Κέρδη:
- Δυνατότητα επιτάχυνσης μελετών αντιστάθμισης από απαιτήσεις αποστολής έως εννοιολογικό μέγεθος αεροσκάφους/διαστημικού οχήματος με υποστήριξη AI
- Δυνατότητα διενέργειας γραφής απαιτήσεων, ιχνηλασιμότητας και ελέγχου συνέπειας με ρυθμισμένες προτροπές
- Δυνατότητα εξάλειψης αδικαιολόγητων εξόδων διασταυρούμενης επικύρωσης σημείων σχεδίασης που προτείνονται από την τεχνητή νοημοσύνη με υπολογισμούς χειρός που βασίζονται στη φυσική
Ένα αεροπλάνο ή ένα διαστημόπλοιο γεννιέται από μια λίστα απαιτήσεων, όχι σε πίνακα σχεδίασης. Η πρόταση "Μεταφέρετε τόσο πολύ φορτίο σε αυτό το εύρος, με αυτή την ταχύτητα, με αυτό το κόστος" είναι ο σπόρος του σχεδιασμού που θα διαρκέσει για τα επόμενα χρόνια. Ο εννοιολογικός σχεδιασμός (το πιο πρώιμο στάδιο σχεδιασμού στο οποίο προσδιορίζεται αρχικά το πρόχειρο μέγεθος, το βάρος και η διαμόρφωση του οχήματος) είναι η διαδικασία εξαγωγής ενός αρχικού σχήματος από αυτόν τον σπόρο. Οι αποφάσεις που λαμβάνονται εδώ είναι φθηνές, αλλά τα αποτελέσματά τους είναι τα πιο ακριβά: μια λάθος εννοιολογική επιλογή μπορεί να πετάξει εκατομμύρια δολάρια λεπτομερούς σχεδιασμού.
Σε αυτήν την ενότητα, θα χρησιμοποιήσουμε την τεχνητή νοημοσύνη (AI) για να ανακουφίσουμε τρία βάρη του εννοιολογικού σχεδιασμού: μετατροπή αόριστων αιτημάτων εργασιών σε μετρήσιμες απαιτήσεις, διατήρηση της ιχνηλασιμότητας και συνέπειας μεταξύ των απαιτήσεων και επιτάχυνση της ανάλυσης αντιστάθμισης μεταξύ ανταγωνιστικών επιλογών σχεδιασμού. Αλλά ας θέσουμε την κρίσιμη αρχή από την αρχή: Κάθε μέγεθος, κάθε εκτίμηση βάρους που προτείνει η τεχνητή νοημοσύνη επικυρώνεται αναγκαστικά από έναν υπολογισμό με το χέρι που βασίζεται στη φυσική. Η τεχνητή νοημοσύνη είναι ένας εταίρος καταιγισμού ιδεών και λογιστικής. δεν κατέχει την απόφαση μεγέθους.
Έννοιες: Απαίτηση: Μία μόνο επαληθεύσιμη δήλωση που πρέπει να ικανοποιεί το εργαλείο. Ιχνηλασιμότητα: Η αλυσίδα καταγραφής από πού προήλθε κάθε απαίτηση και με ποιο σχέδιο/δοκιμή ικανοποιήθηκε. Εμπορικός χώρος: Το σύνολο όλων των επιλογών που δημιουργούνται από μεταβλητές μεταβλητές σχεδίασης. MTOW: Μέγιστο βάρος απογείωσης (Maximum Take-Off Weight), η μεγαλύτερη μάζα που μπορεί να απογειωθεί το όχημα.
Από την ανάγκη εργασίας στην απαίτηση: Βήμα προς βήμα
Μια καλή απαίτηση έχει τρεις ιδιότητες: ενική (λέει ένα πράγμα), μετρήσιμη (περιέχει έναν αριθμό και μια μονάδα) και επαληθεύσιμη (είναι προφανές πώς να το ελέγξετε). "Το αεροσκάφος πρέπει να είναι γρήγορο" δεν είναι απαίτηση. "Το αεροσκάφος πρέπει να επιτύχει ταχύτητα αέρα διαμετρήματος 250 kt (KCAS) στο επίπεδο της θάλασσας" είναι μια απαίτηση.
