Межі фізичного ШІ: де, за словами Siemens, людина залишається головною

Фізичний ШІ тепер може досліджувати тисячі варіантів конструкцій за час, необхідний традиційному моделюванню для опрацювання лише кількох із них. За даними Siemens, точніше — до 1 000 разів швидше. Чого він не може, так це затвердити деталь, критично важливу для безпеки. У цьому технологія має чітке обмеження, і Сем Малінгам, який очолює напрям її розробки в Siemens Digital Industries Software, заявляє про це без застережень.

«Чи підходить це для застосувань, критичних для безпеки?» — сказав він під час Realize LIVE Asia-Pacific у Бенгалуру. «Ні, не підходить».

Це важливо, адже така відповідь суперечить дворічним наполяганням індустрії на тому, що її ШІ здатен робити майже все. Цінність для інженерів полягає не у швидкості, яку продає Siemens, а в точному розумінні того, де на цю швидкість уже небезпечно покладатися.

Що насправді робить фізичний ШІ, а чого він не робить

Йдеться про Simcenter PhysicsAI — програмне забезпечення Siemens для геометричного глибокого навчання, яке, за словами компанії, може робити прогнози щодо конструкцій до 1 000 разів швидше, ніж традиційний розв’язувач. Механізм важливий для розуміння цього застереження. Замість того щоб щоразу обчислювати фізичні параметри з нуля, сурогатна модель навчається на даних історичних симуляцій і прогнозує результат для нової конструкції. Це оцінка, отримана за секунди, а не повний розрахунок.

Очевидне занепокоєння стосується точності, і Малінгам відповів на нього прямо. За його поясненням, упродовж десятиліть інженери порівнювали фізичне моделювання з результатами фізичних випробувань, доки кореляція не ставала достатньо тісною для довіри. Тепер ШІ оцінюють за тією самою фізичною базовою моделлю. «Ми бачимо, що за наявності достатнього обсягу даних результат дуже близький до фізичного розв’язувача», — сказав він, маючи на увазі відхилення від 1% до 3%, яке Siemens наводить у власних тематичних дослідженнях.

Близько, але недостатньо близько, щоб сертифікувати компонент, від якого залежить життя чи смерть. І саме тут Малінгам відходить від стандартного сценарію постачальника. Сурогатна модель не замінює валідацію — вона є фільтром перед нею. «Ви досліджуєте значно більше варіантів конструкції за допомогою цього швидшого рушія, сурогатної моделі фізичного ШІ, зосереджуєтеся на двох-трьох конструкціях, які вважаєте вдалими, а потім можете виконати їхнє детальне проєктування за допомогою фізичного моделювання», — сказав він. Лише після того, як фіналісти пройдуть повну перевірку на основі фізики, конструкція переходить до виробництва.

Він чітко зазначив, що навіть показовий приклад — корпус подушки безпеки Continental, який Siemens демонструвала, — перебуває в межах цього обмеження. «Це призначено для початкового дослідження конструкції, — сказав він. — Не йдеться про те, що ви перевіряєте все лише за допомогою фізичного ШІ й кажете: добре, я збираюся рекомендувати цю конструкцію для виробництва. Ні, це не так».

Залежність, про яку не згадують показники швидкості

Є й друге обмеження, яке показники прискорення зазвичай приховують; воно проявилося, коли розмова перейшла до того, як навчають ці моделі. Кілька гучних результатів Siemens, зокрема приклади за участю Magna і Continental, ґрунтуються на ШІ, навченому на синтетичних даних: результатах моделювання, згенерованих власними розв’язувачами Siemens, а не реальними вимірюваннями. Якщо ШІ навчається лише на симуляції, виникає питання: чи може він коли-небудь бути кращим за симуляцію, яка його навчила?

Відповідаючи на запитання, Малінгам не став уникати цієї циклічності. За його словами, у випадку Magna замовник провів широке дослідження конструкцій у Simcenter HEEDS — інструменті Siemens для пошуку конструкцій — і швидко розв’язав ці варіанти за допомогою Simsolid, розв’язувача, який пропускає повільний етап побудови сітки. Потім результати цього моделювання використали для навчання моделі фізичного ШІ. Якщо замовник спочатку не має даних, «він спершу генерує синтетичні дані за допомогою Simsolid і HEEDS, а потім повертається, бере ці дані й навчає модель фізичного ШІ». Іншими словами, сурогатна модель завжди може бути лише настільки доброю, наскільки є симуляція під нею, — обмеження, яке він визнав, а не відкинув.

За його словами, від пастки це рятує запобіжник, створений для того, щоб модель не прогнозувала за межами вже побаченого. Сурогатна модель, навчена на варіаціях однієї форми, не впорається, якщо її попросити спрогнозувати радикально іншу, і вона запрограмована повідомити про це. «Ми встановили запобіжники, завдяки яким вона повертається й каже: гей, я не можу це спрогнозувати. Це зовсім інша форма порівняно з тією, на якій мене навчали», — сказав Малінгам. «Тож інженер не зможе сам собі нашкодити».

Чому чесність є головною темою

Відвертість — це не самоприниження, а позиціонування. Кожен постачальник симуляцій тепер поспішає додати ШІ до свого портфоліо, і ризик для довіри полягає в тому, що покупці перестануть вірити будь-яким цифрам. Позначаючи межі технології — безпечна для дослідження, але не для остаточного затвердження; потужна за наявності даних, але марна за межами діапазону, на якому її навчали, — Siemens робить ставку на те, що інженери більше довірятимуть інструменту, якщо він повідомляє, чого не може.

Це звучить інакше, коли походить від підрозділу, що займається моделюванням. Постачальники проєктування мікросхем і корпоративного ШІ протягом хайпового циклу обіцяли автономність; натомість компанія, чиї клієнти моделюють конструкції автомобілів під час краш-тестів і реактивні двигуни, наполягає, що етап людської валідації залишається саме там, де він і був. Це не перестрахування щодо ШІ. Це більш тверезий опис його місця — швидкого першого проходу, який розширює пошук, тоді як фізичний розв’язувач і надалі ухвалює остаточне рішення щодо всього, що має бути правильним.

Це твердження вужче за те, що ринок звик чути, але водночас воно більш довговічне. Siemens продає показник у 1 000 разів, але ціннішим продуктом для інженерів є межа, яку вона навколо нього окреслює.

Дивіться також: Siemens представляє систему ШІ для автоматизації інженерних процесів

Хочете дізнатися більше про ШІ та великі дані від лідерів індустрії? Відвідайте AI & Big Data Expo, що відбудеться в Амстердамі, Каліфорнії та Лондоні. Цей масштабний захід є частиною TechEx і проходитиме одночасно з іншими провідними технологічними заходами, зокрема Cyber Security & Cloud Expo. Натисніть тут, щоб дізнатися більше.

AI News працює на базі TechForge Media. Перегляньте інші майбутні заходи та вебінари з корпоративних технологій тут.