічні нюанси, які неможливо змоделювати. Ніколи не слід сліпо довіряти моделям штучного інтелекту, навіть якщо вони служать наближенням для складних високоточних систем.

Майбутнє ШІ для моделювання

Технології штучного інтелекту та моделювання розвивали та зберігали свій імпульс окремо протягом майже десяти років. Тепер інженери починають бачити велику цінність у їх перетині, враховуючи симбіотичну природу їхніх сильних і слабких сторін.

Оскільки моделі продовжують обслуговувати дедалі складніші додатки, ШІ та симуляція стануть ще більш важливими інструментами в наборі інструментів інженера. З можливістю розробки, тестування та перевірки моделей точним і доступним способом використання цих методологій буде лише зростати.

Сет Деленд — менеджер з маркетингу продукту аналітики даних у MathWorks.

DataDecisionMakers

Ласкаво просимо до спільноти VentureBeat!

DataDecisionMakers — це місце, де експерти, включно з технічними спеціалістами, які працюють з даними, можуть ділитися інформацією та інноваціями, пов’язаними з даними.

Якщо ви хочете прочитати про передові ідеї та актуальну інформацію, найкращі практики та майбутнє даних і технологій обробки даних, приєднуйтесь до нас у DataDecisionMakers.

Ви навіть можете подумати про те, щоб написати власну статтю!

Докладніше від DataDecisionMakers

Leave a Comment