Termin „sztuczna inteligencja” nie jest nowy. Pierwsze wzmianki o niej pojawiły się w latach 50 ubiegłego wieku. Dlaczego dopiero dzisiaj wywołuje tyle emocji i co się zmieniło w tym zakresie? Miało na to wpływ wiele czynników. Faktem jest, że patrząc z perspektywy nawet ostatnich 15 lat – o temacie wspominali głównie fantaści i naukowcy, natomiast przez ostatnie 2-3 lata obserwujemy eksplozję zastosowań i aplikacji sztucznej inteligencji. Zaczynając od prymitywnych botów mających zautomatyzować obsługę klienta, poprzez narzędzia do podkładania głosu, obróbki obrazu, przez deep fake, na chatGPT pewnie nie kończąc. Całość budzi jednocześnie fascynację i niepokój.
- Sztuczna inteligencja w dziale konstrukcyjnym i R&D – jak działa AI/ML
- AI/ML w ANSYS
- Co się dzieje z AI/ML poza standardowymi narzędziami ANSYS-a?
Rozwój sztucznej inteligencji jest często nazywany kolejną rewolucją przemysłową, porównywany do wynalezienia maszyny parowej czy komputera. Tak jak wcześniejsze rewolucje często eliminowały proste prace i generowały nowe, bardziej zaawansowane zawody, ze sztuczną inteligencją może się okazać, że sprawy mają się inaczej.
Cechą obecnych technologii jest to, że świetnie sobie radzą z powtarzalnymi działaniami oraz z pracą na dużej ilości danych. Nadają się do analizy trendów, znajdywania zależności, bardzo dobrze sprawdzają się w diagnostyce, ale niekoniecznie dobrze radzą sobie w pracy twórczej i myśleniu out-of-the-box. Ale czy tylko? Mamy AI tworzące obrazy, odpowiadające na pytania czy zdające egzaminy. Za chwilę nie będziemy w stanie rozpoznać czy rozmawiamy online z człowiekiem czy z botem. Wydaje się, że wszelkie działania i zawody, polegające na odtwórczym czy powtarzalnym działaniu są obecnie na celowniku sztucznej inteligencji.
Sztuczna inteligencja w dziale konstrukcyjnym i R&D – jak działa AI/ML
Praca inżyniera kojarzona jest często z pracą twórczą, ale mającą w sobie spory zakres działań powtarzalnych czy odtwórczych. Dodając do niej potencjał sztucznej inteligencji, można uzyskać bardzo duże wsparcie i rozszerzyć możliwości zastosowania symulacji komputerowych.
Jak działa AI/ML? Przekładając to na język obrazowy, to pewnie każdy pracujący w firmie z wieloletnią tradycją miał okazję spotkać przysłowiowego „pana Zbyszka”. Pan Zbyszek zjadł zęby na produktach danej firmy i wystarczy, żeby popatrzył przez ramię młodego inżyniera na ekran monitora, a już będzie wiedział, co nie zadziała albo co trzeba poprawić. Skąd? Ano lata doświadczeń. Przekładając to na język AI, ma zabudowaną sieć neuronową wyszkoloną pod kątem projektowania np. zaworów. Tacy pracownicy są niezwykle cenni. Problem pojawia się, kiedy przechodzą na emeryturę albo do konkurencji. Zabierają „wytrenowaną sieć neuronową” ze sobą.
A teraz wyobraźmy sobie sytuację, gdy zebrane zostaną wszystkie projekty przeliczone w firmie od samego początku, do tego zostaną dołożone wyniki pomiarów, wyniki prac nad nowymi projektami i to wszystko zostanie wykorzystane do uczenia sztucznej sieci neuronowej.
Nie wchodząc w szczegóły, polega to na tym, że wrzuca się projekt, podaje warunki brzegowe i sieć neuronowa „zgaduje” wynik. Następnie porównuje swój wynik z wynikiem z symulacji i na podstawie różnicy wprowadza modyfikację sieci neuronowej. Proces jest powtarzany, aż sieć będzie zwracać akceptowane wyniki. Na koniec otrzymuje się zestaw modeli weryfikacyjnych, na którym sprawdza się poprawność działania sieci.
Stosując to podejście, można uczyć sieć neuronową, a co więcej, można ją cały czas szkolić, angażując w nowe projekty z całkiem nowymi podejściami. Można stworzyć „super Zbyszka”, który będzie się cały czas rozwijał dzięki nowym projektom realizowanym przez zespół ludzi. Jest to całkowicie skalowalne podejście. „Super Zbyszek” zawsze każdemu pomaga, zwraca wyniki w trzy sekundy, nie chodzi na L4 i nie przejdzie na emeryturę, zabierając całą wiedzę ze sobą.
AI/ML w ANSYS
ANSYS jako lider technologii ma już obecnie w swoich narzędziach pierwsze aplikacje AI i pracuje nad kolejnymi.
