Faida:
- Uwezo wa kutofautisha ni wapi katika mzunguko wa maisha ya ukuzaji wa gari (mfano wa V) akili ya bandia hutoa dhamana halisi na ni maamuzi gani yanapaswa kubaki jukumu la mhandisi anayefaa.
- Uwezo wa kutumia taaluma tatu za uthibitishaji wa nanga ambazo hujaribu kila pato la AI dhidi ya mpangilio wa ukubwa, uhalali wa uhandisi, na ushahidi huru wa mtihani/kipimo.
- Kutambua udanganyifu, utata, siri za biashara na hatari za kiusalama na kupata mazoea ya kuweka vidokezo salama kwa kutokutambulisha muktadha.
Uhandisi wa magari; Ni mlolongo mkubwa unaoanzia kwenye mchoro wa dhana ya gari na unaenea hadi kwenye muundo, uigaji, mfano, majaribio, uzalishaji wa wingi na ufuatiliaji wa shamba. Leo, akili bandia (kwa ufupi, AI, au AI) inatumika kama kiongeza kasi katika kila kiungo cha mnyororo huu. Lakini kosa katika tasnia ya magari sio kosa lililoachwa kwenye maabara: inamaanisha usalama, kukumbuka na maisha ya mwanadamu kwa mamilioni ya magari barabarani. Kwa hiyo, sentensi ya kwanza na muhimu zaidi ya moduli hii ni: akili ya bandia huharakisha mhandisi, lakini mmiliki na wajibu wa uamuzi muhimu wa usalama daima ni mhandisi mwenye uwezo.
Katika kitengo hiki, tutajifunza ambapo AI hutoa thamani halisi katika ukuzaji wa gari, ambapo kuna mistari nyekundu, na jinsi ya kudhibitisha kwa nidhamu kila pato la AI.
V-mfano wa maendeleo ya gari na mahali pa AI
Maendeleo katika magari mara nyingi huelezewa na V-mfano. V-mfano; Ni mchakato wa ukuzaji unaoendelea katika mfumo wa herufi "V", huku mahitaji na hatua za usanifu zikishuka upande wa kushoto, utekelezaji wa programu/vifaa chini, na majaribio ya uthibitishaji na ujumuishaji yakipanda upande wa kulia. Katika mkono wa kushoto, "tutakachofanya" hufafanuliwa (mahitaji, muundo wa mfumo), katika mkono wa kulia, "tumeifanya vizuri" inajaribiwa (upimaji wa kitengo, ushirikiano, uthibitishaji wa chombo).
Akili ya Bandia inagusa karibu kila nyanja ya V hii:
- Mkono wa kushoto (muundo): pendekeza jiometri ya sehemu nyepesi yenye muundo generative, ongeza kasi ya uigaji na kielelezo mbadala, pata kutolingana kutoka kwa maandishi ya mahitaji.
- Ndogo (utekelezaji): usaidizi wa kuzalisha msimbo, utokezaji wa kesi ya majaribio, uchanganuzi wa kigezo cha urekebishaji.
- Mkono wa kulia (uthibitishaji): kuripoti hitilafu kutoka kwa data ya jaribio, rasimu ya ripoti, muhtasari wa jaribio la uvumilivu.
- Utengenezaji na uwanja: ugunduzi wa kasoro ya kuona, matengenezo ya utabiri, uchambuzi wa telemetry, utabiri wa mnyororo wa usambazaji.
Kidokezo: Weka AI kama msaidizi ambaye "huzalisha viongozi na kuvutia watu," sio "mtoa maamuzi." Ushahidi wa uhandisi hufanya uamuzi.
Tunaacha nini kwa AI na hatufanyi nini?
Kanuni ya jumla: AI ina nguvu juu ya kurudia, data-intensive, kazi ya kwanza ya rasimu; Hukumu, usalama na kibali cha mwisho ni vya mwanadamu. Jedwali hapa chini linajumuisha tofauti hii.
