Monolith, fournisseur de logiciels d’intelligence artificielle (IA) pour les principales équipes d’ingénierie du monde, a publié une mise à jour majeure du produit appelée Next Test Recommender (NTR). Cette nouvelle technologie, désormais disponible en version bêta sur la plateforme d’IA sans code conçue pour les experts du domaine de l’ingénierie, fournit des recommandations actives sur les tests de validation à exécuter lors du développement de produits non linéaires difficiles à modéliser dans les applications automobiles, aérospatiales et industrielles. .
Alors que la physique des produits complexes dans ces industries devient de plus en plus difficile à comprendre, les ingénieurs se retrouvent face à un dilemme, soit en testant de manière excessive pour couvrir toutes les conditions de fonctionnement possibles, soit en testant insuffisamment, ce qui risque d’omettre des paramètres de performance critiques. NTR, alimenté par la technologie d’apprentissage actif exclusive de la société, vise à optimiser ce compromis en fournissant aux ingénieurs de test des recommandations actives, par ordre de classement, des nouveaux tests les plus percutants à exécuter pour leur prochain lot de tests, afin de maximiser la couverture et d’optimiser temps et coût.
« Tout au long de notre processus de développement, nous avons travaillé en étroite collaboration avec nos clients pour comprendre comment ils utiliseraient un système de recommandation d’IA dans le cadre de leur flux de travail de test. Nous voulions comprendre pourquoi ils n’avaient pas encore adopté de tels outils malgré le potentiel connu de l’IA pour explorer plus rapidement des espaces de conception de grande dimension », a déclaré le Dr Richard Ahlfeld, PDG et fondateur de Monolith. « Nous avons constaté que les outils existants n’étaient pas adaptés à leurs besoins de sécurité et ne permettaient pas aux ingénieurs de test d’intégrer leur expertise dans le domaine dans le plan de test ou d’influencer le recommandateur de l’IA. »
« Notre équipe de R&D travaille depuis des mois sur cette technologie d’apprentissage actif robuste qui alimente Next Test Recommender et nous sommes satisfaits des premiers résultats et des commentaires, avec des résultats encore meilleurs attendus à mesure que la technologie mûrit. » Dr Ahlfeld.
NTR fonctionne pour tout système complexe où les ingénieurs essaient d’explorer en toute sécurité l’espace de conception, comme l’analyse de cartes aérodynamiques pour les voitures de course ou l’enveloppe de sécurité de vol des avions où les ingénieurs essaient de trouver où les rafales ou les fréquences propres causent des problèmes. Un autre domaine en pleine croissance est le développement des groupes motopropulseurs, comme l’étalonnage des piles à combustible ou des systèmes de refroidissement des batteries. Dans ce dernier cas d’utilisation, un ingénieur essayant de configurer un ventilateur pour fournir un refroidissement optimal pour toutes les conditions de conduite avait un plan de test pour cette application très complexe et insoluble qui comprenait l’exécution d’une série de 129 tests. Lorsque ce plan de test a été transmis à NTR, il a renvoyé une liste classée des tests à effectuer en premier. Sur 129 tests, comme le montre la Fig. 1.,
Fig. 1. Le système Monolith Next Test Recommender a recommandé que le dernier test, le numéro 129, soit dans les 5 premiers à être exécutés et que 60 tests soient suffisants pour caractériser les performances complètes du ventilateur, soit une réduction de 53 % des tests .
Bien que disponibles, les méthodes d’IA open source ne permettent pas à un ingénieur d’influencer le plan de test, un aspect unique et critique de NTR est qu’il permet une inspection humaine en boucle d’expériences sélectionnées, assurant la surveillance d’un utilisateur expert du domaine. du système, combinant leur expérience et leur connaissance du domaine avec la puissance de l’apprentissage automatique sans aucune connaissance de l’IA ou du codage.
UN étude Une étude récente de Forrester Consulting, commandée par Monolith, a révélé que 71 % des leaders de l’ingénierie doivent trouver des moyens d’accélérer le développement de produits pour rester compétitifs, et la majorité (67 %) ressentent également une pression pour adopter l’IA. Étonnamment, ceux qui en ont sont plus susceptibles d’obtenir des revenus, une rentabilité et une compétitivité plus élevés pour leurs employeurs.
En tirant parti de l’intelligence artificielle et de l’apprentissage automatique dans le processus de vérification et de validation du développement de produits, en particulier pour les produits très complexes avec une physique insoluble, les ingénieurs peuvent extraire des informations précieuses, optimiser les conceptions et identifier avec précision les paramètres de performance cruciaux. Le résultat est une efficacité opérationnelle améliorée et des procédures de test rationalisées, ce qui, en fin de compte, accélère la mise sur le marché et renforce la compétitivité.
Logiciel sans code pour les experts du domaine de l’ingénierie
Monolith est une plate-forme logicielle d’IA sans code conçue pour les experts du domaine afin d’exploiter la puissance de l’apprentissage automatique avec leurs précieux ensembles de données de test existants pour accélérer le développement de produits. Les modèles d’auto-apprentissage analysent et apprennent à partir des données de test pour comprendre l’impact des conditions de test et prédire le résultat d’un nouveau test à l’avance. La possibilité d’obtenir des recommandations à partir des tests actifs à venir permettra en outre aux équipes d’ingénierie de réduire les programmes de prototypage coûteux et chronophages et de développer des produits de meilleure qualité en deux fois moins de temps.
*Les résultats de performance varient de 30 à 60 % en fonction de l’efficacité du plan de test existant.