Najprostszym przykładem jest narzędzie do estymacji czasu obliczeń wytrzymałościowych. ANSYS przeanalizował przeliczone przypadki, ocenił siatkę, skomplikowanie modelu, warunki brzegowe i jest w stanie oszacować czas i zasoby potrzebne na przeliczenie nawet modelu nieliniowego. Mała rzecz a cieszy.
Także w symulacjach CFD możemy skutecznie wykorzystać uczenie maszynowe. Fluent jest w stanie za pomocą wbudowanej sieci neuronowej wyszukiwać współczynniki korekcyjne do modelu turbulencji k-ω GEKO, aby automatycznie dostosować parametry symulacji do pomiarów i zachować idealną zgodność w kolejnych symulacjach.
W narzędziu OptiSLang zabudowane są sieci neuronowe. Przy optymalizacji parametrycznej z dużą liczbą parametrów czy wieloma wartościami program przelicza DesignPointy i trenuje nimi sieć neuronową. W efekcie kolejne DP są rozwiązywane przez sieć neuronową w parę sekund – zamiast czekać kilka godzin czy dni na obliczenia z zastosowaniem tradycyjnego solvera. Otwiera to możliwości kompleksowej optymalizacji, niedostępnej tradycyjnymi metodami.
Na początek roku 2024 ANSYS zapowiada kolejną nowinkę, o której nie mogę jeszcze głośno mówić, ale na pewno usprawni ogromnie pracę inżynierów.
Co się dzieje z AI/ML poza standardowymi narzędziami ANSYS-a?
Pojawiają się ciekawe aplikacje, które często niezależnie od narzędzia pozwalają wyszkolić sieć neuronową wynikami symulacji i/lub danymi z pomiarów. Z takim know-how w kapsułce można rozwinąć działania działu technicznego na paru poziomach.
- „Demokratyzując” użycie symulacji, udostępniając wytrenowaną sieć konstruktorom lub nawet osobom nietechnicznym, które, definiując dane wejściowe w postaci modeli czy parametrów, w krótką chwilę otrzymają wyniki symulacji. Można stworzyć spersonalizowane firmowe narzędzie, np. do przeliczania zaworów. Są już aplikacje, które bazują nie tylko na parametrach, ale także na modelach geometrycznych (np. w postaci STL). Wrzuca się nowy model CAD i w parę sekund dostaje wyniki dla całego modelu.
- Używając sieci neuronowej jako „solvera” do optymalizacji parametrycznej. Dzięki temu można w krótkim czasie poszukiwać optymalnego rozwiązania w przestrzeni tysięcy DesignPointów. Coś co do tej pory nie było możliwe.
- Używając do optymalizacji produktu czy procesu, korzystając z zadania odwrotnego. Jako wsad daje się pożądany efekt, a program sam będzie poszukiwał takiego projektu, który najlepiej spełni zadane cele.
Jak widać, AI/ML na pewno będzie mocno obecne w przemyśle. Pojawia się wątpliwość: pomoże, czy będzie zagrożeniem? A może zrewolucjonizuje całkowicie obecne działy konstrukcyjne i R&D? Na pewno będzie miało wpływ na sposób pracy, a także strukturę zatrudnienia, przewartościuje pracę, odciąży nas od rutynowych zadań, ale i wymusi kreatywność.
Już dzisiaj można obserwować zmianę trendów chociażby w branży IT, gdzie tworzenie kodów jest powoli wypierane przez algorytmy. Z jednej strony zmienia strukturę zatrudnienia, redukując zapotrzebowanie na programistów, a z drugiej zwiększa zapotrzebowanie właśnie w dziale tworzenia aplikacji AI.
Jak będzie się miała sprawa z inżynierami?
AI z jednej strony ułatwi działania przy projektowaniu, pozwoli analizować gigantyczne ilości danych, znajdować korelacje oraz przeszukiwać prawie nieograniczoną przestrzeń. Z drugiej strony jednak może zautomatyzować wiele procesów, eliminując potrzebę pracy człowieka. Odpowiednio wytrenowana sieć neuronowa może wyekstrahować wiedzę z człowieka i stworzyć superpracownika, który będzie posiadał doświadczenie dziesiątków inżynierów prowadzących symulacje i testy.
W końcu, jak będzie wyglądało szkolenie nowych inżynierów? Czy w erze ulepszonego chata GPT lub narzędzi do podmiany głosu i obrazu w czasie spotkań online studia w obecnej formie przestaną mieć sens? Czy finalnie nie wrócimy do interakcji face to face i nauki bazującej na relacji uczeń i mistrz wskazujący drogę, zamiast hurtowej produkcji dyplomów?
Jak będzie wyglądała przyszłość? Obawiam się, że dowiemy się tego szybciej, niż nam się wydaje. A z samą technologią będzie pewnie jak z dynamitem. To, jak jej użyjemy, będzie zależało od nas.
Autor: Stanisław Wowra, MESco sp. z o.o.