Dobički:
- Sposobnost pospeševanja študij kompromisov od zahtev misije do konceptualnih velikosti letala/vesoljskega plovila s podporo AI
- Sposobnost izvajanja pisanja zahtev, nadzora sledljivosti in doslednosti s konfiguriranimi pozivi
- Zmožnost odpravljanja nerazumnih izhodov z navzkrižnim preverjanjem načrtovalnih točk, ki jih predlaga AI, z ročnimi izračuni na podlagi fizike
Letalo ali vesoljsko plovilo se rodi iz seznama zahtev, ne na risalni deski. Stavek "Prenesite tolikšno obremenitev na to območje, pri tej hitrosti, za to ceno" je seme zasnove, ki bo trajala v prihodnjih letih. Konceptualna zasnova (najzgodnejša faza načrtovanja, v kateri se najprej določijo groba velikost, teža in konfiguracija vozila) je postopek pridobivanja začetne oblike iz tega semena. Odločitve, sprejete tukaj, so poceni, vendar so njihovi učinki najdražji: ena napačna konceptualna izbira lahko zavrže milijone dolarjev podrobnega načrtovanja.
V tej enoti bomo uporabili umetno inteligenco (AI) za lajšanje treh bremen konceptualne zasnove: prevajanje nejasnih zahtev nalog v merljive zahteve, ohranjanje sledljivosti in skladnosti med zahtevami ter pospešitev analize kompromisov med konkurenčnimi možnostmi zasnove. Toda določimo kritično načelo od začetka: vsaka velikost, vsaka ocena teže, ki jo predlaga AI, je nujno navzkrižno potrjena z ročnim izračunom, ki temelji na fiziki. AI je partner za razmišljanje in računovodstvo; ni lastnik odločitve o velikosti.
Koncepti: Zahteva: ena sama preverljiva izjava, ki jo mora orodje izpolnjevati. Sledljivost: veriga zapisov, od kod prihaja posamezna zahteva in s kakšno zasnovo/testom je bila izpolnjena. Trgovski prostor: niz vseh možnosti, ustvarjenih s spremenljivimi spremenljivkami zasnove. MTOW: Največja vzletna teža (Maximum Take-Off Weight), največja masa, ki jo vozilo lahko vzleti.
Od potrebe po nalogi do zahteve: korak za korakom
Dobra zahteva ima tri lastnosti: ednina (pove eno stvar), merljivost (vsebuje število in enoto) in preverljivost (očitno je, kako to preveriti). "Letalo mora biti hitro" ni pogoj; "Zrakoplov mora doseči zračno hitrost kalibra 250 kt (KCAS) na morski gladini" je zahteva.
Prvi korak je zbrati zahteve deležnikov in jih razdeliti v osnutke zahtev z AI. Drugi korak je narediti vsako zahtevo merljivo: zamenjajte vsak nejasen pridevnik (»lahek«, »trajen«, »učinkovit«) z metriko in pragom. Tretji korak je iskanje protislovij med zahtevami: doseg in tovor si pogosto tekmujeta, umetna inteligenca ta protislovja hitro prinese na površje. Četrti korak je vzpostavitev matrike sledljivosti: preglednica, kateri cilj naloge na najvišji ravni vodi do katere podzahteve.
Na strani konceptualnega dimenzioniranja lahko umetna inteligenca prikliče znana inženirska razmerja (utežne frakcije, razmerje med potiskom in težo, obremenitev krila) in vzpostavi začetno verigo izračunov. Na primer, za potniško letalo je mogoče delež teže goriva oceniti z Breguetovo enačbo dosega, delež mase praznega letala pa s statističnimi razmerji. Toda vsak člen te verige je potrjen z ročnim izračunom.
Nasvet: Ko pišete zahteve, izrecno dajte AI nalogo, da "vsak dvoumen pridevnik nadomesti z metriko, enoto in metodo preverjanja." Model deluje veliko bolj disciplinirano, ko rečete "naredite merljive" nepreverljive izjave, kot je "uporabniku prijazen".
Konfiguriranje analize kompromisov
Srce analize kompromisov je soočanje več kandidatnih konfiguracij s skupnimi merili. Klasično orodje je matrika uteženih odločitev: merilom se pripiše utež pomembnosti, vsak kandidat se točkuje za vsako merilo, vzame se utežena vsota. Umetna inteligenca hitro sestavi to matriko, vendar bodite pozorni na dve pasti: uteži so subjektivna inženirska presoja (ni prepuščena umetni inteligenci) in rezultati morajo temeljiti na fizični utemeljitvi (ne izmišljeni).
