[[378826]]

在本田研發部，我們正在用我們的專家知識系統將人工智能注入到我們的車身設計過程中，這是一個讓我們所有的工程師都像我們一樣優秀的解決方案。

“我們的目標是提高設計精確度，將后期模擬減少多達80%。 在設計過程的早期使用更好的信息將減少物理測試的失敗。 - Shigeto Yasuhara，日本本田研發有限公司總工程師

我們部門的設計是為了乘客和司機的碰撞安全。 我們的工作需要嚴格的物理分析和模擬。 我們希望應用人工智能來幫助我們的工程師更快地找到最好的設計方案——最終為更安全、更環保的汽車做出貢獻。

降低聲譽和監管風險

提供不可見的專業技能

在技術進步、經濟的根本性變革以及環境和安全法規之間，二十一世紀的汽車制造商面臨著前所未有的挑戰。

聯網、自動車輛、自動駕駛、共享經濟、電動汽車、零排放車輛環境法規以及旨在保護駕駛員和乘客的安全要求越來越難以滿足。 按照這些標準進行設計和開發的工程師——他們必須在不影響安全和質量的前提下平衡生產和美學的復雜權衡——需要成為專家。

我們的組織只有在我們長期積累的智力資本——工程師們的智力、想象力、信息和經驗的綜合作用下才是好的。 隨著時間的推移，我們希望在大型工程師團隊中，在每個工程師的職業發展過程中，在所有本田車型、產品線、國家和語言中，增加這些知識和專業知識。 我們有創造力、才智和信息，現在我們正走在一條道路上，將它們結合在一起，這樣我們的工程師就可以迅速獲取和理解已有的知識，而忽略已經失效的設計路徑。

我們希望我們的設計工程師能從我們的集體專業知識中獲益，在最有希望的方向上激發新的想法。 為了實現這一目標，我們已經不僅僅是收集數字系統中包含的結構化和非結構化數據，而是要捕獲我們的專家工程師頭腦中的數據—我們稱之為無形的非結構化數據—我們最深、最豐富的數據，我們人民的集體知識。

在設計過程中注入智力資本

在為現有產品創建新模型或功能時，本田工程師必須考慮許多因素，從安全到法規，從生產率到成本。 我們必須在全世界幾十個地方的數百名工程師中保持相同的設計方法。

但并非所有的工程師都以相同的方式工作，為工作帶來相同的經驗，或以相同的方式體驗技術。 我們發現，經驗較少的工程師花更多的時間進行設計模擬，而經驗豐富的工程師運行更少。 更有經驗的、專業的工程師利用自己的經驗——以及已建立的機構知識——更快地排除劣等選擇，使他們能夠專注于潛在的新選擇。 他們以這種方式工作的能力是多年經驗的產物，他們吸收并能夠更直觀地獲得知識。

當我們意識到這一點時，我們試圖給經驗不足的工程師提供大量的信息，包括圖片、圖表、圖畫和照片。 但這種方法是靜態的，難以進入，并孤立的設計活動內的單一車輛部件，禁止工程師設計的產品整體。

這不可避免地導致了更多的設計模擬和更高的失敗率在設計過程的后期階段。

使用人工智能收集知識

我們明白了根本的問題:資深工程師所掌握的知識必須為他們的后輩所接受。 我們聯系了 IBM來幫助我們應用人工智能來解決這個挑戰。

我們了解到我們的專家不會以線性方式解決問題。 相反，他們有一個相互關聯的思想網絡。 有些想法與更多相關的想法或相關的想法來考慮。 他們可以利用自己的隱性知識，追蹤所有選擇中哪一個具有最高的可信度。 現在我們使用人工智能來調整和增強他們的心理模型。

為了獲取和利用我們工程組織積累的知識，我們定義了幾個與不同設計階段相關的知識層。 我們能夠直接從工程師那里獲取語言和概念，也就是我們所說的看不見的非結構化信息，歷史上深藏在工程師頭腦中的無價知識。 使用 Watson到文本的語音和專利注釋語言，我們映射了這些信息來構建我們的知識模型圖。

有了自然語言處理，我們的專家工程師可以自然地表達自己，甚至使用復雜的方程和解釋他們如何處理一個問題。 這個系統使我們能夠獲取關于他們所接受的問題的信息，他們的設計約束，以及他們先前探索過的思想網絡。 使用新系統，我們希望與典型的手工建模工具相比，知識建模所需的時間減少50%到80%。

“我們了解到，我們的專家不會以線性方式解決問題。 相反，他們有一個相互關聯的思想網絡。 有些想法與更多相關的想法或相關的想法來考慮。 他們可以利用自己的隱性知識，追蹤所有選擇中哪一個具有最高的可信度。 現在我們使用人工智能來調整和增強他們的心理模型。” - Shigeto Yasuhara，日本本田研發有限公司總工程師

利用人工智能設計安全和更環保的車輛

知識模型圖與工程師的思維過程緊密結合，在集合中建立實體和關系，并根據專家的輸入提供數據可視化，顯示概念網絡、領域本體和每個節點各自的可信度。

我們開發了一種專有語言來記錄專家工程師的思維過程和解決問題的方法。 我們已經開始了長期的工作，將支持證據鏈接并驗證到知識圖中的每個節點，將這個有價值的、以前看不見的非結構化信息與數字結構化和非結構化數據集成在一起。

該系統幫助工程師開發更大系統的新特性。 例如，如果一位工程師正在為本田 Pilot Elite設計全景玻璃屋頂，那么設計的可能性和依賴性就不能從相關的組件中獨立出來。 工程師必須知道如何設計以滿足每個組件的規格和理解組件之間的關系。

為了確定某一特定特性是否可行，工程師必須通過正確設計車身剛度、碰撞試驗性能、車頂厚度和其他特性來考慮駕駛性能。

我們已經測試了我們的專家知識系統，以連接每個工程師的母語，從口語到他們想要探索的思想網絡。 想想有多少工程師，不管有多少經驗，都會表達出一個設計問題和給定的約束。 該表達式通常是線性表達式，例如:“我需要將前保險杠面的重量減輕0.005公斤，而不需要以每小時5英里的速度通過結構構件轉移載荷。”

自然語言語句通過挖掘所收集的專家知識返回適當的響應。 工程師可以看到系統返回的方法，有基本原理和支持的證據，并知道響應是可靠的。

我們利用專家知識系統中包含的知識，有足夠的資訊來測試我們是否可以向系統提出設計問題，并透過資訊進行解決方案搜尋，尋找知識圖解的正確路徑，以及擷取正確的資訊。 這一重要發展允許任何專業水平的工程師提出問題，并檢索最佳答案。

我們的目標是增加我們的設計精度，以減少后期模擬高達80%。 在設計過程的早期使用更好的信息可以減少物理測試的失敗。

 了解更多IBM 數據與AI解決方案請訪問：http://cloud.51cto.com/act/ibm2021q1/ai#3