MIT مقاله بسیار جالبی را منتشر کرده است که پتانسیل استفاده از هوش مصنوعی را برای تولید طرح‌های قطعه برای صنعت تحلیل می‌کند.
در یک سال و نیم گذشته انفجاری از ابزارهای تولید کننده هوش مصنوعی رخ داده است. در حالی که عموم مردم بیشتر از تولیدکننده‌های متن و تصویر آگاه هستند، ابزارهای هوش مصنوعی زیادی برای تولید سایر داده‌های دیجیتال از جمله موسیقی، ویدیو و، حدس زدید، مدل‌های سه بعدی وجود دارد.
ما چندین مورد از این ابزارها را امتحان کرده‌ایم، و در حالی که استفاده از آنها هیجان‌انگیز است، خروجی آن معمولاً برای استفاده صنعتی مناسب نیست. حداقل الان نه. تئوری این است که در نهایت این ابزارها ممکن است به اندازه کافی پیشرفت کنند تا نقش طراح CAD را بر عهده بگیرند.
اما آیا آنها می توانستند؟ این موضوع مقاله “از اتوماسیون تا تقویت: بازتعریف طراحی مهندسی و ساخت در عصر نسل بعدی هوش مصنوعی” بود که اخیرا توسط MIT منتشر شده است.
چه چیزی پیدا کردند؟ در ابتدا، آنها با تعدادی از دست اندرکاران تولید مصاحبه کردند تا ببینند کجا می توان مزایایی پیدا کرد. لیست مزایا شامل:
- کاهش بروز تغییرات پرهزینه طراحی در مراحل پایانی هنگام مقیاس بندی تولید
- ارائه اطلاعات به طراحان و مهندسان، از جمله شناسایی فضاهای طراحی مناسب و فرمولاسیون مواد و ترکیب ترجیحات مصرف کننده
- بهبود تفسیر داده های آزمون برای فعال کردن اعتبار سنجی و صلاحیت سریع
- دموکراتیک کردن دسترسی و استفاده کارگران از داده ها برای ایجاد بینش در زمان واقعی و تنظیم فرآیند
- توانمندسازی کارگران با مهارت کمتر برای بهره وری بیشتر و انجام کارهای تخصصی تر
با این حال، آنها همچنین دریافتند که ابزارهای پیشرو LLM AI، مانند Claude و ChatGPT، امروزه قادر به برآوردن این اهداف نیستند. چرا؟ آنها لیستی را ارائه می دهند:
- ناتوانی در ارائه خروجی قوی، قابل اعتماد و قابل تکرار
- فقدان دانش مربوط به حوزه
- عدم آگاهی از الزامات استانداردهای صنعتی برای کیفیت محصول
- عدم ادغام یکپارچه با گردش کار موجود
- عدم توانایی در تفسیر همزمان داده ها از منابع و فرمت های مختلف
آیا این بدان معناست که ما هرگز نمی‌توانیم به “تکست به CAD” واقعی دست یابیم؟ به هیچ وجه! محققان راهی برای توسعه چارچوب‌های هوش مصنوعی جدید پیشنهاد می‌کنند که می‌تواند بر این کمبودها غلبه کند و احتمالاً به هدف تبدیل متن به CAD واقعی دست یابد.
آنها پیشنهاد می کنند:
- ارائه اطلاعات بهتر در مورد ابزارهای مهندسی، مخازن، روش های جستجو و سایر منابع برای تقویت فرآیند خلاقانه طراحی
- هنگام حل مسائل مهندسی، رعایت اصول اولیه را ادغام کنید
- از دانش تجربی کارکنان برای بهبود آموزش و عملکرد استفاده کنید
- توانمندسازی کارگران برای انجام وظایف مولد جدید و متخصص تر به جای دنبال کردن اتوماسیون ایستا عملکردهای فعلی کارگران
- یک اکوسیستم داده مشترک و ایمن برای آموزش مدل های پایه ایجاد کنید
- اطمینان حاصل کنید که ابزارهای جدید ایمن و مؤثر هستند
به طور خلاصه، ابزارهای هوش مصنوعی را روی دامنه مورد نظر متمرکز کنید.
با این حال، شیطان در داده ها است، و آنها همچنین توصیه می کنند که در این مرحله اولیه باید اولویت برای جمع آوری داده ها باشد. این شامل داده های زمان واقعی، حاکمیت داده، نگرانی های ایمنی و موارد دیگر می شود.
آنها تجزیه و تحلیل دقیق سناریوهای چندگانه تولید را ارائه می دهند و یک “چارچوب استراتژیک” برای توسعه این فناوری در آینده نزدیک ایجاد کرده اند.
نتیجه گیری آنها:
گفت‌وگوهای ما با کارشناسان تولید و رهبران صنعت، نگرانی ما را برانگیخته است که قابلیت‌های فعلی ابزارهای Gen-AI برای ارائه مزایای قابل توجه بهره‌وری برای تولید و طراحی کافی نیست. با این حال، ما معتقدیم که غلبه بر بسیاری از این چالش‌ها با در نظر گرفتن چالش‌های خاص دامنه در حین توسعه این مدل‌های قدرتمند امکان‌پذیر است.»
از طریق MIT
منبع: https://www.fabbaloo.com/news/mit-analyzes-ais-potential-in-manufacturing-innovation
