Monolith, proveedor de software de inteligencia artificial (IA) para los equipos de ingeniería líderes en el mundo, ha lanzado una importante actualización de producto llamada Next Test Recommender (NTR). Esta nueva tecnología, ahora disponible en formato beta en la plataforma de IA sin código creada para expertos en el dominio de la ingeniería, brinda recomendaciones activas sobre las pruebas de validación que se ejecutarán durante el desarrollo de productos no lineales difíciles de modelar en aplicaciones automotrices, aeroespaciales e industriales. .
A medida que la física de los productos complejos en estas industrias se vuelve cada vez más difícil de entender, los ingenieros se encuentran en un dilema, ya sea realizando pruebas excesivas para cubrir todas las condiciones operativas posibles o realizando pruebas insuficientes que corren el riesgo de omitir parámetros de rendimiento críticos. NTR, impulsado por la tecnología de aprendizaje activo patentada de la compañía, tiene como objetivo optimizar esta compensación al proporcionar a los ingenieros de pruebas recomendaciones activas, en orden de clasificación, de las nuevas pruebas más impactantes para llevar a cabo para su próximo lote de pruebas, para maximizar la cobertura y optimizar tiempo y costo.
“A lo largo de nuestro proceso de desarrollo, trabajamos junto con nuestros clientes para comprender cómo utilizarían un sistema de recomendación de IA como parte de su flujo de trabajo de prueba. Queríamos entender por qué aún no habían adoptado tales herramientas a pesar del conocido potencial de la IA para explorar más rápidamente los espacios de diseño de alta dimensión”, dijo el Dr. Richard Ahlfeld, director ejecutivo y fundador de Monolith. “Descubrimos que las herramientas existentes no se ajustaban a sus necesidades de seguridad y no permitían que los ingenieros de prueba incorporaran su experiencia en el dominio en el plan de prueba o influyeran en el recomendador de IA”.
“Nuestro equipo de I+D ha estado trabajando durante meses en esta sólida tecnología de aprendizaje activo que impulsa Next Test Recommender y estamos satisfechos con los primeros resultados y comentarios, y se esperan resultados aún mejores a medida que la tecnología madure”, agregó el Dr. Ahlfeld.
NTR funciona para cualquier sistema complejo en el que los ingenieros estén tratando de explorar de forma segura el espacio de diseño, como el análisis de mapas aerodinámicos para autos de carrera o la envolvente de seguridad de vuelo de aviones donde los ingenieros están tratando de encontrar dónde las ráfagas o las frecuencias propias causan problemas. Otra área en crecimiento es el desarrollo del sistema de propulsión, como la calibración del sistema de enfriamiento de baterías o celdas de combustible. En el último caso de uso, un ingeniero que intentaba configurar un ventilador para proporcionar un enfriamiento óptimo para todas las condiciones de manejo tenía un plan de prueba para esta aplicación altamente compleja e intratable que incluía ejecutar una serie de 129 pruebas. Cuando este plan de prueba se insertó en NTR, devolvió una lista clasificada de qué pruebas se deben realizar primero. De 129 pruebas, como se muestra en la Fig. 1.,
Fig. 1. El sistema Monolith Next Test Recommender recomendó que la última prueba, la número 129, debería estar entre las primeras 5 en ejecutarse y que 60 pruebas son suficientes para caracterizar el rendimiento completo del ventilador, una reducción del 53 % en las pruebas.
Si bien están disponibles, los métodos de IA de código abierto no permiten que un ingeniero influya en el plan de prueba, un aspecto críticamente único de NTR es que permite la inspección humana en el circuito de los experimentos seleccionados, lo que garantiza la supervisión de un usuario experto en el dominio. del sistema, combinando su experiencia y conocimiento del dominio con el poder del aprendizaje automático sin ningún conocimiento de IA o codificación.
Un estudio reciente de Forrester Consulting, encargado por Monolith, encontró que el 71 % de los líderes de ingeniería necesitan encontrar formas de acelerar el desarrollo de productos para seguir siendo competitivos y la mayoría (67 %) también siente presión para adoptar la IA. Sorprendentemente, aquellos que tienen tienen más probabilidades de lograr mayores ingresos, rentabilidad y competitividad para sus empleadores.
Al aprovechar la inteligencia artificial y el aprendizaje automático en el proceso de verificación y validación del desarrollo de productos, especialmente para productos altamente complejos con física intratable, los ingenieros pueden extraer información valiosa, optimizar diseños e identificar parámetros de rendimiento cruciales con precisión. El resultado es una eficiencia operativa mejorada y procedimientos de prueba optimizados, lo que en última instancia acelera el tiempo de comercialización y fortalece la competitividad.
Software sin código para expertos en dominios de ingeniería
Monolith es una plataforma de software de IA sin código creada para que los expertos en dominios aprovechen el poder del aprendizaje automático con sus valiosos conjuntos de datos de prueba existentes para acelerar el desarrollo de productos. Los modelos de autoaprendizaje analizan y aprenden de los datos de prueba para comprender el impacto de las condiciones de prueba y predecir el resultado de una nueva prueba con anticipación. La capacidad de obtener recomendaciones de próximas pruebas activas permitirá aún más a los equipos de ingeniería reducir los costosos programas de prueba de prototipos que requieren mucho tiempo y desarrollar productos de mayor calidad en la mitad del tiempo.
*Los resultados de rendimiento oscilan entre el 30 % y el 60 % según la eficiencia del plan de pruebas existente.