مقدمه ای بر هوش مصنوعی و رشته راستی آزمایی در مهندسی خودرو

سود:

• توانایی تشخیص اینکه در چرخه عمر توسعه خودرو (مدل V) هوش مصنوعی ارزش واقعی تولید می کند و کدام تصمیم باید بر عهده مهندس ذیصلاح باشد.
• توانایی اعمال سه رشته اعتبار سنجی لنگر که هر خروجی هوش مصنوعی را بر اساس مرتبه بزرگی، معقول بودن مهندسی، و شواهد آزمون/اندازه گیری مستقل آزمایش می کند.
• تشخیص توهم، ابهام، اسرار تجاری و خطرات امنیتی عملکردی و به دست آوردن عادت به تنظیم اعلان های ایمن با ناشناس کردن زمینه

مهندسی خودرو؛ این یک زنجیره عظیم است که از طراحی مفهومی یک وسیله نقلیه شروع می شود و تا طراحی، شبیه سازی، نمونه اولیه، آزمایش، تولید انبوه و نظارت میدانی گسترش می یابد. امروزه هوش مصنوعی (به طور خلاصه AI یا AI) به عنوان یک شتاب دهنده در هر حلقه از این زنجیره فعال است. اما یک اشتباه در صنعت خودرو اشتباهی نیست که در آزمایشگاه رها شود: این به معنای ایمنی، یادآوری و جان انسان برای میلیون‌ها وسیله نقلیه در جاده است. بنابراین اولین و مهمترین جمله این ماژول این است: هوش مصنوعی مهندس را تسریع می کند، اما مالک و مسئول تصمیم گیری حیاتی ایمنی همیشه مهندس صالح است.

در این بخش، یاد خواهیم گرفت که هوش مصنوعی در کجاها ارزش واقعی در توسعه خودرو ایجاد می کند، کجا خطوط قرمز وجود دارد، و چگونه به طور منظم هر خروجی هوش مصنوعی را تأیید کنیم.

مدل V توسعه خودرو و جایگاه هوش مصنوعی

توسعه در خودرو اغلب با مدل V توصیف می شود. مدل V; این فرآیند توسعه است که به شکل یک حرف "V" پیش می رود، با الزامات و مراحل طراحی در سمت چپ پایین، پیاده سازی نرم افزار/سخت افزار در پایین، و تست های تایید و یکپارچه سازی در سمت راست بالا می رود. در بازوی چپ، "چیزی که ما انجام خواهیم داد" تعریف شده است (نیاز، طراحی سیستم)، در بازوی سمت راست، "آیا ما آن را درست انجام داده ایم" (تست واحد، ادغام، تأیید ابزار) آزمایش می شود.

هوش مصنوعی تقریباً تمام جنبه های این V را لمس می کند:

• بازوی چپ (طراحی): هندسه بخش سبک وزن با طراحی مولد، افزایش سرعت شبیه‌سازی با مدل جایگزین، یافتن ناسازگاری‌ها از متون الزامی.
• فرعی (پیاده سازی): کمک تولید کد، استخراج مورد آزمایشی، اسکن پارامتر کالیبراسیون.
• بازوی راست (تأیید): پرچم گذاری ناهنجاری از داده های آزمایش، پیش نویس گزارش، خلاصه آزمون استقامتی.
• تولید و میدان: تشخیص عیب بصری، تعمیر و نگهداری پیش بینی، تجزیه و تحلیل تله متری، پیش بینی زنجیره تامین.

نکته: هوش مصنوعی را به‌عنوان دستیاری قرار دهید که «سرنخ ایجاد می‌کند و جلب توجه می‌کند»، نه «تصمیم‌گیر». شواهد مهندسی تصمیم می گیرد.

چه چیزی را به هوش مصنوعی واگذار می کنیم و چه چیزی را نمی گذاریم؟

قانون کلی: هوش مصنوعی در کارهای تکراری، داده فشرده و پیش نویس اول قوی است. قضاوت، امنیت و تایید نهایی متعلق به انسان است. جدول زیر بیانگر این تمایز است.

