联系我们
智能数据革命：为什么产品测试需要克服大数据思维
将基于物理的模型的精度与基于AI的数据驱动方法的适应性相结合
在当今的数字时代，围绕数据的讨论主要集中在一个原则上：更多。收集、存储和分析的数据比以往任何时候都多，导致“大数据”作为从金融到制造业等各个领域的关键资源崛起。然而，随着企业和行业面临管理和利用这些海量信息的复杂性，另一种挑战传统“越大越好”思维的方法正在出现：“智能数据”。这种方法有望重塑我们的数据和人工智能（AI）方法。让我们来了解一下大数据技术与智能数据之间的区别。
有什么区别？为什么产品开发、测试和制造转向智能数据？
大数据强调规模，涉及大量数据集，可以包括从客户购买历史到实时传感器数据的所有内容。大数据的吸引力在于可以从各种各样的信息中获得对产品性能和功能的潜在见解。行业使用这种方法创建预测模型，即所谓的“数字孪生”，以验证下一代产品的行为，例如质量、鲁棒性和安全性。然而，管理和分析如此庞大的数据是昂贵、耗时和资源密集型的。通常，收集到的大部分数据都是多余的或不相关的，增加了杂音而不是价值。此外，在某些工程领域，如应力，一些关键数据可能难以测量或不可用。
智能数据将重点从数量转移到质量。智能数据强调选择性和策略性，而不是积累大量信息。它创建了将基本物理定律和力学与人工智能机器学习技术相结合的智能算法，形成了所谓的“数字孪生”。这种方法结合了数字和物理见解，以提高模拟的准确性和可靠性，从而可以用更少的数据点更有效地预测复杂的场景。
这种转变对于依赖数据进行创新和决策的行业来说尤其具有变革性。工程学拥有丰富的力学和材料物理学历史，是利用基于智能数据的混合孪生的理想候选者。为什么？通过将特定领域的专业知识与机器学习的数据相结合，科学家们可以开发出不仅更精确，而且更快、更可靠的计算机模型。这种双重方法提高了模型的准确性，减少了错误，简化了数据管理，并为底层算法提供了透明度，这是在客户群中建立对仿真结果信任的关键。最终，它通过从生产过程开始就促进认证就绪原型的生产，创造了显著的竞争优势。
“我们必须在正确的时间将正确的数据放在正确的位置，将基于物理的模型的精度与数据驱动方法的适应性相结合。这就是我们所说的“混合人工智能”，这是ESI多年前提出的混合孪生概念。”
Prof. Francisco ChinestaScientific Director, ESI Group
Image: Why Are Product Development, Testing, And Manufacturing Moving to Smart Data, (C) ESI Group 2024
主要制造公司如何分析和利用智能数据
智能数据运动背后的一个主要驱动力是人工智能的整合。通过将机器学习与人类特定领域的知识（如物理和化学）以及一些现实世界的实验数据点相结合，工程师可以通过创建更准确、更高效的仿真模型来回答复杂的性能相关问题。这种方法通过使用由专家知识提供的较小、有针对性的数据，减少了对大规模数据集的依赖。Francisco Chineseta教授解释说，这种方法通过关注最关键的数据来“弥合预测与现实之间的差距”。了解潜在机制使公司能够优化其数据收集工作，以更少的信息获得更精确的结果和有价值的、可操作的见解。
智能数据方法最初是在DESCARTES*研究项目中为智能城市开发和测试的，已被证明在汽车等制造业中很有价值，工程师将混合AI模型与基于物理的模拟相结合，通过碰撞模拟预测车辆侧梁加固，或用较少的数据点改进激光钎焊和焊接质量控制等过程。
工程是混合人工智能非常有用的领域之一，我想说，为了提高效率，今天是强制性的。
Aurélie Jean, Computational Scientist, Author and founder of IN SILICO VERITASat ESI TALKS 2024
要深入了解智能数据的具体价值，请观看今年的ESI TALKS小组讨论，Francisco Chineseta和该领域的其他领先人士将讨论智能数据如何使您更快、更经济、更大规模地创新。
Hybrid Twin for Airbag Simulation based on smart data, (C) ESI Group 2024
智能数据分析对现代工厂研发有什么好处
从大数据到智能数据的过渡为组织中的研究团队提供了几个优势：
- 效率和成本效益: 收集和处理较低的数据量可以降低与数据存储、基础设施和计算相关的成本。这种效率支持更可持续的业务运营，并为创新和增长释放资源。
- 改进决策: 智能数据增强了人工智能模型的可解释性，使人们更容易信任结果并检测错误或偏见。这种透明度在制造业和工程等具有重大运营后果的行业中至关重要。
- 环境影响: 大数据操作通常消耗大量能源，导致碳排放。通过专注于更小、相关的数据集，智能数据可以降低能耗，促进现代组织的环保实践。
- 实时应用: 智能数据在实时应用中表现出色，例如智能城市或智能移动设备，在这些应用中，系统必须快速准确地响应变化。智能数据能够实现更高效和有效的实时操作。
“混合孪生不再是未来的概念；它今天在这里。有了它，我们可以更快、更好、更便宜地开发.”
Prof. Francisco ChinestaScientific Director, ESI Group
如何通往智能数据？
对于从大数据向智能数据过渡的工程和研究组织来说，这段旅程始于心态的转变。企业应该优先考虑目标导向的数据收集，而不是不加选择地收集数据。这涉及确定所需的具体见解，并仅收集支持这些目标的数据。投资混合人工智能模型是另一个关键步骤。通过将领域专家知识和基本物理定律整合到人工智能系统中，公司可以减少对大型数据集的依赖，同时提高预测的准确性和可靠性。
结论：我们不需要太多数据，但需要正确的数据来驱动有价值的见解
随着行业在人工智能和数字化时代的发展，从大数据到使用智能数据的转变代表了一个关键的变化。仅凭智能数据通常就足以进行性能验证，简化制造业的开发流程，并减少从物理原型测试中收集过多数据的需要。这最终使公司不仅能够改善其业务运营，而且能够为更负责任和可持续的未来做出贡献。简而言之：最先进的创新实践不是不断收集更多的大数据，而是实时将正确的数据放在正确的地方。
* DESCARTES计划是一项法国-新加坡倡议，重点是利用混合数字和物理模型——混合双胞胎——来推进智能、道德和可持续的城市发展。此次合作旨在将人工智能和高级模拟集成到城市规划中，以提高基础设施的弹性和可持续性.
Author
Denise Börner
Sr. Marketing Content Specialist
Denise is a seasoned media and communication professional with over 15 years of experience in the IT industry, spanning logistics and asset management software to system simulation and virtual prototyping (CAE & PLM). With a deep passion for technological innovation and sustainability, Denise is a steadfast ambassador and fervent advocate for Virtual Prototyping, utilizing her extensive expertise to steer companies through the conundrum of terminology in the era of digital and AI. As the Sr. Marketing Content Specialist at ESI, Denise creates insightful publications that help businesses understand the technologies, methodologies, and value of shifting from physical to virtual prototype testing – a transition that is facilitated through the utilization of CAE software, augmented with immersive tools and hybrid AI technologies.