Effektiv og optimeret produktdesign – AI transformer industriforskning og -udvikling
Kunstig intelligens (AI) er ikke ny i fremstillingsindustrien – mange virksomheder har udnyttet AI og maskinlæring i over to årtier. Nu lover generativ AI at gøre endnu mere, hvilket har vakt interesse for industriel forskning og udvikling (R&D).
Generativ AI vil hurtigt støtte arbejdet hos forskellige fagfolk, da det bliver mere tilgængeligt og lettere at bruge. Det fører til øget produktivitet og strømlinede processer på tværs af industrier. Men dette er blot begyndelsen for industriel R&D.
”Med nok data kan fremtidens produktdesign involvere automatisering af processer, hvor en designer beskriver sin vision mundtligt til AI, og modellen på skærmen kontinuerligt opdateres efterfølgende,” forestiller Tero Hämeenaho, leder af Additive Manufacturing og AI Program Director hos Etteplan.
Selvom fremtidsvisionerne stadig er langt fremme, er der gode grunde til at forudsige, at generativ AI og store sprogmodeller vil forme spillereglerne i R&D. For eksempel har industrielle aktører allerede set øget effektivitet og omkostningsbesparelser i forudseende vedligeholdelse og kvalitetssikring.
”Generativ AI kan analysere data og forudsige resultater mere præcist. Det kan potentielt forbedre informationsbaseret beslutningstagning og sænke omkostninger og leveringstider. Dette vil uden tvivl fremskynde innovationen i R&D,” forklarer Hämeenaho.
Dataoverførsel i realtid bliver lettere takket være udvidelse af edge computing og AI-chips. Succes kræver data af høj kvalitet og ordentlig datastyring.
AI automatiserer manuelt arbejde for designere allerede i dag
I forskellige designopgaver, som udstyr eller procesdesign, er det vigtigt, at planer er baseret på opdaterede standarder og bruger eksisterende designretningslinjer. Der findes dog titusinder af standarder, og det tager designernes værdifulde tid at finde de rigtige oplysninger.
"SFS havde brug for en løsning, der kunne hjælpe tekniske designere med nemt at finde de rette oplysninger. Sammen skabte vi en AI-drevet samtalebot, der hurtigt identificerer de passende standarder eller designretningslinjer fra et stort datagrundlag og mange kilder," siger Hämeenaho.
Både designretningslinjer og standarder indeholder mange billeder, illustrationer og diagrammer. AI skulle kunne finde relevante oplysninger i forskellige formater for at tilbyde meningsfuld hjælp til sine brugere, så hver datastykke indført i tjenesten blev vektoriseret.
”At øge effektiviteten med AI kræver en tilstrækkelig mængde raffinerede data. For eksempel, hvis en virksomhed har nok produktdesign eksempler, kunne AI automatisk vælge og ændre modeller baseret på virksomhedens retningslinjer, hvilket fremskynder designprocessen,” forklarer Hämeenaho.
Et andet langvarigt emne har været udnyttelsen af driftsdata fra sensorrige enheder. Ved at indføre disse data i simulerede miljøer og digitale tvillinger, kunne AI hjælpe med at skabe optimerede produkter.
”Virksomheder kan allerede have masser af data, men de er spredt over forskellige systemer og platforme. Virksomheder skal sikre, at de indsamler relevante, kvalitetsdata for at få nogen fordel af AI nu eller i fremtiden,” påpeger Hämeenaho.
Industriel AI udvikler sig hurtigt – nu er tiden inde til at hoppe med ombord
Mange industrielle anvendelser, som robotautomatisering, kræver databehandling i realtid for at fungere effektivt. Indtil for nylig har dette hindret mange forsøg på at udnytte AI, da latens forårsaget af cloud-baseret behandling ofte er uacceptabel i industrielle miljøer.
Overgangen til edge computing, hvor AI er indlejret direkte i enheder via specialiserede chips, er en game changer for industrielle virksomheder. Det reducerer behovet for datatransmission og muliggør databehandling i realtid på stedet.
Ifølge Hämeenaho vil fordele som AI-baseret ydeevne optimering snart være tilgængelige for endnu flere virksomheder. "Med edge computing og AI-chips er det muligt at skabe smartere, sikrere og mere autonome systemer uden forsinkelser fra cloud-baseret computing."
For at komme i gang bør R&D udforske mulighederne AI kan skabe for deres teams og hele virksomheden. Selvom nuværende AI-værktøjer måske har begrænsninger for fremtidige anvendelser, er det vigtigt at opsamle erfaring og tilbyde nyttige indsigt til fremtidige bestræbelser. På den måde vil R&D-teams være klar til at høste fordelene fra tidligt.
”Virksomheder med opnået erfaring vil stå blandt forgangsfolk, når fremtidige AI-værktøjer, som fysikbaserede AI-modeller, bliver tilgængelige. De forstår allerede, hvordan AI kan tjene deres forretning og skabe fordele,” påpeger Hämeenaho.
Succesfulde AI-projekter kræver ikke nødvendigvis tunge investeringer i interne ressourcer eller kompetencer. En grundlæggende forståelse af AI og dens styrker og svagheder er værdifuld, men virksomheder bør have et klart greb om begrænsningerne inden for deres egne processer og metoder som minimum.
”Etteplan har hjulpet sine kunder ved at nedbryde deres processer for at identificere muligheder for AI til at levere forbedringer og merværdi. Vores brancheekspertise gør det muligt for os at skabe meningsfulde løsninger, der giver vores kunder en konkurrencefordel,” konkluderer Hämeenaho.