Akár 50%-kal is csökkenthető a fejlesztés, tesztelés ideje, költsége
A Monolith megváltoztatja a mesterséges intelligenciát az autóiparban, akár 50%-kal csökkentve a termékfejlesztés idejét és költségeit
- Az autóipari mérnökök a Monolith szoftver segítségével öntanuló modelleket építenek, hogy azonnal előre jelezzék az összetett járműrendszerek eredményeit
- Az azonnali eredmények csökkentik az autóipari fejlesztésben jelenleg alkalmazott költséges és időigényes tesztelések szükségességét
- Az 50%-kal alacsonyabb fejlesztési idő felgyorsítja az OEM-ek azon képességét, hogy új termékeket hozzanak piacra, hogy megfeleljenek a növekvő EV (elektromos járművek) keresletnek
- A Gartner az autóiparban a mesterséges intelligencia kiváló szállítójaként jegyzett platformot már olyan világszerte elismert mérnöki csapatok használják, mint a BMW, a Honda, a Honeywell, a Rolls Royce és a Siemens.
- Az autóiparon túl a platform minden olyan iparágban alkalmazható, amely adatokat, ismétlődő tesztelést vagy digitális ikertestvéreket használ tervezési fejlesztéshez, validáláshoz, gyártáshoz vagy adatértékeléshez.
- A NASA öregdiákja, Dr. Richard Ahlfield vezérigazgatója által 2016-ban alapított vállalatot gyorsan bővíteni kívánja bevált technológiája, amelyet a világ vezető szoftverbefektetőitől származó 10,6 millió GBP (14,2 millió USD) finanszírozás hajt.
- Tudjon meg többet: https://www.monolithai.com/
A Monolith, a mesterséges intelligencia (AI) szoftvercége gyorsan skálázódik, és arra készül, hogy gyökeresen átalakítsa az új autók fejlesztési idejét . A játékot megváltoztató mesterséges intelligencia platformja jelentősen csökkentheti a tesztelést és a kapcsolódó költségeket, amelyekre az autógyártók jelenleg új járművek piacra dobásához szükségesek.
A Monolith szoftver öntanuló modelleket használ az összetett járműdinamikai rendszerek eredményeinek azonnali előrejelzésére, csökkentve a fizikai tesztek vagy szimulációk szükségességét. Ez a játékot megváltoztató megközelítés drámaian felgyorsítja az autóipari fejlesztési folyamat minden szakaszát a kezdeti tervezéstől a tervezési iterációkig, a validálásig és a gyártásig, amelyek jelenleg ismétlődő, időigényes és költséges teszteket és szimulációkat igényelnek. A Monolith használata emellett kevesebb fizikai prototípust, speciális teszthelyekre való utazást és közúti tesztelést is eredményez, így az érvényesítés utolsó szakaszai biztonságosabbak és fenntarthatóbbak.
A jelenlegi szakadék a virtuális és a fizikai tesztelés között
Az autóipari cégek a mai napig élethű virtuális szimulációk és fizikai tesztelések kombinációját alkalmazzák a járműfejlesztés során. Minden tervezési iterációhoz egy szimuláció oldja meg a rendszer modellezését megalapozó fizikát; köztudottan nehéz és számításigényes folyamat. A virtuális szimulációk segítenek csökkenteni a szükséges fizikai tesztek számát, de az eredmények pontossága és hűsége korlátozható. Ezért továbbra is számos fizikai tesztre van szükség a virtuális eredmények kalibrálásához és validálásához, valamint a nem szimulálható működési körülmények közötti teljesítmény megértéséhez.
Például az aerodinamika optimalizálja a légáramlást a jármű felett, hogy csökkentse a légellenállást, és köztudottan nehéz matematikailag megoldani, ami csökkenti a szimulált modellek pontosságát. Az autóipari tervezési folyamat rendkívül iteratív jellege miatt a mérnökök a virtuális aerodinamikai tesztelést több száz órányi szélcsatorna-teszttel egészítik ki olyan létesítményekben, amelyek óránként több ezer dollárba kerülhetnek.
