Wie der Übergang von einem Digital Engineering hin zu einem Intelligent Engineering mittels künstlicher Intelligenz zu verstehen ist.
Digital Engineering steht für eine multidisziplinäre Herangehensweise im Ingenieurwesen, um komplexe Systeme zu entwickeln und herzustellen. Im Zentrum steht dabei die möglichst frühzeitige, disziplinübergreifende Funktionsabsicherung durch Simulation im Sinne eines Frontloadings. Denn je früher Fehler in der Produktentstehung erkannt werden, desto schneller können sie eliminiert werden. Ansys spricht hierbei von einem „Shift simulation left to save time“, was nichts anderes bedeutet, als möglichst frühzeitig Simulation zu nutzen, um Zeit und Geld zu sparen.
Nun aber spricht Ansys im Rahmen seiner KI-Strategie zudem von einem „Intelligent Engineering“ („Levering simulation intelligence to save more time“), um ein „Shift left from Shift left“ zu erreichen. Was steckt nun hinter dieser „Simulation Intelligence“? Und was lässt sich damit erreichen?
Der Begriff „Intelligenz“ hat seinen Ursprung im lateinischen „intellegere“, was „einsehen, verstehen“ bedeutet. Und der US-Psychologe Edward Boring meinte bereits 1923 nur lapidar: „Intelligenz ist das, was der Intelligenztest misst.“
In einem Intelligenztest werden die Fähigkeiten von Probanden anhand eines Zahlenwert eingestuft. Ein IQ von 100 gilt als guter Durchschnitt. Bezogen auf die Produktentwicklung könnte man zur Ansicht kommen, dass mit einem konsequent durchgeführten Digital Engineering dieser Wert erreicht wird – vielleicht auch zehn oder zwanzig Prozent mehr. Doch lässt sich damit nicht die Entwicklungszeit drastisch verkürzen, etwa um von den fünf Jahren Time-to-Market vieler europäischer Automotive-OEMs auf die zwei Jahre zu kommen, in denen es chinesische Automotive-OEMs schaffen.
Etwa zwei Prozent der Weltbevölkerung erreichen einen IQ-Wert von 130 und mehr. Sie werden gerne als Hochbegabte bezeichnet. Bedeutet demnach Intelligent Engineering eine Entwicklung, ausgeführt von hochbegabten Ingenieuren? Gewiss nicht. Vielmehr geht es darum, Ingenieure bei ihrer Entscheidungsfindung derart nachhaltig zu unterstützen, damit sie schneller zum Ziel kommen und dabei gleichzeitig mehr Designoptionen geprüft zu haben. Die Entscheidungen sollen dabei weniger aufgrund von Intuition getroffen werden, sondern auf Basis einer strukturierten Faktenlage, was künstliche Intelligenz (KI) auf den Plan ruft.
Der Erfolg der KI liegt in ihrer Fähigkeit begründet, Muster zu erkennen und Vorhersagen auf der Grundlage trainierter Daten zu treffen, anstatt sich mit den kognitiven Prozessen menschlichen Denkens auseinander zu setzen. Mittels KI lässt sich systematisch Schritt für Schritt die Wissenstreppe von Professor Klaus North erklimmen – vorausgesetzt natürlich, dass die Wissensartefakte – PLM-Objekte zumeist – in maschinenlesbarer Form vorliegen, wie etwa CAD-Geometrien, skalare Ergebnisse oder auch 3D-Simulationsresultate. Das Modell der Wissenstreppe nach North beschreibt systematisch die Stufen der Wertschöpfung mittels Daten, Informationen, Wissen und idealerweise auch Weisheit unter Nutzung digitaler Technologien.
Wie dies genau im Spannungsfeld von Simulation, KI und Anwender („natürlicher Intelligenz“) funktioniert, beschreiben wir im nächsten Blogbeitrag.