Jitihada
Jukumu la AI
Mmiliki wa uamuzi
Kuchanganua kwa njia isiyo ya kawaida katika mistari 50,000 ya kurekodi majaribio ya barabarani
Kuashiria kiotomatiki, uchunguzi wa awali
mhandisi wa mtihani
Uthibitishaji wa usalama wa programu ya breki
Pendekeza hali ya jaribio
Mhandisi wa usalama anayefanya kazi
Kuzalisha jiometri ya chasi ya dhana
Kuzalisha njia mbadala (za kuzalisha)
Mhandisi wa kubuni/CAE
Uainishaji wa kasoro ya mshono wa weld
Utambuzi wa mapema kwenye picha
Mhandisi wa ubora / mwendeshaji
Tamko la kuoanisha (aina ya idhini).
rasimu ya maandishi
Mhandisi/meneja anayewajibika
Kumbuka: safu wima ya kulia ya jedwali haiwezi kamwe kuwa "AI". Sahihi ya mwisho kuhusu masuala kama vile tamko la uzalishaji, uidhinishaji wa usalama wa ajali, utendaji wa breki, n.k. huwa ni ya mtu aliyeidhinishwa. Hii sio tu ya kimaadili, lakini ni wajibu wa kisheria katika nchi nyingi.
Taaluma tatu za uthibitishaji nanga
Katika moduli hii yote tutajaribu kila pato la AI dhidi ya "nanga" tatu zinazojitegemea. Nanga; Kama uzani unaoiweka meli mahali pake, inazuia AI isituburute.
- Agizo la kuangalia ukubwa: Je, matokeo ni takriban kipimo sahihi? Kuongeza kasi ya gari la abiria kutoka sifuri hadi kilomita mia moja / h ni karibu sekunde 6-9; Ikiwa AI inasema "sekunde 0.6" kuna kitu kibaya. Pendekezo la kuchaji betri kikamilifu baada ya dakika 2 ni la kutiliwa shaka.
- Usahihi wa uhandisi: Je, matokeo yanaendana na angavu ya fizikia na uhandisi? Ikiwa sehemu unayofanya nyepesi inageuka kuwa nafuu, yenye nguvu na rahisi kutengeneza wakati huo huo, kumbuka kanuni ya "hakuna chakula cha mchana cha bure"; Kuna biashara iliyofichwa mahali fulani.
- Uthibitisho wa kujitegemea wa kupima/kipimo: Nanga kali zaidi. Linganisha uigaji na majaribio ya kimwili, utabiri wa data halisi, muhtasari wa AI hadi data mbichi. Hakuna matokeo muhimu ya usalama yanakubaliwa bila uthibitisho.
Tahadhari: AI inaweza kutoa habari potofu kwa lugha fasaha na ya kujiamini; hii inaitwa hallucination. Ufasaha sio ushahidi wa usahihi. Usifikiri kwamba nambari, nambari ya kawaida, au mali ni sahihi kwa sababu tu inasemwa kwa ujasiri; Thibitisha kutoka kwa chanzo.
Uchunguzi mdogo wa kesi
Kesi ya 1 - kukamata hitilafu ya kuagiza. Mtu wa ndani ana AI kuhesabu nguvu ya aerodynamic ya kukokota ya gari na anapata matokeo "12,000 N" kwa kasi ya 100 km / h. Mhandisi mkuu hufanya ukaguzi wa kiwango: nguvu ya kuvuta ya gari la kawaida la abiria kwa kasi hii ni karibu 300-400 N (karibu 30-40 kgf). N12,000 ni mara thelathini zaidi. Inapokaguliwa, inaonekana kwamba AI inatumia kitengo kibaya kwa msongamano wa hewa (mkanganyiko wa g/cm³ badala ya kg/m³). Matokeo: Ukaguzi rahisi wa cheo ulizuia saa za maamuzi yasiyo sahihi ya muundo.
