هرآنچه که مهندسان باید در مورد استفاده از مدل های مولد در طراحی بدانند در اینجا آورده شده است. هوش مصنوعی مولد که با نام GenAI نیز شناخته می شود، در صدر رونق هوش مصنوعی قرار دارد که از اوایل دهه ۲۰۲۰ آغاز شد.اساس این موضوع به آندری مارکوف، ریاضیدان روسی برمی‌گردد که یک فرآیند تصادفی به نام زنجیره مارکوف را برای مدل‌سازی زبان طبیعی توسعه داد.
با وجود این که مبنای نظری هوش مصنوعی مولد را می‌توان به پیشرفت‌های آماری در اوایل قرن بیستم نسبت داد، فناوری‌ای که این امکان را فراهم می‌کند، بسیار جدیدتر است و ترکیبی از ریاضیات پیچیده و فناوری نوین است.
تفاوت بین هوش مصنوعی مولد و طراحی مولد چیست؟
در میان حرفه‌ای‌های صنعت، یک رواج اشتباه وجود دارد که «طراحی مولد» و «هوش مصنوعی مولد» را به جای یکدیگر استفاده کنند، که عمدتاً ناشی از هیاهوی بازاریابی فعلی پیرامون هوش مصنوعی است. با این حال، تفاوت‌های مهمی بین این دو اصطلاح وجود دارد، به‌ویژه در نحوه عملکرد مکانیزم‌های پایه آن‌ها.
طراحی مولد از قوانین پارامتریک برای تعریف و اجرای یک رویه از طریق تکرار استفاده می‌کند. به عنوان مثال برای ساخت یک ستون ، استفاده از طراحی مولد عبارت است از تعیین محدودیت‌های مربوط به نوع مواد، ابعاد و غیره که منجر به تولید انواع طراحی می‌شود که می‌توان آن‌ها را به‌طور دستی اصلاح کرد.
در مقابل، هوش مصنوعی مولد از مدل های آماری برای تولید محتوا استفاده می‌کند. استفاده از هوش مصنوعی مولد برای ساخت یک ستون شامل تولید یک مدل حول یک هدف مشخص الهام گرفته شده از طراحی های قبلی ستون است که منجر به یک یا چند طراحی می‌شود که به‌طور ایده‌آل ویژگی های بهینه طراحی های قبلی را در یک چیز جدید ترکیب می‌کند.
همچنین بخوانید : هوش مصنوعی در کنترل کیفیت
در سال 2024 طراحی مولد در مهندسی بسیار رایج‌تر از هوش مصنوعی مولد است، که بیشترین موفقیت را در تولید محتوای دیجیتال شامل تصاویر و متن، به دست آورده است. با این حال، با توجه به علاقه گسترده و سرمایه‌گذاری‌های قابل توجه در هوش مصنوعی مولد در صنایع مختلف، احتمالاً مهندسان در سال‌های آینده بیشتر با آن مواجه خواهند شد.
هوش مصنوعی مولد چگونه کار می کند؟
در اصل، این هوش مصنوعی به یادگیری ماشین مربوط می‌شود. به‌طور کلی، سیستم‌های GenAI می‌توانند از نظر نوع ورودی و اینکه آیا تک مدل (فقط یک نوع ورودی، مانند متن را می‌پذیرد) یا چندمدل (چند نوع ورودی، مانند تصاویر و متن را می‌پذیرد) طبقه‌بندی شوند.
در هر مورد، سیستم بر روی نمونه‌های مربوطه در نوع ورودی مناسب—کلمات، جملات، تصاویر و غیره—آموزش داده می‌شود و با داشتن نمونه‌های کافی، سیستم در نهایت الگوهایی را شناسایی می‌کند که به آن اجازه می‌دهد تا بین نمونه‌ها تمایز قائل شود و همچنین محتوای خود را تولید کند. در مورد سیستم‌های چندمدل، این الگوها شامل همبستگی‌های بین انواع ورودی مختلف است که به آن اجازه می‌دهد تا بین آن‌ها ترجمه کند.
در ابتدا، این نتایج معمولاً از طریق یک شبکه مولد رقیب (GAN) به‌دست می‌آمد، که در آن یک مدل سعی می‌کند داده‌های جدیدی را بر اساس داده‌های آموزشی خود ایجاد کند در حالی که مدل دیگر سعی می‌کند داده‌های تولیدشده را از داده‌های واقعی تمایز دهد. هر چه مدل اول بهتر عمل کند، خروجی‌های سیستم به نتایج مطلوب نزدیک‌تر می‌شود.
به‌تازگی، ترنسفورمرها به‌عنوان یک معماری جایگزین محبوب برای GAN ها ظاهر شده‌اند. آن‌ها عمدتاً برای پردازش داده‌ها با بکارگیری مکانیزم‌هایی برای شناسایی وابستگی ها بین موارد استفاده می‌شوند. این رویکرد به‌طور قابل توجهی مقیاس‌پذیرتر بوده و منجر به ظهور ChatGPT و ابزارهای مرتبط با آن شده است.
همچنین بخوانید : کاربرد هوش مصنوعی در بازی ها
مهندسان با هوش مصنوعی مولد چه کاری می توانند انجام دهند؟
همان‌طور که در بالا اشاره شد، هوش مصنوعی مولد به‌طور عملی کمتر از طراحی مولد برای مهندسی مفید است، حداقل در وضعیت کنونی GenAI. با این وجود، در حال حاضر نمونه‌هایی از استفاده از هوش مصنوعی مولد برای اتوماسیون بخشی از فرآیند مدل‌سازی ۳ بعدی با تبدیل تصاویر ۲ بعدی به مدل‌های ۳ بعدی وجود دارد. یکی از نمونه‌ها، NeROIC (تجسم اشیاء از مجموعه‌های تصاویر آنلاین) است که از یک شبکه عصبی برای تولید مدل‌های ۳ بعدی از تصاویر آنلاین اشیاء معمولی استفاده می‌کند. با توجه به سرعتی پیشرفت این فناوری ، تصور یک مجموعه از ابزارهای GenAI که می‌تواند گردش کار CAD را بهبود بخشد، دشوار نیست.
یک کاربرد بالقوه دیگر برای هوش مصنوعی مولد در مهندسی، توسعه داده‌های مصنوعی برای شبیه‌سازی و اعتبارسنجی است. مزیت داده‌های مصنوعی این است که می‌تواند جایگزینی برای داده‌هایی باشد که توسط رویدادهای واقعی تولید می‌شود و ممکن است نادر و یا نامطلوب باشد، مانند بلایای طبیعی یا شکست‌های سیستماتیک فاجعه‌بار. البته، کاربران باید از احتمال وجود تعصبات ضمنی آگاه باشند و اطمینان حاصل کنند که هر داده مصنوعی تولیدشده با GenAI نمایانگر توزیع داده‌های واقعی است.
به احتمال زیاد موارد استفاده دیگری برای هوش مصنوعی مولد در مهندسی به وجود خواهد آمد زیرا این فناوری به توسعه ادامه می‌دهد. به‌طور خودکار تولید مستندات یا قطعات کد و شناسایی الگوهای غیرعادی در داده‌های تولید برای نگهداری پیش‌بینانه و کنترل کیفیت تنها چند مورد از کاربردهای بالقوه مهندسی برای هوش مصنوعی تولیدی هستند.
همچنین بخوانید : خطرات هوش مصنوعی در مهندسی چیست؟