A Monolith átalakítja az autóipari termékfejlesztést
A Monolith alternatív és radikális megoldást kínál a járműtesztek idejének és költségének csökkentésére. A virtuális és fizikai tesztek jelentős mennyiségű értékes adatot hoznak létre, amelyeket jelenleg nem használnak fel. Most, a Monolith segítségével ezek az adatok felhasználhatók rendkívül pontos mesterséges intelligencia öntanuló modellek betanításához, hogy azonnal előre jelezzék a rendszerek teljesítményét azáltal, hogy az adatokból megértik viselkedésüket, ahelyett, hogy megoldanák a rendszer bonyolult fizikáját vagy fizikai tesztet végeznének. Ezzel a megközelítéssel a mérnökök gyorsan megjósolhatják a teljesítményt több üzemi körülmény között és az autó azon területein, amelyeket korábban nem lehetett szimulálni, tovább csökkentve a szükséges tesztelések számát. A Monolith-ot már használják a szélcsatorna, a pálya, a kerék és a gumiabroncsok, valamint a járművek dinamikájának, tartósságának, ütközési és hajtási tesztelésének csökkentésére.
Dr. Richard Ahlfield, a Monolith vezérigazgatója és alapítója: „A Monolithot azért hozták létre, hogy a mérnökök AI segítségével azonnal megoldhassák még a legnehezebb fizikai problémáikat is. Tudjuk, hogy ez különösen az autóipari mérnökökre rezonál, akik több száz, gyakran egymásnak ellentmondó kritérium optimalizálásával küzdenek összetett szimulációk százaival. A megoldáshoz órákra vagy napokra volt szükség, a mérnökök frusztrálttá váltak a még mindig jelentős mennyiségű fizikai tesztelés miatt, amely a virtuális tesztek korlátainak pótlásához szükséges. Ugyanakkor a folyamat során keletkező adatok óriási lehetőséget jelentenek az MI-vel együtt használva. Az eredmények öntanuló modellekkel történő előrejelzésével radikálisan felgyorsíthatjuk a fejlesztési folyamatot.
Ma az autóipari vállalatok milliárdokat költenek elektromos architektúrák és szoftveres képességek fejlesztésére, miközben igyekeznek megnyerni az elektromos, megosztott és autonóm mobilitásért folyó versenyt. Ez más területeken megszorítja a kutatás-fejlesztési költségvetést és a termékek ütemezését, óriási nyomást nehezítve a mérnöki csapatokra, akik a jobb minőségű járműhardver-rendszerek kifejlesztésén dolgoznak rövidebb idő alatt és kevesebb erőforrás felhasználásával. Ahogy Akio Toyoda, a Toyota vezérigazgatója fogalmazott: „az adatok az új arany”, de „a [jármű] platform lesz a mobilitás gerince, mint az autonómia szolgáltatása, az autómegosztás és az általunk megvalósítani kívánt szolgáltatások száma. lehetséges ”. Adatok jobb járművek készítéséhez, miközben csökkentik a költségeket és időt takarítanak meg – ez áll a középpontjában annak, ahogy a Monolith egyedülállóan átalakítja a járműfejlesztést.
A Monolith platform felhatalmazza az autóipari K+F csapatokat arra, hogy mesterséges intelligencia segítségével a lehető legjobb betekintést nyerjék meg a több éves tesztadatokból, vagy azonnal előre jelezzék a jelenlegi tesztek egy kis mintájából származó eredményeket. Ez végső soron azt jelenti, hogy az OEM-ek gyorsabban hozhatnak piacra új járműveket, ami nemcsak az elektromos járművekkel kapcsolatos ambíciók eléréséhez elengedhetetlen, hanem lehetővé teszi az autóipari mérnökök számára, hogy azt csinálják, amit a legjobban szeretnek – hihetetlen új járműveket tervezzenek.”
