Lợi nhuận:
- Khả năng phân biệt vị trí nào trong vòng đời phát triển phương tiện (mô hình V) tạo ra giá trị thực và quyết định nào vẫn thuộc trách nhiệm của kỹ sư có thẩm quyền
- Khả năng áp dụng ba nguyên tắc xác thực neo để kiểm tra từng đầu ra AI theo thứ tự cường độ, tính hợp lý về mặt kỹ thuật và bằng chứng đo lường/kiểm tra độc lập
- Nhận biết các rủi ro về ảo giác, mơ hồ, bí mật thương mại và bảo mật chức năng, đồng thời hình thành thói quen thiết lập các lời nhắc an toàn bằng cách ẩn danh bối cảnh
Kỹ thuật ô tô; Đó là một chuỗi khổng lồ bắt đầu từ bản vẽ ý tưởng của một chiếc xe và mở rộng đến thiết kế, mô phỏng, nguyên mẫu, thử nghiệm, sản xuất hàng loạt và giám sát hiện trường. Ngày nay, trí tuệ nhân tạo (gọi tắt là AI, hay AI) đang hoạt động như một máy gia tốc trong mọi mắt xích của chuỗi này. Nhưng một sai sót trong ngành công nghiệp ô tô không phải là một sai sót còn sót lại trong phòng thí nghiệm: nó có nghĩa là sự an toàn, thu hồi và tính mạng con người đối với hàng triệu phương tiện trên đường. Vì vậy, câu đầu tiên và quan trọng nhất của mô-đun này là: trí tuệ nhân tạo tăng tốc cho kỹ sư, nhưng người chủ và chịu trách nhiệm về quyết định quan trọng về an toàn luôn là kỹ sư có năng lực.
Trong phần này, chúng ta sẽ tìm hiểu xem AI tạo ra giá trị thực sự ở đâu trong quá trình phát triển phương tiện, ở đâu có ranh giới đỏ và cách xác thực một cách có kỷ luật từng đầu ra của AI.
Mô hình chữ V phát triển phương tiện và vị trí của AI
Sự phát triển trong ô tô thường được mô tả bằng mô hình chữ V. mô hình chữ V; Đó là quá trình phát triển diễn ra dưới dạng chữ "V", với các yêu cầu và bước thiết kế ở bên trái, triển khai phần mềm/phần cứng ở phía dưới và các thử nghiệm xác minh và tích hợp ở bên phải. Ở cánh tay trái, "những gì chúng tôi sẽ làm" được xác định (yêu cầu, thiết kế hệ thống), ở cánh tay phải, "chúng tôi đã làm đúng" được kiểm tra (kiểm tra đơn vị, tích hợp, xác minh công cụ).
Trí tuệ nhân tạo chạm đến hầu hết mọi khía cạnh của chữ V này:
- Cánh tay trái (thiết kế): đề xuất hình học bộ phận nhẹ với thiết kế tổng quát, tăng tốc mô phỏng với mô hình thay thế, nắm bắt những điểm không nhất quán từ văn bản yêu cầu.
- Sub (triển khai): hỗ trợ tạo mã, rút ra trường hợp kiểm thử, quét tham số hiệu chuẩn.
- Cánh tay phải (xác minh): gắn cờ bất thường từ dữ liệu thử nghiệm, bản nháp báo cáo, tóm tắt thử nghiệm độ bền.
- Sản xuất và lĩnh vực: phát hiện khiếm khuyết trực quan, bảo trì dự đoán, phân tích đo từ xa, dự báo chuỗi cung ứng.
Mẹo: Định vị AI như một trợ lý “tạo ra khách hàng tiềm năng và thu hút sự chú ý” chứ không phải “người ra quyết định”. Bằng chứng kỹ thuật đưa ra quyết định.
Chúng ta để lại gì cho AI và không làm gì?
Nguyên tắc chung: AI mạnh về công việc lặp đi lặp lại, sử dụng nhiều dữ liệu, bản phác thảo đầu tiên; Phán quyết, bảo mật và phê duyệt cuối cùng thuộc về con người. Bảng dưới đây thể hiện sự khác biệt này.