تلاش

نقش هوش مصنوعی

صاحب تصمیم

اسکن ناهنجاری در 50000 خط ضبط تست جاده

علامت گذاری خودکار، پیش غربالگری

مهندس تست

تأیید امنیت نرم افزار ترمز

یک سناریوی آزمایشی پیشنهاد کنید

مهندس ایمنی عملکردی

ایجاد هندسه شاسی مفهومی

تولید جایگزین (مولد)

مهندس طراحی/CAE

طبقه بندی عیوب درز جوش

پیش تشخیص در تصویر

مهندس کیفیت / اپراتور

اعلامیه هومولوگاسیون (تایید نوع).

متن پیش نویس

مهندس / مدیر مسئول

نکته قابل توجه: ستون سمت راست جدول هرگز نمی تواند "AI" باشد. امضای نهایی در مواردی مانند اعلام آلایندگی، تایید ایمنی تصادف، عملکرد ترمز و ... همیشه متعلق به یک فرد مجاز است. این نه تنها اخلاقی، بلکه یک الزام قانونی در اکثر کشورها است.

سه رشته تایید لنگر

در طول این ماژول، ما هر خروجی هوش مصنوعی را در برابر سه "لنگر" مستقل آزمایش خواهیم کرد. لنگر؛ مانند وزنی که کشتی را در جای خود نگه می دارد، از اینکه هوش مصنوعی ما را به سمت خود بکشد، جلوگیری می کند.

1. بررسی ترتیب قدر: آیا نتیجه تقریباً مقیاس صحیح است؟ شتاب یک خودروی سواری از صفر تا صد کیلومتر در ساعت حدود 6-9 ثانیه است. اگر هوش مصنوعی بگوید "0.6 ثانیه" چیزی اشتباه است. توصیه به شارژ کامل باتری در 2 دقیقه از نظر فیزیکی مشکوک است.
2. معقول بودن مهندسی: آیا نتیجه با شهود فیزیک و مهندسی سازگار است؟ اگر قطعه‌ای که سبک‌تر می‌کنید ارزان‌تر، قوی‌تر و در عین حال ساخت آسان‌تر است، اصل "ناهار رایگان وجود ندارد" را به خاطر بسپارید. یک معامله ای در جایی پنهان است.
3. تست مستقل / اثبات اندازه گیری: قوی ترین لنگر. شبیه سازی را با آزمایش فیزیکی، پیش بینی با داده های واقعی، خلاصه هوش مصنوعی با داده های خام مقایسه کنید. هیچ خروجی مهم امنیتی بدون اثبات پذیرفته نمی شود.

احتیاط: هوش مصنوعی می تواند با زبان بسیار روان و مطمئن اطلاعات نادرست تولید کند. این توهم نامیده می شود. روان بودن دلیلی بر دقت نیست. فرض نکنید که یک عدد، یک عدد استاندارد یا یک خاصیت مادی درست است فقط به این دلیل که با اطمینان گفته شده است; از منبع تایید کنید

مطالعات موردی کوچک

مورد 1 - گرفتن خطای سفارش. یک کارآموز نیروی پسا آیرودینامیکی وسیله نقلیه را با هوش مصنوعی محاسبه می کند و با سرعت 100 کیلومتر در ساعت به نتیجه "12000 نیوتن" می رسد. مهندس ارشد سطح را بررسی می کند: نیروی کشش یک خودروی سواری معمولی در این سرعت حدود 300-400 نیوتن (حدود 30-40 کیلوگرم بر فوت) است. N12000 سی برابر بیشتر است. پس از بررسی، به نظر می رسد که هوش مصنوعی از واحد اشتباهی برای چگالی هوا استفاده می کند (گرم در سانتی متر مکعب به جای کیلوگرم بر متر مکعب). نتیجه: یک بررسی رتبه ساده از ساعت ها تصمیم اشتباه طراحی جلوگیری کرد.

مورد 2 - فیلتر معقولیت. یک تیم تدارکاتی از هوش مصنوعی مشاوره برای کاهش هزینه ها می خواهد. هوش مصنوعی خرید از یک تامین کننده را توصیه می کند و 8 درصد صرفه جویی می کند. مدیر برنامه‌ریزی یک بررسی قابل قبول انجام می‌دهد: این بخش یک حسگر ایربگ حیاتی برای ایمنی است و در صورت قطعی در آن کارخانه، تنها منبع تمام تولید را متوقف می‌کند. پیشنهاد با افزودن منبع دوم و بافر سهام اصلاح می شود. نتیجه: از خطر "توقف خط" به خاطر صرفه جویی 8٪ جلوگیری شد.

