Повышение инженерной эффективности:агентный искусственный интеллект от внедрения до реального воздействия

Как агентный ИИ переходит от пилотных проектов к реальному воздействию в рабочих процессах проектирования на основе моделирования.

Стивен Лейн

Агентический искусственный интеллект и автоматизация обладают огромным потенциалом для решения инженерных задач, начиная от настройки моделирования и проектирования и заканчивая рядом других трудоемких ручных операций. В то время, когда существует растущая потребность в повышении эффективности, увеличении производства и, как правило, в более быстром развитии, сохраняя при этом рентабельность, эти агенты являются долгожданным зрелищем для многих.

В результате организации во всех отраслях возлагают большие надежды на то, что агентный ИИ принесет значительные результаты. Фактически, недавний опрос руководителей инженерных систем показал, что 93 % из них ожидают, что ИИ обеспечит прирост производительности, а 30 % ожидают очень высокого прироста.

Но явный интерес и потенциал агентного ИИ не обязательно приводят к результатам, которые можно увидеть каким-либо значимым образом. Несмотря на весь энтузиазм и успешные пилотные проекты, в настоящее время существует значительный разрыв между внедрением и результатами, которые приносят реальный эффект.

Хотя ожидания повышения производительности среди инженеров почти универсальны, реальные результаты не поспевают за ними. Лишь 3% опрошенных инженеров сообщают, что сегодня они добились значительного результата.

Для устранения этого разрыва требуется нечто большее, чем просто наложение интеллектуальных функций на существующие инструменты. Скорее, инженерам необходимо уделять первоочередное внимание внедрению агентного ИИ непосредственно в рабочие процессы разработки таким образом, чтобы повысить прозрачность, сохранить контроль и повысить производительность.

Агентический ИИ настраивает и запускает рабочие процессы моделирования, в то время как инженеры осуществляют надзор и контроль.

Успех разработки зависит от доверия и контроля

Во многих корпоративных функциях внедрение ИИ оправдано повышением скорости или экономической эффективности. Однако инженерное дело сталкивается с более сложным набором вопросов. Для инженеров многие решения могут влиять на физическую производительность, безопасность и долгосрочную надежность, а это означает, что последствия выходят за рамки простых показателей производительности.

В этом контексте становится ясно, почему системы искусственного интеллекта должны соответствовать более высокому порогу. Агентный ИИ может автономно планировать и выполнять сложные процессы, но это само по себе не является ключом к реальному результату. Инженерам по-прежнему нужна ясность в том, как агенты принимают решения, такие как выбор физических моделей, определение граничных условий или оценка результатов. Если эти шаги не будут заметны, доверие будет подорвано, а внедрение может замедлиться.

Успешные организации позиционируют агентный ИИ как партнера по сотрудничеству, а не как автономного человека, принимающего решения. Это означает необходимость контролировать предположения и параметры, пока агент управляет исполнением. Прозрачные рабочие процессы дают командам возможность просматривать промежуточные этапы, проверять результаты и при необходимости отменять рекомендации. Этот баланс помогает сохранить подотчетность и согласуется с устоявшимися инженерными практиками, особенно в регулируемых или критически важных для безопасности средах, где объяснимость имеет важное значение.

Благодаря прозрачности и контролю ИИ может стать надежным участником, а не источником неопределенности.

Автоматизация с инженерным замыслом

Выбор внедрения агентного искусственного интеллекта и автоматизации часто зависит от производительности, и инженеры в этом отношении ничем не отличаются. Агентский ИИ представляет более адаптивную операционную модель, ориентированную на разработку, а не на фиксированный набор инструкций. В частности, при разработке с использованием моделирования значительное количество времени тратится на подготовку моделей, а не на интерпретацию результатов. Инженерам необходимо определить граничные условия, выбрать физические модели, настроить решатели и настроить исследования параметров. Все эти задачи важны, но они также повторяются и подвержены ошибкам.

Агенты искусственного интеллекта, предназначенные для инженерных рабочих процессов, могут преобразовывать цели в исполняемый процесс. Например, если цель состоит в том, чтобы оценить производительность различных вариантов конструкции, агент может настроить моделирование, управлять выборкой параметров и организовывать результаты в рамках заданной структуры. Затем, по мере изменения входных данных, рабочие процессы могут соответствующим образом корректироваться, что позволяет инженерам уточнять цели без необходимости перестройки.

Со временем этот сдвиг позволит командам тратить меньше времени на настройку и больше на анализ, интерпретацию и доработку проекта. Давно ожидаемый лидерами рост производительности будет более вероятен, когда ИИ будет поддерживать наиболее трудоемкие части рабочих процессов моделирования, сохраняя при этом экспертный надзор.

Агенты моделирования на базе искусственного интеллекта автоматизируют настройку и анализ, ускоряя инженерные исследования.

Раннее расширение возможностей проектирования

Агентический ИИ также расширяет возможности, которых можно достичь на ранней стадии проектирования. Облачные платформы моделирования в сочетании с агентами искусственного интеллекта позволяют параллельно координировать огромное количество симуляций. При интеграции с моделями искусственного интеллекта, основанными на физике, эта возможность ускоряет анализ компромиссов и выявляет тенденции производительности, имея достаточно времени, чтобы повлиять на направление проектирования, а не выступать в качестве конечного этапа проверки.

Для инженеров, работающих в отраслях, где физические испытания являются дорогостоящими или непрактичными, такое расширенное исследование может оказаться очень ценным. Команды могут оценить поведение потока или реакцию конструкции в различных условиях, не создавая несколько прототипов.

Раннее получение информации помогает снизить последующие риски. По мере продвижения проектов стоимость изменений увеличивается, а редизайн на поздней стадии может задержать сроки и увеличить нагрузку на бюджеты. Расширение исследования с самого начала способствует более эффективному принятию решений и снижает вероятность внесения изменений в дальнейшем.

Тем не менее, достижение стабильных результатов в командах часто зависит не только от технических возможностей.

Прыжок от намерения к результату

Руководители инженерных компаний в подавляющем большинстве ожидают, что ИИ обеспечит значительный прирост производительности, однако лишь небольшой процент осознал самый высокий уровень воздействия. Похоже, что этот разрыв отражает не отсутствие потенциала, а проблему дисциплинированной реализации в больших масштабах.

Организации, стремящиеся устранить этот разрыв, могут извлечь выгоду из сосредоточения внимания на трех областях. Внедрение прозрачности и контроля в рабочие процессы, управляемые искусственным интеллектом, помогает укрепить доверие. Согласование агентного ИИ с основными инженерными задачами, такими как настройка моделирования и исследование конструкции, обеспечивает актуальность. Инвестиции в централизованную инфраструктуру, поддерживающую масштабируемость, позволяют повторно использовать аналитические данные и рабочие процессы, а не создавать их заново.

Объединение этих элементов превращает агентный ИИ в надежное продолжение команды инженеров, ускоряя проверку, расширяя исследования и усиливая процесс принятия решений без ущерба для операционной строгости.

Создав основу для внедрения ИИ, организации смогут перейти от ожиданий к измеримым результатам.

Об авторе:
Стив Лейне — директор по разработке решений в SimScale. У него есть техническое образование, степень магистра машиностроения и степень доктора философии. в области материаловедения. У Стива 13 летний опыт работы в области аэрокосмического проектирования и инженерного моделирования.