Nhiệm vụ
Vai trò của AI
Chủ sở hữu quyết định
Quét bất thường trong 50.000 dòng ghi kiểm tra đường
Tự động chấm điểm, sàng lọc trước
kỹ sư kiểm tra
Xác minh bảo mật phần mềm phanh
Đề xuất kịch bản thử nghiệm
Kỹ sư an toàn chức năng
Tạo hình học khung gầm khái niệm
Tạo ra các lựa chọn thay thế (generative)
Kỹ sư thiết kế/CAE
Phân loại khuyết tật đường hàn
Phát hiện trước trong hình ảnh
Kỹ sư/người vận hành chất lượng
Tuyên bố tương đồng (phê duyệt kiểu)
văn bản dự thảo
Kỹ sư/quản lý chịu trách nhiệm
Điểm cần lưu ý: cột bên phải của bảng không bao giờ được là "AI". Chữ ký cuối cùng về các vấn đề như khai báo khí thải, phê duyệt an toàn va chạm, hiệu suất phanh,… luôn thuộc về người có thẩm quyền. Đây không chỉ là vấn đề đạo đức mà còn là nghĩa vụ pháp lý ở hầu hết các quốc gia.
Ba nguyên tắc xác minh mỏ neo
Trong suốt mô-đun này, chúng tôi sẽ kiểm tra từng đầu ra AI dựa trên ba “mỏ neo” độc lập. Neo; Giống như trọng lượng giữ con tàu ở đúng vị trí, nó ngăn cản AI kéo chúng ta theo.
- Thứ tự kiểm tra độ lớn: Kết quả có đúng với thang đo chính xác không? Khả năng tăng tốc của ô tô khách từ 0 lên 100 km/h là khoảng 6-9 giây; Nếu AI nói "0,6 giây" thì có gì đó không ổn. Khuyến nghị sạc đầy pin trong 2 phút là điều đáng nghi ngờ về mặt vật lý.
- Tính hợp lý về mặt kỹ thuật: Kết quả có tương thích với trực giác vật lý và kỹ thuật không? Nếu một bộ phận bạn chế tạo nhẹ hơn đồng thời rẻ hơn, chắc chắn hơn và dễ sản xuất hơn, hãy nhớ nguyên tắc “không có bữa trưa miễn phí”; Có một sự đánh đổi ẩn giấu ở đâu đó.
- Bằng chứng đo lường/kiểm tra độc lập: Mỏ neo mạnh nhất. So sánh mô phỏng với thử nghiệm vật lý, dự đoán với dữ liệu thực tế, tóm tắt AI với dữ liệu thô. Không có đầu ra quan trọng về bảo mật nào được chấp nhận mà không có bằng chứng.
Thận trọng: AI có thể tạo ra thông tin sai lệch bằng ngôn ngữ rất trôi chảy và tự tin; điều này được gọi là ảo giác. Sự trôi chảy không phải là bằng chứng của sự chính xác. Đừng cho rằng một con số, một con số tiêu chuẩn, hay một đặc tính vật chất nào đó là đúng chỉ vì nó được nói ra một cách chắc chắn; Xác nhận từ nguồn.
Nghiên cứu trường hợp nhỏ
Trường hợp 1 - Bắt lỗi đơn hàng. Một thực tập sinh đã nhờ AI tính toán lực cản khí động học của xe và nhận được kết quả là “12.000 N” ở tốc độ 100 km/h. Kỹ sư cao cấp tiến hành kiểm tra mức độ: lực cản của một chiếc ô tô du lịch thông thường ở tốc độ này là khoảng 300-400 N (khoảng 30-40 kgf). N12.000 gấp ba mươi lần. Khi kiểm tra, có vẻ như AI đang sử dụng sai đơn vị cho mật độ không khí (g/cm³ nhầm lẫn thay vì kg/m³). Kết quả: Việc kiểm tra thứ hạng đơn giản đã ngăn chặn hàng giờ đưa ra các quyết định thiết kế sai lầm.
Trường hợp 2 - Bộ lọc hợp lý. Nhóm mua sắm yêu cầu AI cho lời khuyên về cắt giảm chi phí; AI khuyến nghị mua từ một nhà cung cấp duy nhất, tiết kiệm 8%. Người quản lý kế hoạch tiến hành kiểm tra tính hợp lý: bộ phận này là cảm biến túi khí quan trọng về an toàn và nguồn duy nhất sẽ ngừng toàn bộ quá trình sản xuất nếu nhà máy đó bị mất điện. Đề xuất đang được sửa chữa bằng cách thêm nguồn thứ hai và bộ đệm chứng khoán. Kết quả: Tránh được nguy cơ “dừng dây chuyền” vì tiết kiệm 8%.