مورد سوم - شواهد مستقل. یک تیم CAE رفتار ارتعاش (NVH - نویز، لرزش، سختی) پانل هود را با یک مدل جایگزین سریع پیش‌بینی می‌کند. این مدل رزونانس (ارتعاش بیش از حد در فرکانس مشخص) را در 47 هرتز پیش‌بینی می‌کند. تیم این موضوع را با آزمایش مودال فیزیکی تایید می کند. اوج واقعی در 44 هرتز رخ می دهد. تفاوت کوچک اما مهم است. مدل جایگزین پذیرفته شده است، اما حاشیه طراحی بر این اساس گسترش می یابد. نتیجه‌گیری: پیش‌بینی سریع هوش مصنوعی استفاده شد اما با شواهد مستقل کالیبره شد.

تنظیم یک اعلان امن: حریم خصوصی و اسرار تجاری

داده های خودرو اغلب حاوی اسرار تجاری (طراحی مدل جدید، قیمت تامین کننده) یا اطلاعات شخصی (محل راننده، VIN - شماره شاسی) است. ارسال داده‌های محرمانه خام به ابزار هوش مصنوعی ابری یک خطر بزرگ است.

در زیر مقایسه ای از اعلان های ضعیف و قوی ارائه شده است.

اعلان ضعیف:

من داده های آزمایش باتری واقعی پروژه SUV الکتریکی مدل 2027 خود را با نام تجاری X اضافه می کنم، تامین کننده سلول ما شرکت Y است، قیمت واحد 92 دلار است. حل مشکل برد خودروهای دارای این VIN: [فهرست VIN واقعی]

این اعلان ساخت، مدل، تامین کننده، قیمت و VIN شخصی را فاش می کند. هم برای حریم خصوصی و هم برای رقابت خطرناک است.

اعلان قدرتمند:

نقش: من یک مهندس تست باتری وسیله نقلیه الکتریکی هستم. زمینه: من در حال بررسی تغییر محدوده در یک باتری SUV مسافربری (تقریباً 75 کیلووات ساعت) هستم. من داده ها را ناشناس کردم. نام های تجاری به عنوان A/B، وسایل نقلیه به عنوان خودرو_1..خودرو_20 کدگذاری شدند. وظیفه: 3 متغیری را که بیشترین تأثیر را بر دامنه در جدول دامنه دمایی پیوست شده (ناشناس) دارند فهرست کنید و برای هر کدام یک آزمایش تأیید را پیشنهاد دهید. محدودیت: ادعای دلیل قطعی نکنید; ارائه فرضیه و مرحله تأیید. خروجی: جدول + ترتیب اولویت.

نکته: از یک محیط هوش مصنوعی با قرارداد داده های سازمانی استفاده کنید (از داده های خود در آموزش استفاده نکنید)، داده ها را ناشناس کنید و فقط حداقل اطلاعات مورد نیاز را ارائه دهید (به حداقل رساندن داده ها).

الگوی RGBÇ برای اعلان خوب

الگوی ساده ای که بارها و بارها در این ماژول استفاده خواهیم کرد: Role - Task - Context - Output (RGBÇ).

نقش: [هوش مصنوعی چه کارشناس باید عمل کند]وظیفه: [در یک جمله چه می‌خواهید] زمینه: [واحدها، محدودیت‌ها، استاندارد، داده‌های ناشناس] محدودیت: [چه کاری را انجام ندهید، چه کاری انجام دهید در عدم قطعیت] خروجی: [جدول/فهرست/کد، چه قالبی]

نقش: شما یک مهندس باتجربه NVH (صدا-ارتعاش) هستید. وظیفه: دلایل اصلی احتمالی شکایت از لرزش فرمان را فهرست کنید. زمینه: محور جلو، 80-100 کیلومتر در ساعت، در جاده هموار. لاستیک ها به تازگی بالانس شده اند. محدودیت: مرتب سازی از محتمل ترین به کم احتمال. برای هر علت یک اندازه‌گیری تأیید را پیشنهاد کنید. خروجی: فهرست شماره‌دار + ستون تأیید.