Kesi ya 2 - Kichujio cha busara. Timu ya ununuzi inauliza AI kwa ushauri wa kupunguza gharama; AI inapendekeza kununua kutoka kwa muuzaji mmoja, kuokoa 8%. Msimamizi wa mipango huendesha ukaguzi wa uwezekano: sehemu hii ni kihisi cha mikoba ya hewa ambayo ni muhimu kwa usalama, na chanzo pekee kingesimamisha uzalishaji wote ikiwa kungekuwa na hitilafu kwenye kiwanda hicho. Pendekezo hilo linarekebishwa kwa kuongeza chanzo cha pili na akiba ya hisa. Matokeo: Hatari ya "kusimamisha mstari" kwa ajili ya kuokoa 8% iliepukwa.
Kesi ya 3 - Ushahidi wa kujitegemea. Timu ya CAE inatabiri tabia ya mtetemo (NVH - kelele, mtetemo, ukali) ya paneli ya kofia yenye modeli ya mbadala ya haraka; Mfano huo unatabiri resonance (mtetemo mwingi kwa masafa fulani) kwa 47 Hz. Timu inathibitisha hili kwa majaribio ya kimwili; kilele halisi hutokea kwa 44 Hz. Tofauti ni ndogo lakini muhimu; Mfano wa surrogate unapitishwa, lakini ukingo wa muundo unapanuliwa ipasavyo. Hitimisho: Utabiri wa AI wa haraka ulitumiwa lakini ulisawazishwa na ushahidi huru.
Kuweka kidokezo salama: faragha na siri za biashara
Data ya magari mara nyingi huwa na siri za biashara (muundo mpya wa mfano, bei ya wasambazaji) au data ya kibinafsi (eneo la dereva, VIN - nambari ya chasi). Kutuma data ghafi ya siri kwa zana ya AI ya wingu ya umma ni hatari kubwa.
Ifuatayo ni kulinganisha kwa vidokezo dhaifu na vikali.
Agizo dhaifu:
Ninaongeza data halisi ya majaribio ya betri ya mradi wetu wa 2027 wa SUV wa umeme wa chapa X, msambazaji wetu wa seli ni kampuni Y, bei ya kitengo ni 92 USD. Tatua suala la masafa kwa magari yaliyo na VIN hizi:[orodha halisi ya VIN]
Mwongozo huu unafichua tengeneza, modeli, msambazaji, bei na VIN ya kibinafsi; Ni hatari kwa faragha na ushindani.
Agizo lenye nguvu:
Jukumu: Mimi ni mhandisi wa kupima betri ya gari la umeme. Muktadha: Ninachunguza mteremko wa masafa katika betri ya SUV ya abiria (takriban 75 kWh). Nilificha data; chapa ziliwekwa alama kama A/B, magari kama gari_1..vehicle_20. Jukumu: Orodhesha vigeu 3 vinavyoathiri zaidi fungu la visanduku katika jedwali la masafa ya halijoto lililoambatishwa (bila kujulikana jina) na upendekeze jaribio la uthibitishaji kwa kila moja. Kizuizi: Usidai sababu dhahiri; toa dhana na hatua ya uthibitishaji.Pato: Jedwali + mpangilio wa kipaumbele.
Kidokezo: Tumia mazingira ya AI na mkataba wa data ya biashara (bila kutumia data yako katika mafunzo), ficha data na utoe maelezo ya chini tu yanayohitajika (kupunguza data).
Mchoro wa RGBÇ kwa arifa nzuri
Mchoro rahisi tutautumia tena na tena katika moduli hii: Jukumu - Kazi - Muktadha - Pato (RGBÇ).
Jukumu: [AI inapaswa kutenda kama mtaalam gani]Kazi: [unataka nini katika sentensi moja]Muktadha: [vitengo, vizuizi, data ya kawaida, isiyojulikana]Kikwazo: [usifanye nini, fanya nini kwa kutokuwa na uhakika]Pato: [jedwali/orodha/msimbo, umbizo gani]
Jukumu: Wewe ni mhandisi mwenye uzoefu wa NVH (kelele-mtetemo). Kazi: Orodhesha sababu kuu zinazoweza kusababisha malalamiko ya mtetemo. Muktadha: Ekseli ya mbele, 80-100 km/h, kwenye barabara ya usawa; Matairi yamesawazishwa hivi punde.Kizuizi: Panga kutoka uwezekano mkubwa hadi uwezekano mdogo; pendekeza kipimo kimoja cha uthibitishaji kwa kila sababu. Pato: Orodha yenye nambari + safu wima ya uthibitishaji.