Érett és bevált technológia, méretre kész
A Monolith az elmúlt hat évet platformja fejlesztésével töltötte, és szorosan együttműködött a világ néhány vezető mérnöki csapatával annak stressztesztjén. Ma már kiforrott és bevált technológiával büszkélkedhet, amely zökkenőmentesen beépül az ügyfelek napi tevékenységeibe. A vezető autóipari OEM- és 1. szintű beszállítók mérnöki csapatai szerte a világon a Monolith-tal való együttműködést követően már jelentős mértékben csökkentik a fizikai tesztelést:
- Az érzékelőket és műszereket gyártó Kistler 72%-kal csökkentette az érzékelő alapú tesztelést
- A Honda 83%-kal gyorsabb tervezési ciklust regisztrált
- A JOTA Sports Endurance Racing Team 50%-kal csökkentette a szimulációk és tesztek számát, és 66%-kal csökkentette a kapcsolódó költségeket
Dr. Joel Henry, a Monolith vezető mérnöke elmondta: „ Egy rendszer optimalizálása vagy új megoldás keresése egy évtizedes múltbeli adatok alapján olyan, mintha azonnal felajánlanánk egy mérnöknek egy évtizedes tapasztalatot. Ebben rejlik az AI ereje – az egyén témában szerzett szakértelmét azáltal tölti fel, hogy felszabadítja a vállalat adataiban tárolt szakértelmet. A Monolith valóban a mérnök tökéletes partnere.”
A mérnökök által az alapoktól a mérnökök számára készített, kód nélküli platform zökkenőmentes felhasználói élményt kínál hatékony interaktív műszerfalakkal. A Monolith csapata iparági és szoftverszakértőkből áll, akik az ügyfelekkel együttműködve azonosítják a leghatékonyabb felhasználási eseteiket, amelyek gyorsan felismerhetik az AI értékét.
A felhasználási esetek a vállalkozás igényeitől és az adatok típusától függenek. Például egy OEM felhasználhatja örökölt adatait arra, hogy új betekintést nyerjen több évtizedes szakértelme és egyedi adatai közé. Alternatív megoldásként a fizikai prototípust használó maroknyi tesztből származó adatok felhasználhatók arra, hogy a Monolith öntanuló modelljeit megtanítsák a viselkedés előrejelzésére több működési körülmény között; beleértve a nem állandósult állapotokat is, amikor az érdeklődésre számot tartó változók nem rendeződtek, és még mindig változnak az idő múlásával. A monolit öntanuló modellek pillanatok alatt megjósolják a viselkedést ezekben a tipikusan nehezen rögzíthető, nem állandósult állapotokban, ahelyett, hogy hetek vagy hónapok minden vezetési és működési körülmény között rögzítenék a viselkedést. Ez lehetővé teszi a mérnökök számára, hogy még több paramétert és követelményt fedezzenek fel, hogy olyan termékeket készítsenek, amelyek még jobban megfelelnek a célnak, miközben jelentősen csökkentik a fejlesztési időt.
A 46 milliárd dolláros lehetőség
Az üzletág jelenleg az autóipari ügyfelekre összpontosít, de számos iparágban vannak ambíciói és alkalmazásai. A Monolith minden olyan rendszerhez használható, amely adatot, ismétlődő tesztelést vagy Digital Twins-t igényel a tervezési fejlesztéshez, validáláshoz, gyártáshoz vagy adatértékeléshez. A digitális ikreket, amelyek egy fizikai objektum vagy folyamat valós idejű virtuális reprezentációi, egyre gyakrabban használják számos iparágban, beleértve a gyártást, az egészségügyet, az ellátási láncot és a kiskereskedelmet. A digitális ikerpiac a becslések szerint 2026-ra eléri a 46,08 milliárd dollárt. A Monolith már dolgozik ezen a területen olyan globális márkákkal, mint a L’Oreal és a Nanopharm gyógyszergyár.
A Monolith készen áll a gyors skálázásra szakértői csapattal, iparági partnerhálózattal, kiterjedt IP-portfólióval és 10,6 millió GBP finanszírozással.