Το πρώτο βήμα είναι να συγκεντρωθούν τα αιτήματα των ενδιαφερομένων και να αποσταχθούν σε προσχέδια απαιτήσεων με τεχνητή νοημοσύνη. Το δεύτερο βήμα είναι να κάνετε κάθε απαίτηση μετρήσιμη: αντικαταστήστε κάθε ασαφές επίθετο ("ελαφρύ", "ανθεκτικό", "αποδοτικό") με μια μέτρηση και ένα όριο. Το τρίτο βήμα είναι να αναζητήσετε αντιφάσεις μεταξύ των απαιτήσεων: η εμβέλεια και το ωφέλιμο φορτίο συχνά ανταγωνίζονται μεταξύ τους, η τεχνητή νοημοσύνη φέρνει γρήγορα αυτές τις αντιφάσεις στην επιφάνεια. Το τέταρτο βήμα είναι η δημιουργία ενός πίνακα ιχνηλασιμότητας: πίνακας ποιος στόχος εργασίας ανώτατου επιπέδου οδηγεί σε ποια υποαπαίτηση.
Από την πλευρά της εννοιολογικής διαστασιολόγησης, η τεχνητή νοημοσύνη μπορεί να ανακαλέσει γνωστές μηχανικές σχέσεις (κλάσματα βάρους, αναλογία ώσης προς βάρος, φόρτιση φτερών) και να δημιουργήσει μια αρχική αλυσίδα υπολογισμών. Για παράδειγμα, για ένα επιβατικό αεροσκάφος, το κλάσμα βάρους του καυσίμου μπορεί να εκτιμηθεί με την εξίσωση εύρους Breguet και το κλάσμα κενού βάρους μπορεί να εκτιμηθεί με στατιστικές σχέσεις. Αλλά κάθε κρίκος αυτής της αλυσίδας επιβεβαιώνεται με χειροκίνητο υπολογισμό.
Συμβουλή: Κατά τη σύνταξη απαιτήσεων, δώστε ρητά στο AI την αποστολή να «αντικαταστήσει κάθε διφορούμενο επίθετο με μια μέτρηση, μονάδα και μέθοδο επαλήθευσης». Το μοντέλο λειτουργεί πολύ πιο πειθαρχημένα όταν λέτε "κάντε μετρήσιμες" μη επαληθεύσιμες δηλώσεις όπως "φιλικό προς το χρήστη".
Διαμόρφωση ανάλυσης αντιστάθμισης
Η καρδιά της ανάλυσης αντιστάθμισης είναι η αντιπαράθεση πολλών υποψηφίων διαμορφώσεων με κοινά κριτήρια. Το κλασικό εργαλείο είναι ο σταθμισμένος πίνακας απόφασης: στα κριτήρια δίνεται βάρος σημασίας, κάθε υποψήφιος βαθμολογείται για κάθε κριτήριο, λαμβάνεται το σταθμισμένο σύνολο. Η τεχνητή νοημοσύνη χτίζει γρήγορα αυτήν τη μήτρα, αλλά προσέξτε δύο παγίδες: τα βάρη είναι μια υποκειμενική κρίση μηχανικής (δεν αφήνεται στην τεχνητή νοημοσύνη) και οι βαθμολογίες πρέπει να βασίζονται σε φυσική αιτιολόγηση (όχι κατασκευασμένες).
Κριτήριο (βάρος)
Διαμόρφωση. Α: Ψηλό φτερό
Διαμόρφωση. Β: Χαμηλή πτέρυγα
Διαμόρφωση. C: Canard
Εμβέλεια, km (0,30)
1200
1350
1250
Απόλυτο βάρος, kg (0,25)
640
610
690
Κόστος παραγωγής (0,20)
μεσαίο
χαμηλά
ψηλά
Σταθερότητα (0,15)
ψηλά
μεσαίο
μεσαίο
Ευκολία συντήρησης (0,10)
ψηλά
μεσαίο
χαμηλά
Μπορείτε να βάλετε το AI να δημιουργήσει αυτόν τον πίνακα. Ωστόσο, οι αριθμοί εύρους και βάρους πρέπει να προέρχονται από έναν ανεξάρτητο προκαταρκτικό υπολογισμό και οι ποιοτικές βαθμολογίες όπως "σταθερότητα: υψηλό" πρέπει επίσης να αιτιολογούνται. Η δύναμη της τεχνητής νοημοσύνης είναι ότι καταγράφει δέκα διαφορετικές διαμορφώσεις μέσα σε λίγα λεπτά και εκτελεί ανάλυση συναισθήματος (πώς αλλάζει η κατάταξη εάν αλλάξει ένα βάρος).