Jukumu: Wewe ni mhandisi wa ubora wa magari. Kazi: Badilisha ripoti ya kasoro ya weld iwe umbizo la 5W1H (nini/kwanini/wapi...) Muktadha: Ulehemu wa doa ya Robotic, mstari wa mwili; kiwango cha kasoro kiliongezeka katika zamu 3 zilizopita. Pato: Muhtasari uliopangwa + mapendekezo 3 ya udhibiti wa haraka.
Jukumu: Fanya kama mchambuzi wa data. Kazi: Soma maelezo ya safu wima ya telemetry hapa chini na upendekeze sifa 8 za watahiniwa kwa ajili ya matengenezo ya ubashiri. Kizuizi: Pendekeza sifa kwa kutumia taarifa za siku zijazo (hatari ya kuvuja); andika sababu ya kila sifa.Pato: Sifa | Kuhesabiwa haki | Jedwali la hatari ya kuvuja (Y/N).
Makosa ya kawaida
- Kupotosha matokeo ya AI kwa ushahidi. Maandishi ya majimaji hayajathibitishwa uhandisi. Weka kila nambari.
- Kukwepa hundi ya cheo. Hii ndiyo njia ya bei nafuu na yenye nguvu zaidi ya kunasa makosa; Inachukua sekunde kumi.
- Inatuma data ghafi ya siri. Kushiriki habari kama vile chapa, mtoa huduma, bei, VIN bila kutokujulikana ni ukiukaji wa mkataba na sheria.
- Kupuuza kutokuwa na uhakika. "Una uhakika?" Badala ya kuuliza, omba ushahidi; Kujiamini kwa AI sio kipimo cha usahihi wake.
- Kuweka lawama kwa AI. "Mfano alisema hivyo" sio utetezi; Sahihi ni yako.
Kwa muhtasari
- AI ni kuongeza kasi katika kila hatua ya V-mfano wa maendeleo ya gari; Lakini uamuzi na idhini muhimu ya usalama daima iko kwa mhandisi anayefaa.
- Jaribu kila pato la AI dhidi ya nanga tatu: mpangilio wa ukubwa, uhalali wa kihandisi, ushahidi wa upimaji/upimaji huru.
- Maoni ni ya kweli; Ufasaha sio usahihi.
- Ondoa data ya siri na ya kibinafsi, tumia kupunguza data, tumia mazingira ya AI ya biashara.
- Kwa vidokezo vyema, tumia muundo wa Role-Task-Context-Output (RGBÇ).
Jukumu la maombi
Chagua kazi kutoka kwa biashara yako mwenyewe (au kutoka kwa mradi wa kufikiria wa gari la abiria): kwa mfano "utabiri wa kuvaa pedi za kuvunja". (1) Ni wapi katika modeli ya V unaweza kuweka kazi hii? (2) Andika jukumu la AI na mmiliki wa uamuzi kwenye jedwali. (3) Andika kidokezo ukitumia mchoro wa RGBÇ na ufiche utambulisho wa taarifa zote za siri/za kibinafsi zilizomo. (4) Andika katika vitu vitatu ambavyo vitatia nanga vitatu utajaribu jibu kutoka kwa AI.
orodha ya ukaguzi
- [ ] Niliamua eneo la kazi yangu katika modeli ya V.
- [ ] Niliandika kando jukumu la AI na mmiliki wa uamuzi wa mwisho.
- [ ] Nilificha maelezo kama vile chapa/mtoa huduma/bei/VIN katika kidokezo changu.
- [ ] Nilitumia muundo wa RGBS (jukumu, kazi, muktadha, kizuizi, matokeo).
- [ ] Nina mpango tayari kuthibitisha matokeo kwa nanga tatu (cheo, uwezekano, ushahidi huru).
- [ ] Nimethibitisha kwamba uthibitisho muhimu wa kiusalama unabaki kwa binadamu.