Machine Translated by Google

CIRP Annals - Tecnología de fabricación 68 (2019) 141–144

Listas de contenidos disponibles en ScienceDirect

CIRP Annals - Tecnología de fabricación

página de inicio de la revista: http://ees.elsevier.com/cirp/default.asp

AI para el diseño: asistente de diseño virtual

b a
Sang-Gook Kim (1)a, *, Sang Min Yoon , maria yang , Jung Woo Choi b , Haluk Akay a
, Eduardo
Burnell a
a
Instituto de Tecnología de Massachusetts, Cambridge, MA, EE. UU.
b
Universidad Kookmin, Seúl, República de Corea

INFORMACIÓN DEL ARTÍCULO RESUMEN

La ingeniería enfrenta muchos problemas perversos: irreductiblemente interdisciplinarios con múltiples objetivos en
Palabras clave: competencia, y de una escala y complejidad tan grandes que requerirán procesos que dependan profundamente de los
método de diseño conocimientos humanos y el poder de la computación. El resurgimiento del aprendizaje automático ofrece la posibilidad de
Aprendizaje automático nuevas formas de colaboración humano/computadora en las que cada uno alimenta la inteligencia híbrida de manera
Inteligencia híbrida complementaria. Se desarrolla un concepto de asistente de diseño virtual (VDA) como plataforma para llevar la inteligencia
híbrida a la resolución de desafíos de diseño complejos. Se desarrolla un proceso de abstracción basado en el aprendizaje
profundo para proporcionar a VDA una función para extraer requisitos funcionales estructurados a partir de especificaciones
de diseño fragmentarias y necesidades del cliente.
© 2019 Publicado por Elsevier Ltd en nombre de CIRP.

1. Introducción
Las técnicas desarrolladas recientemente en el aprendizaje automático y
otras herramientas de inteligencia artificial (IA) han traído avances desde el
procesamiento de imágenes, voz y audio, y la traducción de idiomas hasta la
conducción de automóviles autónomos. Desde la década de 1990, los miembros
del CIRP han investigado intensamente el uso del aprendizaje de mecanizado
convencional para el control de herramientas, la inspección de procesos y la
fusión de sensores [1–3], el diseño conceptual [4], CAD [5], la planificación de
procesos [6], el control de procesos y optimización de parámetros [7], y control
de producción [8] entre otros. Sin embargo, las técnicas convencionales de
aprendizaje automático utilizadas para los estudios de fabricación y diseño
tenían una capacidad limitada para procesar grandes cantidades de datos sin
procesar debido a la arquitectura de red neuronal poco profunda y al hardware
informático mucho más lento disponible hace décadas y, por lo tanto, el interés
de investigación en ellos se ha esfumado. De 1990 a 2000, se publicaron 27
artículos en CIRP Annals vol. 1 mientras que solo 5 se publicaron después de 2001. diseños buenos y novedosos? Nuestra solución propuesta es el uso de la
El resurgimiento del aprendizaje automático (es decir, el aprendizaje
profundo) y la IA es el resultado de las Unidades de procesamiento gráfico de
alta potencia fácilmente disponibles a muy bajo costo, arquitectura profunda
con capas y neuronas enormemente aumentadas, y cantidades masivas de
datos disponibles en línea para entrenar a los usuarios. la red. A medida que
esta nueva tecnología se extiende para remodelar el mundo y la sociedad,
llevando el poder de la informática y la IA a todos los campos de estudio y
disciplinas, es urgentemente necesario revisar el uso de la IA (aprendizaje
profundo, en sentido estricto) para el avance del diseño y tecnologías de fabricación.
El diseño de sistemas del mundo real (ingeniería, arquitectura, software,
sistemas industriales, financieros y sociales) es a menudo un esfuerzo
tumultuoso lleno de grandes triunfos y, a veces,
* Autor correspondiente.
Dirección de correo electrónico: sangkim@mit.edu (S.-G. Kim).
fracasos significativos. Muchos creen que solo los expertos humanos pueden
conceptualizar y orquestar proyectos grandes y complejos en la parte superior
de los sistemas de diseño. Hay dos cuestiones desafiantes en la práctica actual
del diseño de sistemas heurísticos. En primer lugar, los seres humanos tardan
decenas de años en convertirse en expertos en el área a través de la
acumulación de experiencia tanto en los éxitos como en los fracasos. En
segundo lugar, los expertos humanos también fallan a veces, especialmente
en el momento crítico. Las preguntas que uno podría hacerse en esta etapa
son: “¿Cómo podemos enseñar a los ingenieros, arquitectos y científicos
jóvenes a diseñar sistemas complejos con éxito sin gastar años de esfuerzo en la capacita
¿Podríamos ayudar a los expertos humanos a minimizar la probabilidad de
falla aprovechando los desarrollos recientes en IA y big data?”
Hemos investigado el uso de la IA en la parte superior del diseño, donde
se determinan todos los conceptos clave y se necesita una percepción humana
basada en la experiencia. ¿Podría la inteligencia artificial ayudar en esta etapa
temprana de diseño más allá del diseño rutinario hacia la generación de
inteligencia híbrida, que es un enfoque en el que la inteligencia humana
coevoluciona con la inteligencia artificial. En este documento, describimos un
asistente de diseño basado en el aprendizaje profundo como un primer paso
hacia la inteligencia híbrida que combina la inteligencia humana que crece a
través de la experiencia y la inteligencia artificial que puede aprender de los
éxitos y fracasos del pasado.
2. Inteligencia híbrida para el diseño de sistemas
Muchos diseñadores, ingenieros e investigadores enfatizan la importancia
del diseño del sistema en etapa temprana, llamándolo "arquitectura del
sistema". La arquitectura del sistema es diferente de la "ingeniería del sistema",
que se centra más en el análisis del sistema basado en modelos, como la
optimización de una sola variable y las compensaciones de múltiples variables
[9]. Sin embargo, los grandes arquitectos de sistemas a veces también fallan,
especialmente en momentos críticos. A medida que la escala de un sistema aumenta o