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Σχεδιάζω εκπαιδευτικό αεροσκάφος. Πες μου την καλύτερη διαμόρφωση.
Ισχυρή προτροπή:
Ρόλος: Είστε σύμβουλος σχεδιασμού αεροσκαφών. Πλαίσιο: Προκαταρκτική μελέτη αντιστάθμισης για εκπαιδευτικό αεροσκάφος δύο θέσεων (οι τιμές είναι αντιπροσωπευτικές): εμβέλεια στόχου ~1000 km, ταχύτητα κρουαζιέρας ~55 m/s, ωφέλιμο φορτίο ~220 kg, προτεραιότητα χαμηλού κόστους παραγωγής. Εργασία:1) Προτείνετε 3 υποψήφιες διαμορφώσεις (θέση πτερυγίου, τύπος κινητήρα).2) Ρυθμίστε έναν πίνακα συγκρίνοντας κάθε υποψήφιο ως προς: εύρος, εκτιμώμενο κενό βάρος, κόστος παραγωγής, σταθερότητα. μονάδα εγγραφής. Μην πάρετε μια τελική απόφαση, υποβάλετε έναν υποψήφιο. Θα ζυγιστώ και θα πάρω την τελική απόφαση μόνος μου.
Αντιγράψιμα πρότυπα προτροπής
Πρότυπο 1 — Μετατροπή μιας ανάγκης εργασίας σε μετρήσιμη απαίτηση:
Μετατρέψτε τα ακόλουθα αιτήματα ενδιαφερόμενων μερών σε μοναδικές, μετρήσιμες και επαληθεύσιμες απαιτήσεις. Για κάθε απαίτηση: μια μέτρηση, μια μονάδα, μια τιμή κατωφλίου και μια προτεινόμενη μέθοδος επαλήθευσης (ανάλυση/δοκιμή/επίδειξη). Μεταφράστε ασαφή επίθετα ("ελαφρύ", "γρήγορο") σε συγκεκριμένους αριθμούς. Εάν υπάρχει αβεβαιότητα, ρωτήστε ποιες πληροφορίες χρειάζεστε. Αιτήματα: [λίστα εδώ]
Πρότυπο 2 — Πίνακας ιχνηλασιμότητας και έλεγχος διένεξης:
Πάρτε αυτήν τη λίστα απαιτήσεων και: (α) δημιουργήστε έναν πίνακα ιχνηλασιμότητας που συνδέει κάθε απαίτηση με τον στόχο εργασίας υψηλού επιπέδου. (β) επισημάνετε τυχόν ζεύγη αντικρουόμενων ή προκλητικών απαιτήσεων (π.χ. εύρος έναντι ωφέλιμου φορτίου)· (γ) κατάλογος απαιτήσεων που λείπουν ή δεν είναι επαληθεύσιμες. Αφήστε το αποτέλεσμα να είναι ένας πίνακας. Απαιτήσεις: [λίστα εδώ]
Πρότυπο 3 — Ρύθμιση πίνακα σταθμισμένης απόφασης:
Δημιουργήστε ένα σταθμισμένο πλαίσιο πίνακα αποφάσεων για τις ακόλουθες υποψήφιες διαμορφώσεις. Κάντε τις σειρές κριτηρίων και τις στήλες των υποψηφίων. Αφήστε τη στήλη βάρους ΚΕΝΗ (θα εισάγω τα βάρη). Εξηγήστε σε ξεχωριστό σημείωμα τη φυσική αιτιολόγηση για τη βαθμολογία που θα βάλετε σε κάθε κελί. Μην γράψετε έναν φτιαγμένο αριθμό, σημειώστε το μέρος που μαντέψατε ως "μάντεψε". Υποψήφιοι: [...] Κριτήρια: [...]