Merilo (teža)
Config. O: Visoko krilo
Config. B: Nizko krilo
Config. C: Canard
Domet, km (0,30)
1200
1350
1250
Teža praznega vozila, kg (0,25)
640
610
690
Proizvodni stroški (0,20)
srednje
nizka
visoka
Stabilnost (0,15)
visoka
srednje
srednje
Enostavnost vzdrževanja (0,10)
visoka
srednje
nizka
AI lahko zgradi to tabelo; Toda številke obsega in teže morajo izhajati iz neodvisnega predhodnega izračuna, prav tako je treba utemeljiti kvalitativne ocene, kot je "stabilnost: visoka". Moč umetne inteligence je v tem, da v nekaj minutah prikaže deset različnih konfiguracij in izvede analizo razpoloženja (kako se uvrstitev spremeni, če se spremeni utež).
Šibek poziv/močan poziv
Šibek poziv:
Načrtujem šolsko letalo. Povej mi najboljšo konfiguracijo.
Močan poziv:
Vloga: Ste svetovalec za konceptualno načrtovanje letal. Kontekst: Predhodna študija kompromisa za dvosedežno šolsko letalo (vrednosti so reprezentativne): ciljni doseg ~1000 km, potovalna hitrost ~55 m/s, koristni tovor ~220 kg, nizki proizvodni stroški imajo prednost. Naloga:1) Predlagajte 3 konfiguracije kandidatov (položaj krila, tip motorja).2) Nastavite tabelo s primerjavo vsakega kandidata glede: dometa, ocenjene prazne teže, proizvodnih stroškov, stabilnosti.3) Za svoje numerične ocene uporabite relacijo in predpostavko. Omejitev: Navedite, katero statistično relacijo ste uporabili pri svojih ocenah teže; pisna enota; Ne sprejemajte končne odločitve, oddajte kandidata. Sam bom pretehtal in sprejel končno odločitev.
Kopirane predloge pozivov
Predloga 1 – Pretvorba potrebe po nalogi v merljivo zahtevo:
Spremenite naslednje zahteve deležnikov v posebne, merljive in preverljive zahteve. Za vsako zahtevo: metrika, enota, mejna vrednost in predlagana metoda preverjanja (analiza/test/demonstracija). Prevedite nejasne pridevnike ("lahki", "hitri") v konkretne številke; Če obstaja negotovost, vprašajte, katere informacije potrebujete. Zahteve: [navedite tukaj]
Predloga 2 – Matrika sledljivosti in pregled navzkrižij:
Vzemite ta seznam zahtev in: (a) sestavite tabelo sledljivosti, ki povezuje vsako zahtevo s ciljem naloge na visoki ravni; (b) označi vse pare nasprotujočih si ali zahtevnih zahtev (npr. doseg proti tovoru); (c) seznam manjkajočih ali nepreverljivih zahtev. Naj bo rezultat tabela. Zahteve: [seznam tukaj]
Predloga 3 – Nastavitev utežene odločitvene matrike:
Zgradite ogrodje matrike uteženih odločitev za naslednje konfiguracije kandidatov. Naredite vrstice meril in stolpce kandidatov. Pustite stolpec s težo PRAZEN (vpisal bom uteži). V ločeni opombi razložite fizično utemeljitev ocene, ki jo boste vnesli v vsako celico; Ne pišite izmišljene številke, mesto, ki ste ga uganili, označite kot "ugani". Kandidati: [...] Merila: [...]
Predloga 4 – Navzkrižno preverjanje konceptualnih dimenzij:
Neodvisno preverite naslednje rezultate preddizioniranja: MTOW, površino krila, potisk. (a) Izračunajte obremenitev krila (W/S) in jo primerjajte s tipičnim obsegom za vaš dani razred letala. (b) Izračunajte razmerje potiska in teže (T/W) in ga primerjajte s tipičnim razponom. (c) Opozorilo, če so vrednosti zunaj tipičnega obsega, in nakazovanje možne napake. Vse enote napišite eksplicitno. Vnos: [vrednosti MTOW, S, T]
Mini etuiji
Primer 1 – Zgodnje odkrivanje konfliktnih potreb. V projektu UAV zainteresirane strani želijo tako "vsaj 8 ur delovanja" kot "največ 12 kg skupne mase". S kvantificiranjem obeh zahtev in grobim proračunom energije AI pokaže, da bi 8-urni let s tipično energijsko gostoto baterije (približno 200 Wh/kg) zahteval samo 6-7 kg baterije; To ne sodi v proračun 12 kg skupaj z nosilnostjo in strukturo. O protislovju se razpravlja, preden se začne podrobno načrtovanje. Nauk: prevajanje zahtev v številke zgodaj razkrije skrita protislovja.
