Intelligence artificielle 101 : c’est mathématique, pas magique

Le terme intelligence artificielle (IA) peut être un peu trompeur. Alors que le support du renseignement est conçu (et, en ce sens, artificiel ou créé par l’homme), l’intelligence elle-même est basée sur des données très réelles. Cependant, la plupart des gens entendent “IA” et pensent à des robots futuristes ou à des scènes de films de science-fiction, sans reconnaître que l’origine de l’IA n’est ni fictive ni magique – ce sont les mathématiques.

Les mathématiques et les données sont au cœur des méthodes de formation à l’IA et à l’apprentissage automatique (ML). De cette façon, le processus n’est pas si éloigné des projets d’ingénierie pilotés par l’homme. Pourtant, l’IA a reçu quelques critiques en cours de route, largement basées sur un malentendu et une méfiance ultérieure à l’égard de l’IA.

Parallèlement à cela, il y a une peur et un léger dégoût de la possibilité que des machines alimentées par l’IA puissent un jour remplacer les humains sur le lieu de travail. Mais c’est aussi une version déformée de ce qu’est réellement ou peut être l’IA. L’IA contribue bien plus au domaine de l’ingénierie qu’elle ne pourrait jamais supprimer ou remplacer.

La relation entre l’IA et l’ingénierie est plus symbiotique et similaire à la connexion que nous voyons avec simulation et IA, ou simulation et ingénierie. Chaque relation complète et renforce l’autre.

Pour dissiper certaines des idées fausses autour de l’IA, passons en revue certains des ingrédients clés du processus d’IA, comment la simulation s’emboîte et comment l’IA et la simulation profitent de manière significative à l’ingénierie.

Connaître les faits : données basées sur la simulation

Les données sont la partie la plus critique de l’ingénierie basée sur l’IA. Comme mentionné précédemment, l’IA est essentiellement constituée de beaucoup de mathématiques, composées d’algorithmes, de calculs et d’autres types de données. Il s’agit de la formation en arrière-plan ou en coulisse que la plupart des gens ne voient pas. Cependant, tout comme vous devez former vos équipes humaines, vous devez former votre IA.

Pour les humains en milieu de travail, cela pourrait prendre la forme d’un module de formation ou d’une session pratique avec un membre senior de l’équipe. La formation se présente sous une forme différente pour l’IA, mais il existe toujours une formation basée sur l’information. L’ingénieur entraîne l’IA en lui fournissant les données dont elle a besoin pour effectuer la tâche à accomplir. Comme vous pouvez l’imaginer, l’exactitude des données est essentielle pour les mêmes raisons que vous ne formeriez pas un humain à l’aide d’informations inexactes. Par conséquent, l’intégration AI/ML n’est pas une révolution, mais une évolution des méthodes comparable à la formation d’un ingénieur ou d’un concepteur à une nouvelle approche de conception ou de flux de travail qui donne de meilleurs résultats.

Une différence, cependant, est le volume considérable de données nécessaires pour préparer pleinement l’IA, d’autant plus que l’IA manque des éléments humains de bon sens ou de réflexion rapide. Bien que ce soit une autre raison d’hésitation pour certains, c’est là que la simulation peut fournir une grande aide avec une précision prédictive, une grande capacité de données, des capacités d’analyse presque illimitées et des résultats rapides. Pour cette raison, l’intégration de l’IA/ML à la simulation est un élément fondamental pour réaliser l’ingénierie de l’IA à grande échelle.

Avec des logiciels de simulation couvrant l’analyse par éléments finis (FEA), la dynamique des fluides computationnelle (CFD), l’électromagnétisme et d’autres modélisations basées sur la physique, le vaste portefeuille d’Ansys dispose des outils pour pratiquement tous les projets d’ingénierie. Grâce à ces outils, les ingénieurs peuvent collecter les données les plus précises possibles et visualiser les performances. Encore plus avantageux, Ansys élimine la charge mathématique de l’ingénieur ou du concepteur en simplifiant les calculs ou les techniques de codage et en encapsulant ces tâches dans des outils intégrés faciles à utiliser. Aujourd’hui, la simulation est beaucoup plus accessible au non-spécialiste de la simulation.

Une fois que la quantité de données souhaitée est collectée, les membres de l’équipe peuvent à nouveau se tourner vers la simulation pour l’étape suivante : la formation de l’IA. Une méthode de formation tire parti de la technologie du jumeau numérique, telle que Ansys Twin Builder. Un jumeau numérique peut être utilisé conjointement avec des méthodes ML pour générer de grandes quantités de données afin de former l’IA beaucoup plus rapidement et à moindre coût que l’utilisation de machines physiques pour la génération de données.