Trường hợp 3 - Bằng chứng độc lập. Nhóm CAE dự đoán hành vi rung (NVH - tiếng ồn, độ rung, độ cứng) của bảng điều khiển mui xe bằng mô hình thay thế nhanh; Mô hình dự đoán sự cộng hưởng (rung quá mức ở một tần số nhất định) ở tần số 47 Hz. Nhóm xác nhận điều này bằng thử nghiệm phương thức vật lý; đỉnh thực sự xảy ra ở tần số 44 Hz. Sự khác biệt tuy nhỏ nhưng quan trọng; Mô hình thay thế được áp dụng nhưng biên độ thiết kế cũng được mở rộng tương ứng. Kết luận: Dự đoán AI nhanh đã được sử dụng nhưng được hiệu chỉnh bằng bằng chứng độc lập.
Thiết lập lời nhắc an toàn: quyền riêng tư và bí mật thương mại
Dữ liệu ô tô thường chứa bí mật thương mại (thiết kế mẫu xe mới, giá nhà cung cấp) hoặc dữ liệu cá nhân (vị trí lái xe, số VIN - số khung). Gửi dữ liệu bí mật thô tới công cụ AI trên đám mây công cộng là một rủi ro lớn.
Dưới đây là so sánh các lời nhắc yếu và mạnh.
Dấu nhắc yếu:
Tôi đang thêm dữ liệu thử nghiệm pin thực tế của dự án SUV chạy điện mẫu 2027 của chúng tôi thuộc thương hiệu X, nhà cung cấp di động của chúng tôi là công ty Y, đơn giá là 92 USD. Giải quyết vấn đề về phạm vi hoạt động của các xe có số VIN này: [danh sách VIN thực]
Lời nhắc này tiết lộ nhãn hiệu, mẫu mã, nhà cung cấp, giá cả và số VIN cá nhân; Nó nguy hiểm cho cả quyền riêng tư và sự cạnh tranh.
Lời nhắc mạnh mẽ:
Vai trò: Tôi là kỹ sư kiểm tra pin xe điện. Bối cảnh: Tôi đang điều tra độ lệch phạm vi trong pin SUV chở khách (khoảng 75 kWh). Tôi đã ẩn danh dữ liệu; thương hiệu được mã hóa là A/B, xe cộ là Vehicle_1..vehicle_20. Nhiệm vụ: Liệt kê 3 biến ảnh hưởng nhiều nhất đến phạm vi trong bảng phạm vi nhiệt độ (ẩn danh) đính kèm và đề xuất thử nghiệm xác minh cho từng biến. Hạn chế: Không đưa ra lý do dứt khoát; đưa ra giả thuyết và bước xác minh.Đầu ra: Bảng + thứ tự ưu tiên.
Mẹo: Sử dụng môi trường AI với hợp đồng dữ liệu doanh nghiệp (không sử dụng dữ liệu của bạn trong đào tạo), ẩn danh dữ liệu và chỉ cung cấp thông tin tối thiểu cần thiết (giảm thiểu dữ liệu).
Mẫu RGBÇ cho lời nhắc tốt
Mẫu đơn giản mà chúng ta sẽ sử dụng đi sử dụng lại trong mô-đun này: Vai trò - Nhiệm vụ - Ngữ cảnh - Đầu ra (RGBÇ).
Vai trò: [AI nên hành động như chuyên gia nào]Nhiệm vụ: [bạn muốn gì trong một câu]Bối cảnh: [đơn vị, ràng buộc, tiêu chuẩn, dữ liệu ẩn danh]Ràng buộc: [không làm gì, làm gì khi không chắc chắn]Đầu ra: [bảng/danh sách/mã, định dạng nào]
Vai trò: Bạn là một kỹ sư NVH (độ ồn-rung) giàu kinh nghiệm. Nhiệm vụ: Liệt kê các nguyên nhân gốc rễ có thể gây ra khiếu nại về rung lái. Bối cảnh: Trục trước, 80-100 km/h, trên đường bằng phẳng; Lốp xe vừa được cân bằng.Ràng buộc: Sắp xếp từ nhiều khả năng nhất đến ít khả năng xảy ra nhất; đề xuất một phép đo xác minh duy nhất cho từng nguyên nhân. Đầu ra: Danh sách được đánh số + cột xác minh.
