Monolith, fournisseur de logiciels d'intelligence artificielle (IA) pour les équipes d'ingénierie les plus innovantes au monde, a développé le premier logiciel de « détection d'anomalies » alimenté par l'IA du secteur, capable de découvrir un large éventail de problèmes dans les données de test à un rythme sans précédent. Pour ce faire, il automatise le processus d'inspection des données de test brutes afin de rechercher des erreurs ou des anomalies potentielles dans des centaines de pipelines de tests.
Des études ont montré que l'impact de ne pas reconnaître les problèmes avec les données de test en temps opportun peut être énorme, y compris des mois de tests inutiles et des retards et rappels potentiels de produits, entraînant des coûts inutiles allant de millions à des milliards de dollars. (*voir notes aux éditeurs)
Les anomalies de données causées par des erreurs de mesure ou de capteur, une erreur de l'utilisateur, des dysfonctionnements du système ou une utilisation incorrecte du système lors des tests peuvent désormais être détectées plus rapidement et plus efficacement grâce aux algorithmes d'auto-apprentissage de Monolith.
Le Dr Richard Ahlfeld, PDG et fondateur de Monolith, a déclaré : « De mauvaises données entraînent de mauvaises décisions et une énorme perte de temps parmi les ressources d'ingénierie de grande valeur. Si elles sont découvertes trop tard, ces erreurs peuvent également entraîner des retards dans les délais ou, pire encore, des problèmes de qualité avec le produit, entraînant des rappels potentiellement coûteux et préjudiciables à la réputation.
« Nous avons passé plus de deux ans à travailler directement avec nos clients pour concevoir, tester et régler notre nouveau détecteur d'anomalies afin que les ingénieurs puissent trouver rapidement les erreurs dans les données techniques. Au cours de cette période, nous avons non seulement développé un algorithme d'apprentissage en profondeur unique capable de détecter plusieurs types d'anomalies, mais nous l'avons également intégré dans une expérience utilisateur sans code conçue spécifiquement pour les experts dans le domaine de l'ingénierie. « Il s'agit d'une IA utile développée par des ingénieurs pour des ingénieurs. »
24 mois de développement réel avec les clients Monolith
Monolith a développé et testé son nouveau détecteur d'anomalies IA dans des applications réelles avec des clients existants, principalement dans les segments de l'automobile, des sports motorisés et de l'industrie. En travaillant directement avec les clients, l'équipe Monolith a pu créer un algorithme d'apprentissage profond unique qui détecte de nombreux types d'anomalies dans les résultats de tests et sur des centaines de canaux en fonction du comportement complexe du système. Les utilisateurs peuvent ajuster le détecteur d'anomalies pour déterminer la vitesse ou la profondeur de l'inspection, ainsi que la prévalence ou la gravité des anomalies. Grâce à un affichage intuitif de carte thermique bidimensionnelle, les ingénieurs peuvent examiner rapidement les résultats et reconnaître rapidement quels tests ou pipelines affichent des résultats douteux afin de prioriser les étapes suivantes.
Anomaly Detector est une nouvelle version de la plateforme Monolith d'outils basés sur l'IA et fait suite au lancement de « Next Test Recommender » en 2023, un logiciel qui propose des recommandations actives sur les conditions de test les plus précieuses à valider lors du développement de modèles de tests difficiles. , produits non linéaires.
La puissance de la plate-forme Monolith réside dans sa capacité à réduire la quantité de tests physiques et le temps de simulation requis pour développer avec succès des produits dotés d'une physique très complexe et insoluble tout au long du cycle de conception. À l'aide de données de tests techniques précieuses et parfois limitées, Monolith effectue des prédictions instantanées et permet aux ingénieurs d'identifier les domaines dans lesquels une optimisation et un développement sont nécessaires, sans avoir recours à des tests physiques répétitifs et chronophages.