Πρότυπο 4 — Εννοιολογικός διασταυρούμενος έλεγχος:
Ελέγξτε ανεξάρτητα το ακόλουθο αποτέλεσμα συμπίεσης: MTOW, περιοχή πτερυγίων, ώθηση. (α) Υπολογίστε το φορτίο πτερυγίων (W/S) και συγκρίνετε το με το τυπικό εύρος για τη δεδομένη κατηγορία αεροσκάφους σας. (β) Υπολογίστε τον λόγο ώσης προς βάρος (T/W) και συγκρίνετε τον με το τυπικό εύρος. (γ) Προειδοποίηση εάν οι τιμές είναι εκτός τυπικού εύρους και υποδεικνύουν πιθανό σφάλμα. Γράψτε όλες τις μονάδες ρητά. Είσοδος: [τιμές MTOW, S, T]
Μίνι Θήκες
Περίπτωση 1 — Έγκαιρη ανίχνευση αντικρουόμενων αναγκών. Σε ένα έργο UAV, οι ενδιαφερόμενοι θέλουν τόσο "τουλάχιστον 8 ώρες χρόνου ομιλίας" και "μέγιστη συνολική μάζα 12 kg". Με την ποσοτικοποίηση των δύο απαιτήσεων και την κατά προσέγγιση τον ενεργειακό προϋπολογισμό, η τεχνητή νοημοσύνη δείχνει ότι μια πτήση 8 ωρών με τυπική πυκνότητα ενέργειας μπαταρίας (περίπου 200 Wh/kg) θα απαιτούσε μόνο 6-7 κιλά μπαταρίας. Αυτό δεν ταιριάζει στον προϋπολογισμό των 12 κιλών μαζί με το ωφέλιμο φορτίο και τη δομή. Η αντίφαση συζητείται πριν ξεκινήσει ο λεπτομερής σχεδιασμός. Μάθημα: η μετάφραση των απαιτήσεων σε αριθμούς αποκαλύπτει νωρίς κρυφές αντιφάσεις.
Περίπτωση 2 — Η ανάλυση ευαισθησίας αλλάζει την απόφαση. Μια ομάδα συγκρίνει τρεις διαμορφώσεις πτερυγίων. Διαμόρφωση με αρχικά βάρη. Ο Β κερδίζει (σταθμισμένο σκορ 0,82 έναντι 0,79). Η τεχνητή νοημοσύνη ερωτάται "τι θα συμβεί εάν μειώσω το βάρος κόστους από 0,20 σε 0,10". σε αυτό το σενάριο το εύρος έρχεται στο προσκήνιο και το Config. Προηγείται ο Α (0,84 έναντι 0,80). Η ομάδα βλέπει πόσο ευαίσθητη είναι η απόφαση ως προς το κόστος προτεραιότητας και διευκρινίζει τα βάρη με τον ενδιαφερόμενο. Μάθημα: σημασία δεν έχει ένα μόνο σκορ, αλλά η σταθερότητα της κατάταξης.
Περίπτωση 3 — Σφάλμα παραγγελίας στην εκτίμηση βάρους. Το AI δίνει το κενό βάρος ενός ελαφρού αεροσκάφους ως 95 kg από μια σχέση. Ο μηχανικός υπενθυμίζει ότι το άδειο βάρος ενός διθέσιου αεροσκάφους παρόμοιας κατηγορίας κυμαίνεται συνήθως από 350-500 kg. 95 κιλά είναι σωματικά αδύνατο. Όταν γίνει έλεγχος, φαίνεται ότι το AI έχει εφαρμόσει λανθασμένα έναν συντελεστή στη σχέση και έχει διορθωθεί. Μάθημα: κάθε εκτίμηση βάρους συγκρίνεται κατά τάξεις μεγέθους με το γνωστό εύρος της κατηγορίας.
Συνήθη λάθη
- Αποδοχή αόριστης απαίτησης. Μια απαίτηση που δεν περιέχει μετρήσεις και μονάδες δεν μπορεί να επαληθευτεί. Το «να είναι ελαφρύ» είναι ευχή, όχι απαίτηση.
