Inteligencia Artificial: es matemática, no magia

El término inteligencia artificial (IA) puede ser algo engañoso. Si bien el medio de la inteligencia está diseñado (y, en ese sentido, artificial o hecho por humanos), la inteligencia en sí misma se basa en datos muy reales. Sin embargo, la mayoría de las personas escuchan «IA» y piensan en robots futuristas o escenas de películas de ciencia ficción, sin reconocer que el origen de la IA no es ficticio ni mágico, es matemático.

Las matemáticas y los datos son el núcleo de los métodos de entrenamiento de IA y aprendizaje automático (ML). De esta forma, el proceso no está tan alejado de los proyectos de ingeniería impulsados ​​por humanos. Aún así, AI ha recogido algunos críticos en el camino, en gran parte debido a un malentendido y la posterior desconfianza hacia AI.

Junto con esto, existe el temor, y un ligero disgusto, de la posibilidad de que las máquinas impulsadas por IA algún día puedan reemplazar a los humanos en el lugar de trabajo. Pero esta es también una versión distorsionada de lo que la IA realmente es o puede ser. AI contribuye mucho más al campo de la ingeniería de lo que podría eliminar o reemplazar.

La relación entre IA e ingeniería es más simbiótica y similar a la conexión que vemos entre simulación e IA, o simulación e ingeniería. Cada relación complementa y mejora a la otra.

Para aclarar algunos de los conceptos erróneos que rodean a la IA, revisemos algunos de los ingredientes clave del proceso de IA, cómo encaja la simulación y cómo tanto la IA como la simulación benefician significativamente a la ingeniería.

Conociendo los hechos: datos impulsados por simulación

La parte más crítica en la ingeniería impulsada por IA son los datos. Como se mencionó anteriormente, la IA es esencialmente mucha matemática, que consiste en algoritmos, cálculos y otros tipos de datos. Este es el back-end o entrenamiento detrás de escena que la mayoría de la gente no ve. Sin embargo, de la misma manera que debes entrenar a tus equipos humanos, debes entrenar a tu IA.

Para los humanos en el lugar de trabajo, esto puede venir en forma de un módulo de capacitación o una sesión práctica con un miembro senior del equipo. El entrenamiento viene en una forma diferente para la IA, pero todavía hay entrenamiento basado en información. El ingeniero entrena a la IA brindándole los datos que necesita para realizar la tarea en cuestión. Como puede imaginar, la precisión de los datos es crítica por las mismas razones por las que no entrenaría a un humano usando información inexacta. En consecuencia, la integración de AI/ML no es una revolución, sino una evolución de métodos que es comparable a capacitar a un ingeniero o diseñador en un nuevo enfoque de diseño o flujo de trabajo que genera mejores resultados.

Sin embargo, una diferencia es el gran volumen de datos necesarios para preparar completamente la IA, especialmente porque la IA carece de los elementos humanos del sentido común o el pensamiento rápido. Si bien esta es otra razón de vacilación para algunos, aquí es donde la simulación puede brindar una gran ayuda con precisión predictiva, una gran capacidad de datos, capacidades de análisis casi ilimitadas y resultados rápidos. Por esta razón, la integración de IA/ML con la simulación es un elemento fundamental para lograr una ingeniería de IA a gran escala.

Con software de simulación que abarca análisis de elementos finitos (FEA), dinámica de fluidos computacional (CFD), electromagnética y otros modelos basados ​​en la física, la amplia cartera de Ansys tiene las herramientas para aparentemente cualquier proyecto de ingeniería. Mediante el uso de estas herramientas, los ingenieros pueden recopilar los datos más precisos posibles y visualizar cómo funcionará. Aún más ventajoso, Ansys elimina la carga matemática del ingeniero o diseñador al simplificar los cálculos o las técnicas de codificación y encapsular estas tareas en herramientas integradas y fáciles de usar. Hoy en día, la simulación es mucho más accesible para el experto en simulación.

Una vez que se recopila la cantidad deseada de datos, los miembros del equipo pueden volver a la simulación para la siguiente etapa: entrenar la IA. Un método de capacitación aprovecha la tecnología de gemelos digitales, como Ansys Twin Builder. Un gemelo digital se puede usar junto con los métodos de ML para generar grandes cantidades de datos para entrenar la IA mucho más rápido y a un costo menor que usar máquinas físicas para la generación de datos.