Primer 2 – Analiza občutljivosti spremeni odločitev. Ena ekipa primerja tri konfiguracije kril; Konfiguracija z začetnimi utežmi. B zmaga (ponderirana ocena 0,82 proti 0,79). AI se vpraša, "kaj se zgodi, če znižam stroškovno težo z 0,20 na 0,10"; v tem scenariju pride v ospredje obseg in Config. A prevzame vodstvo (0,84 proti 0,80). Ekipa vidi, kako občutljiva je odločitev glede stroškovne prednosti, in razjasni uteži z zainteresirano stranjo. Nauk: ni pomemben en sam rezultat, ampak stabilnost lestvice.
Primer 3 – napaka naročila pri oceni teže. AI podaja prazno težo lahkega letala kot 95 kg iz relacije. Inženir se spominja, da je prazna teža dvosedežnih letal podobnega razreda običajno v območju 350-500 kg; 95 kg je fizično nemogoče. Ko je preverjeno, se vidi, da je AI napačno uporabil koeficient v razmerju in se popravi. Lekcija: vsaka ocena teže se primerja po velikostih z znanim obsegom razreda.
Pogoste napake
- Sprejemanje nejasne zahteve. Zahteve, ki ne vsebuje meritev in enot, ni mogoče preveriti; "Lahko naj bo" je želja, ne zahteva.
- Umetna inteligenca izbere uteži. Uteži meril v matriki odločanja so subjektivni inženiring in presoja zainteresiranih strani; Če jo prepustimo AI, odločitev ostane zapuščena.
- Sprejemanje točk brez utemeljitve. Če kvalitativne ocene, kot je "Stabilnost: visoka", nimajo fizične podlage, matrika postane modni seznam ugibanj.
- Ne potrjujem ocene teže/velikosti. Statistične korelacije so grobe ocene; Ni vključen v detajlno zasnovo, ne da bi ga primerjali z razredom.
- Sledljivost pustimo za pozneje. Če ni zapisano, od kod prihaja zahteva, nihče ne bo vedel, na kakšne odločitve bo sprememba vplivala v prihodnosti.
Če povzamem
Idejna zasnova je faza, kjer se sprejemajo najcenejše, a najučinkovitejše odločitve. Umetna inteligenca je močan pospeševalnik pri prevajanju nejasnih zahtev v merljive zahteve, skeniranju sledljivosti in konfliktov ter primerjanju več konfiguracij v tabelah kompromisov. Vendar so uteži kriterijev človeška presoja, numerične napovedi se preverjajo z ročnim izračunom na podlagi fizike in intervali razredov, končna odločitev o konfiguraciji ostane pri inženirju. AI proizvaja kandidate; ne odloča.
Aplikacijska naloga
Napišite tri cilje misije na visoki ravni za zračno ali vesoljsko plovilo po vaši izbiri. Z uporabo umetne inteligence jih prevedite v vsaj šest merljivih zahtev in nastavite tabelo sledljivosti. Nato ustvarite ponderirano matriko odločitev za tri kandidatne konfiguracije; Teže določite sami. Na koncu potrdite oceno teže/velikosti, ki jo je podala AI z neodvisnim ročnim izračunom in razponom razreda. Prijavite vsaj en par zahtev, kjer najdete navzkrižje.
kontrolni seznam
- [ ] Vsako zahtevo sem naredil edinstveno, merljivo in preverljivo.
- [ ] Dvoumne pridevnike sem zamenjal z metriko, enoto in pragom.
- [ ] Postavil sem tabelo sledljivosti in označil nasprotujoče si zahteve.
- [ ] Uteži odločitvene matrike sem določil sam (ne AI).
- [ ] Rezultate matrike sem pripisal fizični utemeljitvi.
- [ ] Ocene teže/velikosti sem preveril z razmikom med razredi in ročnim izračunom.