- Έχοντας το AI επιλέξτε τα βάρη. Τα βάρη κριτηρίων στον πίνακα αποφάσεων είναι η υποκειμενική μηχανική και η κρίση των ενδιαφερομένων. Εάν αφεθεί στην τεχνητή νοημοσύνη, η απόφαση παραμένει εγκαταλελειμμένη.
- Αποδοχή βαθμών χωρίς αιτιολόγηση. Εάν οι ποιοτικές βαθμολογίες όπως "Σταθερότητα: υψηλή" δεν έχουν φυσική βάση, η μήτρα γίνεται μια φανταχτερή λίστα εικασιών.
- Δεν επιβεβαιώνεται η εκτίμηση βάρους/μεγέθους. Οι στατιστικές συσχετίσεις είναι πρόχειρες εκτιμήσεις. Δεν μεταφέρεται στη λεπτομέρεια σχεδίαση χωρίς να το συγκρίνουμε με τη γκάμα της κατηγορίας.
- Αφήνοντας την ιχνηλασιμότητα για αργότερα. Εάν δεν καταγραφεί από πού προήλθε η απαίτηση, κανείς δεν θα γνωρίζει ποιες αποφάσεις θα επηρεάσει μια αλλαγή στο μέλλον.
Συνοπτικά
Ο εννοιολογικός σχεδιασμός είναι το στάδιο όπου λαμβάνονται οι φθηνότερες αλλά πιο αποτελεσματικές αποφάσεις. Η τεχνητή νοημοσύνη είναι ένας ισχυρός επιταχυντής εδώ για τη μετάφραση ασαφών αιτημάτων σε μετρήσιμες απαιτήσεις, τη σάρωση για ιχνηλασιμότητα και συγκρούσεις και τη σύγκριση πολλαπλών διαμορφώσεων μεταξύ των πινάκων ανταλλαγής. Ωστόσο, τα βάρη των κριτηρίων είναι η ανθρώπινη κρίση, οι αριθμητικές προβλέψεις επαληθεύονται με υπολογισμό με το χέρι και με διαστήματα κλάσεων, η τελική απόφαση διαμόρφωσης παραμένει στον μηχανικό. Η τεχνητή νοημοσύνη παράγει υποψήφιους. δεν αποφασίζει.
Εργασία εφαρμογής
Γράψτε τρεις στόχους αποστολής υψηλού επιπέδου για έναν αέρα ή διαστημόπλοιο της επιλογής σας. Χρησιμοποιώντας τεχνητή νοημοσύνη, μεταφράστε τις σε τουλάχιστον έξι μετρήσιμες απαιτήσεις και δημιουργήστε έναν πίνακα ιχνηλασιμότητας. Στη συνέχεια, δημιουργήστε έναν σταθμισμένο πίνακα αποφάσεων για τις τρεις υποψήφιες διαμορφώσεις. Καθορίστε μόνοι σας τα βάρη. Τέλος, επιβεβαιώστε μια εκτίμηση βάρους/μεγέθους που δίνεται από το AI με έναν ανεξάρτητο υπολογισμό με το χέρι και το εύρος κατηγορίας. Αναφέρετε τουλάχιστον ένα ζεύγος απαιτήσεων όπου βρίσκετε διένεξη.
λίστα ελέγχου
- [ ] Έκανα κάθε απαίτηση μοναδική, μετρήσιμη και επαληθεύσιμη.
- [ ] Αντικατέστησα τα διφορούμενα επίθετα με μετρική, μονάδα και κατώφλι.
- [ ] Δημιούργησα έναν πίνακα ιχνηλασιμότητας και επισήμανα αντικρουόμενες απαιτήσεις.
- [ ] Προσδιόρισα τα βάρη του πίνακα αποφάσεων μόνος μου (όχι AI).
- [ ] Απέδωσα τις βαθμολογίες του matrix σε φυσική αιτιολόγηση.
- [ ] Επιβεβαίωσα τις εκτιμήσεις βάρους/μεγέθους με την απόσταση κατηγορίας και τον υπολογισμό με τα χέρια.