小组讨论：产品设计中AI的未来

计算机辅助工程（CAE）工具中的增强仿真功能正在加速机器学习的设计决策过程。刚刚实现了机器学习（ML）基础的人工智能（AI） - 基于基于物理的仿真驱动的设计，利用了基于物理的仿真驱动设计，利用了最新的高性能计算（HPC）。bob官网 bob体育下载虽然在资产为中心的数据上积极地部署了与以商业中心数据相关的预测数据分析技术，以增强制造，保修和测试性能。

在Altair最近的未来。人工智能活动，探索了35分钟的面板讨论，探索AI将在未来产品设计中发挥作用。商业应用研究中心（Barc）GmbH的Carsten Bange博士（Barc）GmbH主持，包括Altair专家和技术专家博士博士，Anthony Mcloughlin副总裁兼数据分析销售副总裁，基督教Kehrer，System Modeling Business Development Manager，以及Marco Fliesser，EMEA数据分析技术总监。

以下是小组讨论中提出的一些关键问题:

工程数据科学的关键领域是什么？
安东尼·迈克劳林:我们主要关注两个关键领域。第一个是CAE或产品开发，这是关于工作流的自动化，能够更快地建立和模拟模型。其次，能够更快地发现新的更好的设计。在CAE之外，但仍然是非常工程驱动的，是现有的数据用例，如保修分析，能够利用数据和工程知识来减少特定产品的召回数量，智能工厂，预测性维护，质量分析，这类事情。这些现有的数据用例不在工程范畴，而是由工程驱动。当然，还有CAE之外的新用例。

在测试领域，有大量的数据和潜力来自动化和减少物理测试的量。所有这些用例都是焦点领域，无论是在CAE，工程系，质量系，测试还是制造业。它们都是由工程领域知识驱动的。实现我刚才提到的用例是制造商的绝对游戏。但实际关键问题是，域名知识差距的人员配置，工程师在我看来真的是完美的契合。这就是为什么我们相信Altair该工程师将知道CAE内外AI的潜力。我们在Altair的专注是授权工程师，帮助他们让他们的数据科学旅程，并更快地做到这一点。

我们已经讨论了如何部署这些基于ML的解决方案。当你谈论设计决策时，你认为与基于物理的方法相比有什么大的不同？
FATMA KOCER：作为工程师，我们创造了很多数据，但我们并没有真正的数据纪律，有些原因。我们的数据通常是非常大的文件，我们不能总是存储它们，一旦找到一个很好的设计，您就会有一种继续前进并删除其他所有内容，因为您必须为新的传入数据开放空间。这是为什么ML数据驱动的方法没有像在其他行业那样快速捡起的原因。在基于ML的解决方案中，我们从数据集中扣除特定应用程序的性能并从数据中学习。As a result, we need data upfront but we don’t have to make assumptions about the physics, the material properties, the load cases, etc. Once we’ve trained an ML model, the inference for a new design is really fast and that allows us to do wide design exploration and come up with more innovative designs.

使用基于物理的方法，我们从已知的物理、材料和负载情况中归纳。但是我们必须做一些假设来简化问题因为否则的话，使用高性能的计算机将需要更长的计算时间。基于物理的模型不需要前期数据，但它们需要实现您所知道的物理，简化和漫长的准备时间来将设计转换为CAE模型，如网格划分、施加载荷和边界条件。

ML模型的另一个亮点是公司正在设计和制造的更复杂的设备。有时你甚至不知道如何模拟物理，但只要有足够的数据，我们仍然可以创建预测模型来预测性能，或者至少理解设计更改和性能之间的关系。这可以加快我们对一个我们不太了解其管理规则的应用程序的学习。

什么是Altair®DesignAI™，它做什么?
FATMA KOCER：DesignAI可以在Albob电竞在线tair One中使用，它是一个自动提取属性、数据增强、作业提交、机器学习和设计优化的应用程序。在我看来，DesignAI通过从模拟中提取数据，从数据中提取知识，从而为现有的模拟添加了力量。工程师可以利用这些知识做出更好的设计决策。在Altair，我们不期望我们的用户成为数据科学家或能够利用数据科学，所以DesignAI自动化数据准备，自动ML，并使用优化算法部署。我们也不期望我们的用户盲目地相信和使用黑盒ML模型。在Altair解决方案中，您将看到有自动化、ML和可解释的AI。

DesignAI向用户显示哪些属性导致了设计性能的变化。我们让工程师能够与数据互动，这样他们就可以进行自己的调查以及自己的设计探索。在我们探索技术融合的同时，我们也在探索来自不同来源(如模拟、测试、制造、操作)的数据的融合，以及它们如何相互补充。DesignAI是一个最终能够让我们使用测试和操作数据的环境。

所有你提到的声音都非常令人印象深刻。但较小的公司，SMBS呢？他们实际上是否有资金，支持这一点的专业知识？
基督教Kehrer:有些大型组织和中小企业的共同点是他们有一个相当数量的数据，他们有他们的产品详细了解。这些是从AI，ML和数据科学中受益的两个主要要求。对SMB更相关的是，Altair拥有对这些特定项目的专业知识，适用于任何规模的客户。这意味着我们可以做出概念证明，转移到诀窍，并帮助他们理解从他们的数据中受益的方法。另一方面，SMB可以帮助我们了解数据背后的技术背景和业务。我们真的可以帮助SMBS加速增值阶段，无需数百个数据库或技术专家。

我们正越来越多地转向基于云的解决方案，因此，能够使用这些方法不仅作为前提，而且能够保持尽可能低的管理工作，并按需提供这些解决方案，对中小企业有更大的影响。对这些技术的兴趣几乎与大型组织处于同一水平。

观看完整的对话，在讨论了关于产品设计中的AI未来的更多问题，请查看这里的小组讨论。