نقش: شما یک مهندس کیفیت خودرو هستید. وظیفه: گزارش نقص جوش را به فرمت 5W1H (چه/چرا/کجا...) تبدیل کنید. زمینه: جوشکاری نقطه ای رباتیک، خط بدنه. میزان نقص در 3 شیفت گذشته افزایش یافته است. خروجی: خلاصه ساختاریافته + 3 توصیه کنترل فوری.

نقش: به عنوان یک تحلیلگر داده عمل کنید. وظیفه: توضیحات ستون تله متری زیر را بخوانید و 8 ویژگی کاندید را برای نگهداری پیشگویانه پیشنهاد دهید. محدودیت: ویژگی ها را با استفاده از اطلاعات آینده توصیه می کند (خطر نشت). دلیل هر ویژگی را بنویسید. خروجی: ویژگی | توجیه | جدول خطر نشت (Y/N).

اشتباهات رایج

• اشتباه گرفتن خروجی هوش مصنوعی با شواهد متن روان از نظر مهندسی تأیید نشده است. هر عدد را لنگر بزنید.
• دور زدن چک رتبه این ارزان ترین و قدرتمندترین روش به دام انداختن خطا است. ده ثانیه طول می کشد.
• ارسال اطلاعات محرمانه خام به اشتراک گذاری اطلاعاتی مانند نام تجاری، تامین کننده، قیمت، VIN بدون نامگذاری، نقض قرارداد و قانون است.
• نادیده گرفتن عدم قطعیت "مطمئنی؟" به جای درخواست، مدرک بخواهید. اطمینان هوش مصنوعی معیاری برای دقت آن نیست.
• تقصیر را به گردن هوش مصنوعی انداخت. "مدل چنین گفت" دفاع نیست. امضا مال شماست

به طور خلاصه

• هوش مصنوعی یک شتاب دهنده در هر مرحله از مدل V توسعه خودرو است. اما تصمیم و تایید حیاتی ایمنی همیشه با مهندس صالح است.
• هر خروجی هوش مصنوعی را در برابر سه لنگر آزمایش کنید: ترتیب بزرگی، معقول بودن مهندسی، شواهد آزمایش/اندازه گیری مستقل.
• توهم واقعی است. روانی دقت نیست.
• ناشناس کردن داده های محرمانه و شخصی، پیاده سازی به حداقل رساندن داده ها، استفاده از محیط هوش مصنوعی سازمانی.
• برای اعلان های خوب، از الگوی Role-Task-Context-Output (RGBÇ) استفاده کنید.

وظیفه کاربردی

کاری را از کسب و کار خود (یا از پروژه خیالی خودروی سواری) انتخاب کنید: به عنوان مثال "پیش بینی سایش لنت ترمز". (1) این وظیفه را در کجای مدل V قرار می دهید؟ (2) نقش هوش مصنوعی و صاحب تصمیم را در جدول بنویسید. (3) یک درخواست با الگوی RGBÇ بنویسید و تمام اطلاعات محرمانه/شخصی را در آن ناشناس کنید. (4) در سه مورد یادداشت کنید که با سه لنگر پاسخ هوش مصنوعی را آزمایش خواهید کرد.

چک لیست

• [ ] من محل کارم را در مدل V تعیین کردم.
• [ ] من به طور جداگانه نقش هوش مصنوعی و صاحب تصمیم نهایی را نوشتم.
• [ ] من اطلاعاتی مانند نام تجاری/تامین کننده/قیمت/VIN را در درخواستم ناشناس کردم.
• [ ] من از الگوی RGBS (نقش، وظیفه، زمینه، محدودیت، خروجی) استفاده کردم.
• [ ] من یک طرح آماده برای تأیید خروجی با سه لنگر (رتبه، قابل قبول بودن، شواهد مستقل) دارم.
• [ ] من تأیید کرده ام که تاییدیه امنیتی حیاتی در اختیار انسان است.