Pourquoi les données CAO sont la partie la plus difficile de l'intégration de l'IA dans les applications de fabrication

Après avoir marqué de son empreinte presque tout le reste, l'intelligence artificielle touche enfin les flux de travail d'ingénierie, améliorant la façon dont les équipes conçoivent, simulent et optimisent les produits. Pour les développeurs d'applications de fabrication, les prochaines étapes pour les innovations en matière d'IA nécessitent de surmonter un obstacle majeur : Comment intégrez-vous les données CAO dans les flux de travail de l'IA ? 

Les données CAO se situent au centre des flux de travail de fabrication modernes. Elles transportent la géométrie, la structure, la connaissance du produit et l'intention d'ingénierie du design à travers l'analyse, la production, l'inspection et la maintenance. Elles sont également hautement propriétaires et bien plus complexes que les données textuelles et d'image sur lesquelles la plupart des outils d'IA sont construits. 

Pour créer la prochaine génération d'applications de fabrication, les développeurs doivent connecter les flux de travail d'apprentissage automatique aux vraies données CAO sans compromettre la propriété intellectuelle, perdre le contexte d'ingénierie qui rend les données précieuses, ou créer des sorties qui ne sont pas utiles en aval. En résumé, les applications de fabrication ont besoin de fonctionnalités d'IA construites autour et spécifiquement pour les données CAO. 

Dans ce post, nous décrivons ce qui rend les données CAO et l'IA problématiques pour les développeurs et ce qui doit être fait pour aborder pratiquement ces problèmes.  

Enfin, nous partageons HOOPS AI, le cadre basé sur la CAO spécialement conçu pour connecter les données d'ingénierie avec l'apprentissage automatique, peut aider les développeurs d'applications de fabrication à surmonter ces problèmes.  

Consultez notre article de blog couvrant notre conversation avec l'éditeur senior de Digital Engineering 24/7 Kenneth Wong pour en savoir plus sur comment l'IA transforme déjà les flux de travail d'ingénierie, de conception et de simulation. 

Défi 1 : Les données CAO les plus utiles ne peuvent généralement pas quitter l'entreprise 

La plupart des données CAO de fabrication sont hautement confidentielles. Elles peuvent contenir la géométrie du produit, l'intention de conception, les exigences des clients, la connaissance de la production, les contraintes des fournisseurs, et d'autres détails qui ne devraient pas être exposés en dehors de l'organisation. 

C'est le premier problème majeur pour l'intégration avec les outils d'IA. Les systèmes d'IA sont les plus utiles lorsqu'ils peuvent apprendre à partir de données ou opérer sur des données qui reflètent les flux de travail réels qu'ils sont censés soutenir, et les données spécialisées que vous voudriez utiliser pour entraîner un modèle sont celles que les fabricants sont le moins disposés à partager ou capables de partager. La nature unique des données de fabrication signifie également que les données disponibles publiquement ne suffisent probablement pas. 

Les outils d'IA à usage général sont puissants en partie parce qu'ils peuvent apprendre à partir d'immenses ensembles de données publics. Cette même base n'existe pas pour les données CAO propriétaires.  

Pour les développeurs, cela crée une exigence claire pour leurs applications : l'IA de fabrication doit fonctionner dans les systèmes et l'environnement où les données CAO existent déjà. Elle doit prendre en charge les flux de travail d'apprentissage automatique dans des environnements contrôlés, en utilisant les données d'ingénierie de l'entreprise sans exposer inutilement la propriété intellectuelle sensible. 

C'est l'une des idées centrales derrière HOOPS AI. HOOPS AI offre aux développeurs un cadre pour appliquer l'apprentissage automatique aux données CAO dans des environnements d'ingénierie contrôlés. Plutôt que de traiter la CAO comme des fichiers génériques à envoyer ailleurs, il prend en charge des flux de travail construits autour des réalités des données d'ingénierie propriétaires. 

Défi 2 : Les données CAO ne peuvent pas être lues comme du texte ou des images 

Même une fois les préoccupations de sécurité surmontées, les développeurs d'applications de fabrication rencontrent le problème suivant : Les données CAO ne sont pas naturellement lisibles par l'IA. 

Évidemment, un fichier CAO n'est pas simplement une image d'une pièce. Le fichier contient la géométrie B-Rep, la topologie, les dimensions, les valeurs numériques, le texte structuré, l'information d'assemblage, les arbres de fonctionnalités, les métadonnées, et d'autres informations d'ingénierie. Alors que cette structure et cette richesse de données rendent la CAO utile, elles rendent également la CAO difficile à interpréter directement pour les systèmes d'IA à usage général. 

Les ingénieurs interagissent avec un modèle CAO uniquement après que leur logiciel choisi ait lu le fichier, interprété la géométrie, rendu la forme, et fourni des outils pour l'inspecter. Les systèmes d'apprentissage automatique ont besoin de leur propre version de cette couche de traduction. La géométrie et la structure du modèle doivent être converties en représentations utilisables pour l'entraînement, l'inférence et l'évaluation du modèle. 

Pour les développeurs, cela signifie que l'infrastructure d'IA pratique pour les applications d'ingénierie a besoin d'accès CAO, d'interprétation CAO, de conversion en formats prêts pour l'apprentissage automatique, et d'un moyen pour les humains de vérifier les résultats par rapport à la géométrie d'origine. 