Según el Digital Twin Consortium, un gemelo digital es una representación virtual de entidades y procesos del mundo real, sincronizados a una frecuencia y fidelidad específicas. Al crear gemelos digitales con Twin Builder e integrar AI/ML, los ingenieros pueden fusionar modelos basados ​​en datos y físicos para crear gemelos digitales híbridos.

Con los gemelos digitales híbridos, la tecnología de gemelos digitales se combina con la simulación basada en la física de Ansys para transportar los detalles de las simulaciones 3D, por ejemplo, análisis estructurales y modelos mecánicos, a modelos de orden reducido (ROM), lo que reduce la complejidad computacional y produce más modelos eficientes a nivel de sistema con el mismo nivel de precisión confiable.

Otro beneficio de los métodos basados ​​en IA/ML es su capacidad para utilizar datos históricos. Por lo general, cuando se recopila un volumen de datos, existe la responsabilidad de clasificar esa información para extraer lo que más se necesita, lo que es menos útil y lo que debe desecharse. Los datos históricos menos útiles o descartados a menudo se almacenan en formatos antiguos en los discos duros de las computadoras, lo que los hace prácticamente inaccesibles y aparentemente inútiles. Sin embargo, AI/ML se nutre de una acumulación de datos y hace un gran uso de ellos.

De hecho, AI/ML puede convertir datos heredados obsoletos en un activo de alto valor. Como se mencionó anteriormente, se necesitan muchos datos (y matemáticas) para entrenar adecuadamente a la IA. De esta manera, AI/ML puede beneficiarse de datos no utilizados o antiguos al reciclarlos para usarlos como material de capacitación. El uso de resultados y datos de simulaciones anteriores para aprender y abordar nuevos desafíos de diseño es similar a aprovechar la experiencia de un equipo de diseñadores senior, pero con una mayor ventaja.

Esto también ayuda a las preocupaciones de sostenibilidad. Es necesario almacenar grandes volúmenes de datos, lo que consume energía y energía innecesariamente, especialmente si los datos no se utilizan. Al emplear AI/ML para clasificar, consolidar y usar datos antiguos, podemos reducir el consumo de energía y energía a largo plazo.

Para ampliar esto, podemos esforzarnos por crear un marco de desarrollo hambriento de datos con una plataforma abierta donde los algoritmos de las máquinas modernas puedan consumir datos regularmente y alimentarse de información de múltiples fuentes.

Conexiones mutuamente beneficiosas

Si bien la IA se beneficia de la simulación, la simulación también se beneficia de la IA. La IA puede acelerar la simulación hasta 100 veces más rápido, como vemos con las simulaciones impulsadas por IA o las simulaciones que utilizan sistemas basados ​​en ML.

Por ejemplo, podemos aprovechar ML para generar diseños de productos transferidos entrenando redes neuronales para predecir, optimizar y entregar automáticamente diseños de nivel de producción basados ​​en diseños anteriores. También podemos usar ML para establecer automáticamente los parámetros del modelo o aplicar solucionadores de flujo basados ​​en ML para habilitar la simulación aumentada.

De manera similar, AI/ML puede impulsar el diseño con la optimización de la topología mientras optimiza los flujos de trabajo y, en última instancia, reduce los costos. Por ejemplo, AI/ML se puede aplicar al software de optimización de diseño e integración de procesos optiSLang de Ansys para inductores de silicio avanzados para aplicaciones de ondas milimétricas mediante el uso de AI/ML para producir modelos de bloques de construcción sintéticos en una fracción del tiempo.

Aún así, incluso con los innumerables beneficios de la simulación, AI/ML, automatización o asistencia similar impulsada por computadora, existe un lugar crítico y basado en valores para los humanos. No solo se necesitan ingenieros, sino también diseñadores y otros profesionales para capacitar a la IA y cerrar la brecha entre la IA, la simulación y la ingeniería, al mismo tiempo que brindan capacitación, información y dirección esenciales. Estos profesionales están mejor equipados con herramientas de diseño impulsadas por IA que dan rienda suelta a una creatividad increíble.