Vai trò: Bạn là kỹ sư chất lượng ô tô. Nhiệm vụ: Chuyển đổi báo cáo khuyết tật mối hàn sang định dạng 5W1H (cái gì/tại sao/ở đâu...). Bối cảnh: Robot hàn điểm, đường nét thân xe; tỷ lệ sai sót tăng trong 3 ca gần nhất. Đầu ra: Tóm tắt có cấu trúc + 3 khuyến nghị kiểm soát tức thời.
Vai trò: Đóng vai trò là nhà phân tích dữ liệu. Nhiệm vụ: Đọc mô tả cột đo từ xa bên dưới và đề xuất 8 thuộc tính ứng cử viên cho việc bảo trì dự đoán. Ràng buộc: Đề xuất các thuộc tính sử dụng thông tin trong tương lai (rủi ro rò rỉ); ghi lý do cho từng thuộc tính.Đầu ra: Thuộc tính | Biện minh | Bảng rủi ro rò rỉ (Y/N).
Những lỗi thường gặp
- Nhầm đầu ra AI với bằng chứng. Văn bản linh hoạt không được xác minh kỹ thuật. Neo từng số.
- Bỏ qua việc kiểm tra thứ hạng. Đây là phương pháp bẫy lỗi rẻ nhất và mạnh mẽ nhất; Phải mất mười giây.
- Gửi dữ liệu bí mật thô. Chia sẻ thông tin như thương hiệu, nhà cung cấp, giá cả, số VIN mà không ẩn danh là vi phạm hợp đồng và pháp luật.
- Bỏ qua sự không chắc chắn. "Bạn có chắc không?" Thay vì hỏi, hãy yêu cầu bằng chứng; Sự tự tin của AI không phải là thước đo độ chính xác của nó.
- Đổ lỗi cho AI. “Người mẫu nói vậy” không phải là bào chữa; Chữ ký là của bạn.
Tóm lại
- AI là máy gia tốc ở mọi giai đoạn của mô hình chữ V phát triển phương tiện; Tuy nhiên, quyết định và phê duyệt quan trọng về an toàn luôn thuộc về kỹ sư có năng lực.
- Kiểm tra mọi đầu ra AI dựa trên ba điểm neo: thứ tự cường độ, tính hợp lý về mặt kỹ thuật, bằng chứng về thử nghiệm/đo lường độc lập.
- Ảo giác là có thật; Sự trôi chảy không phải là sự chính xác.
- Ẩn danh dữ liệu cá nhân và bí mật, thực hiện giảm thiểu dữ liệu, sử dụng môi trường AI doanh nghiệp.
- Để có lời nhắc hữu ích, hãy sử dụng mẫu Vai trò-Nhiệm vụ-Ngữ cảnh-Đầu ra (RGBÇ).
Nhiệm vụ ứng dụng
Chọn một nhiệm vụ từ doanh nghiệp của bạn (hoặc từ một dự án xe khách tưởng tượng): ví dụ: "dự đoán độ mòn của má phanh". (1) Bạn sẽ đặt nhiệm vụ này ở đâu trong mô hình chữ V? (2) Viết vai trò của AI và người đưa ra quyết định vào bảng. (3) Viết lời nhắc có mẫu RGBÇ và ẩn danh tất cả thông tin bí mật/cá nhân trong đó. (4) Ghi chú vào ba mục mà bạn sẽ kiểm tra phản hồi từ AI.
danh sách kiểm tra
- [ ] Tôi đã xác định vị trí nhiệm vụ của mình trong mô hình chữ V.
- [ ] Tôi đã viết riêng về vai trò của AI và người đưa ra quyết định cuối cùng.
- [ ] Tôi đã ẩn danh các thông tin như thương hiệu/nhà cung cấp/giá/VIN trong lời nhắc của mình.
- [ ] Tôi đã sử dụng mẫu RGBS (vai trò, nhiệm vụ, bối cảnh, ràng buộc, đầu ra).
- [ ] Tôi có sẵn một kế hoạch để xác minh kết quả đầu ra với ba điểm neo (xếp hạng, tính hợp lý, bằng chứng độc lập).
- [ ] Tôi đã xác nhận rằng xác nhận quan trọng về bảo mật vẫn thuộc về con người.