HOOPS AI est conçu pour soutenir ce flux de travail. La boîte à outils peut lire les données CAO et les convertir en représentations prêtes pour les tenseurs pour l'apprentissage automatique. Elle inclut également des capacités de visualisation pour que les utilisateurs puissent inspecter les données CAO et évaluer les résultats de l'apprentissage automatique dans leur contexte. 

Cette étape de vérification est importante. L'IA fera des erreurs, et les équipes d'ingénierie ont besoin d'un moyen pour vérifier les sorties avant qu'elles influencent les décisions de conception, de fabrication ou d'inspection. 

HOOPS AI prend également en charge des approches d'apprentissage automatique spécifiques à la CAO telles que UV-Net, offrant aux développeurs un point de départ pratique pour travailler avec la géométrie et la topologie BRep. 

HOOPS AI prend en charge UV-Net, offrant aux développeurs un point de départ pratique pour expérimenter avec l'apprentissage automatique basé sur BRep sans construire cette base à partir de zéro. 

Défi 3 : Les résultats de l'IA doivent s'intégrer dans les flux de travail d'ingénierie réels 

Le troisième défi pour les développeurs vient après que l'outil d'IA qu'ils ont créé produise un résultat. 

En fabrication, une sortie utile doit s'intégrer dans l'étape suivante d'un flux de travail complexe et informé par le client. Cela peut signifier une révision de conception, une simulation, une FAO, une inspection, une documentation, un échange de données ou une édition supplémentaire par un ingénieur. 

C'est là que de nombreuses démos d'IA peuvent devenir trompeuses. Un résultat 3D visuellement plausible peut être impressionnant, mais les équipes de fabrication ont besoin de plus qu'une forme à l'écran. Elles ont besoin de résultats pouvant être vérifiés, fiables et utilisables dans les systèmes qui pilotent déjà l'ingénierie et la production.  

Cela est particulièrement important dans les flux de travail pilotés par la CAO courants en fabrication. Si l'IA identifie une pièce similaire, classifie un modèle, suggère un changement de design ou soutient une décision de fabrication, les ingénieurs ont besoin d'accéder aux données CAO sous-jacentes et d'un moyen pour évaluer le résultat dans le contexte. Le système doit préserver la connexion entre la sortie de l'IA et la géométrie, les métadonnées et le sens d'ingénierie qui en découle. 

Pour les développeurs, l'exigence est pratique : les flux de travail d'IA doivent se reconnecter à la CAO, à la visualisation et à l'infrastructure d'échange de données. Sans cette connexion, l'IA risque de devenir une couche déconnectée plutôt qu'une partie utile du processus d'ingénierie. 

C'est là que le portefeuille plus large de boîtes à outils de Tech Soft 3D devient important. HOOPS Exchange prend en charge l'accès aux données CAO et la traduction à travers les principaux formats d'ingénierie, tandis que HOOPS AI soutient le côté apprentissage automatique des flux de travail CAO. Ensemble, ces capacités aident les développeurs à construire des applications habilitées par l'IA qui s'ancrent sur des données CAO réelles plutôt que sur des démonstrations d'IA isolées. 

Pour les équipes qui pensent au-delà de l'apprentissage automatique basé sur la CAO et qui s'intéressent à la génération de CAO assistée par l'IA, Tech Soft 3D revend également Parasolid, le noyau de modélisation géométrique 3D le plus avancé au monde. Parasolid peut soutenir une génération CAO procédurale robuste pour les applications qui ont besoin de créer une géométrie éditable, prête en aval.  

IA pratique dans la fabrication commence avec la bonne infrastructure de données 

L'IA dans la fabrication ne sera pas définie uniquement par la qualité du modèle, mais par la capacité des systèmes d'IA à travailler de manière significative avec les données que la fabrication utilise réellement. 

Cela inclut chaque partie des données CAO, y compris le B-Rep, la structure d'ingénierie, l'examen humain, la compatibilité en aval et la connaissance accumulée qui rend chaque produit et chaque processus de fabricant unique. 

Pour les développeurs de logiciels, ces exigences sont difficiles à construire à partir de zéro. L'accès à la CAO, le traitement de la géométrie, la visualisation, la préparation à l'apprentissage automatique et l'interopérabilité sont tous des domaines techniques complexes. Les combiner en un flux de travail d'IA fiable peut rapidement devenir un goulot d'étranglement majeur du développement. 

HOOPS AI a été construit pour aider les développeurs à relever ce défi. En soutenant les flux de travail d'apprentissage automatique pour les données CAO, cette boîte à outils donne aux équipes une base pour intégrer des fonctionnalités d'IA pratiques dans les applications d'ingénierie et de fabrication. 

Prêt à en savoir plus sur HOOPS AI? 

De loin, la meilleure façon d'explorer comment HOOPS AI peut aider votre organisation à appliquer l'apprentissage automatique aux données CAO tout en protégeant les informations d'ingénierie sensibles est de discuter avec nous. 

Contactez notre équipe pour découvrir comment HOOPS AI, HOOPS Exchange, et Parasolid peuvent s'intégrer dans une stratégie d'IA d'ingénierie plus large. 

Si vous souhaitez explorer comment les boîtes à outils de Tech Soft 3D peuvent vous aider à suivre le rythme d'une industrie en évolution rapide, contactez-nous pour en savoir plus.

FAQs sur l'IA, les données CAO et les applications de fabrication