L’intelligence artificielle joue un rôle clé dans les jumeaux numériques hybrides.

Selon consortium de jumeaux numériques, un jumeau numérique est une représentation virtuelle d’entités et de processus du monde réel, synchronisés à une fréquence et une fidélité spécifiées. En créant des jumeaux numériques avec le Twin Builder et en intégrant l’IA/ML, les ingénieurs peuvent fusionner des modèles basés sur les données et la physique pour créer des jumeaux numériques hybrides.

Avec les jumeaux numériques hybrides, la technologie des jumeaux numériques se combine avec la simulation basée sur la physique d’Ansys pour transporter les détails des simulations 3D – par exemple, l’analyse structurelle et les modèles mécaniques – dans des modèles d’ordre réduit (ROM), ce qui réduit la complexité des calculs et produit un système plus efficace. -modèles de niveau avec le même niveau de précision fiable.

Un autre avantage des méthodes basées sur l’IA/ML est la possibilité d’utiliser des données historiques. Généralement, lorsqu’un volume de données est collecté, il est de la responsabilité de trier ces informations pour en extraire ce qui est le plus nécessaire, ce qui est le moins utile et ce qui doit être jeté. Les données historiques moins utiles ou rejetées sont souvent stockées dans d’anciens formats sur les disques durs des ordinateurs, ce qui les rend pour la plupart inaccessibles et apparemment sans valeur. Cependant, l’IA/ML se nourrit d’une accumulation de données et en fait un grand usage.

En fait, l’IA/ML peut transformer des données obsolètes en un actif de grande valeur. Comme mentionné précédemment, il faut beaucoup de données (et de mathématiques) pour entraîner correctement l’IA. De cette façon, AI/ML peut bénéficier de données inutilisées ou anciennes en les recyclant pour les utiliser comme matériel de formation. L’utilisation des résultats et des données des simulations précédentes pour apprendre et relever de nouveaux défis de conception revient à tirer parti de l’expérience d’une équipe de concepteurs expérimentés, mais avec un plus grand avantage.

Cela contribue également aux préoccupations de durabilité. De gros volumes de données doivent être stockés, ce qui consomme inutilement de l’énergie et de l’énergie, surtout si les données ne sont pas utilisées. En utilisant l’IA/ML pour classer, consolider et utiliser les anciennes données, nous pouvons réduire l’énergie et la consommation d’énergie à long terme.

Pour développer cela, nous pouvons nous efforcer de créer un cadre de développement gourmand en données avec une plate-forme ouverte où les algorithmes de machines modernes peuvent régulièrement consommer des données et se nourrir d’informations provenant de plusieurs sources.

Des liens mutuellement bénéfiques

Alors que l’IA bénéficie de la simulation, la simulation bénéficie également de l’IA. L’IA peut accélérer la simulation jusqu’à 100 fois plus vite, comme nous le voyons avec des simulations basées sur l’IA ou des simulations utilisant des systèmes basés sur ML.

Par exemple, nous pouvons tirer parti du ML pour générer des conceptions de produits de transition en formant des réseaux de neurones pour prédire, optimiser et fournir automatiquement des conceptions au niveau de la production basées sur des conceptions précédentes. Nous pouvons également utiliser ML pour définir automatiquement les paramètres du modèle ou appliquer des solveurs de flux basés sur ML pour permettre une simulation augmentée.

De même, l’IA/ML peut piloter la conception avec l’optimisation de la topologie tout en simplifiant les flux de travail et en réduisant finalement les coûts. Par exemple, AI/ML peut être appliqué à Ansys optiSLang logiciel d’intégration de processus et d’optimisation de la conception pour les inducteurs en silicium avancés pour les applications à ondes millimétriques utilisant l’IA/ML pour produire des modèles de blocs de construction synthétiques en une fraction du temps.

Pourtant, même avec la myriade d’avantages de la simulation, de l’IA/ML, de l’automatisation ou d’une assistance informatique similaire, il existe une place critique et axée sur la valeur pour les humains. Non seulement des ingénieurs, mais aussi des concepteurs et d’autres professionnels sont encore nécessaires pour former l’IA et combler le fossé entre l’IA, la simulation et l’ingénierie en fournissant une formation, des informations et une direction essentielles. Ces professionnels sont mieux équipés avec des outils de conception alimentés par l’IA qui libèrent une créativité incroyable.

Pour savoir comment intégrer l’IA dans votre opération ou créer des jumeaux numériques hybrides, demandez l’accès aux webinaires à la demande d’Ansys : Comment accélérer les innovations de produits et évoluer avec succès grâce à l’IA ou Jumeaux numériques hybrides : réunir le meilleur de l’IA et de la physiquerespectivement.

Leave a Comment

Your email address will not be published.