https://doi.org/10.1016/j.cirp.2019.03.024 0007-8506/©
2019 Publicado por Elsevier Ltd en nombre de CIRP.
Machine Translated by Google
142 S.-G. Kim et al. / CIRP Annals - Tecnología de fabricación 68 (2019) 141–144
aumenta la heterogeneidad del sistema, la complejidad puede volverse inmanejable
solo con la heurística. La comprensión incorrecta de un problema en las primeras
etapas del diseño aumenta significativamente la probabilidad de falla del sistema, que
en su mayoría ha sido atendida solo por la intuición, la heurística y las percepciones
experimentales de los expertos. La ingeniería se basa en herramientas precisas,
computación y métodos científicos, mientras que el enfoque heurístico es una guía
pragmática de las lecciones aprendidas de éxitos y fracasos pasados, llevados a un
nivel de abstracción. El primero por sí solo (sin mucha experiencia) tiene poco éxito
para resolver grandes sistemas complejos (ingeniería, arquitectura, software, sistemas
industriales, financieros y sociales); este último ha sido la pauta para la mayoría de los
profesionales en casos del mundo real. En la Inteligencia Híbrida, nuestra preocupación
no es la inteligencia de los sistemas artificiales, o limitar a los diseñadores humanos,
sino la efectividad de su colaboración. En lugar de encontrar humanos reemplazables
por sistemas computacionales como la inteligencia de las máquinas, vemos a los
humanos y las computadoras trabajando juntos dentro de un ecosistema donde cada
uno debe aportar sus fortalezas.
El trabajo preliminar para mejorar el conocimiento tácito de los humanos ha incluido la
programación geométrica para respaldar el diseño coevolutivo entre los miembros del
equipo a través de un paquete de software GPKit creado por uno de los autores [10].
Un ejemplo de diseño simple basado en el aprendizaje automático desarrollado por
otro autor es "Sketch Helper" [11] que proporciona orientación de trazo entrenando
una red neuronal de orientación de trazo que aprende el mapeo entre las relaciones
de trazo paso a paso para predecir el siguiente trazo del usuario. Proponemos un
marco que se convertirá en una herramienta para amplias investigaciones de esta
probable convergencia y coevolución de la inteligencia hombre-máquina en el campo
del diseño y la fabricación.
3. Asistente de diseño virtual (VDA): una plataforma hacia la inteligencia híbrida
Se desarrolla un concepto de "asistente de diseño virtual" (VDA), como Siri o
Google Assistant, que utiliza consultas de voz y una interfaz de lenguaje natural para
comprender la intención de un usuario, responder preguntas y realizar las acciones
adecuadas. VDA debe ofrecer más que simples respuestas y acciones del asistente
virtual. aplicaciones, para que los diseñadores humanos alcancen soluciones de diseño
adecuadas a través de la colaboración.
Los consejos y recomendaciones esperados incluyen lo siguiente.
¿Qué haría primero un diseñador cuando se enfrenta a un nuevo problema a
resolver? ¿Podrían preguntar a las máquinas como preguntan a los expertos cuando
no saben por dónde empezar? Identificar los requisitos funcionales de un sistema
completamente nuevo (o un problema) que nunca ha existido es aún más complejo y
difícil, ya que no hay datos ni conocimientos disponibles de casos y juicios anteriores.
Responder a estas preguntas aborda los siguientes desafíos y funciones principales
que podría proporcionar VDA:
- Encontrar el proceso de abstracción para la arquitectura del sistema en términos de
encontrar y estructurar los requisitos funcionales correctos.
- Integrar el proceso de abstracción con un principio de diseño de generalización como
Axiomatic Design (AD) para mapear y descomponer en parámetros físicos de diseño.
Esto también capacitará a los diseñadores junior para que tengan un pensamiento
estructurado.
- Desarrollar un marco unificado para la arquitectura de sistemas en todas las
disciplinas y escenarios.
VDA necesita comprender la intención del diseñador escrita en lenguaje natural
sobre las necesidades y preguntas del diseño. VDA también necesita tener principios
de diseño para evaluar las decisiones de diseño en la etapa más temprana posible y
brindar sugerencias de asistencia. Y el VDA debe ser capaz de aprender de los éxitos
y fracasos del pasado a través del aprendizaje profundo, proporcionando al diseñador
la experiencia heurística recopilada en cada disciplina.
La clave para un aprendizaje automático exitoso será cómo entrenar VDA con
casos de diseño y datos existentes, y sobre qué principio DVA recomienda/ayuda al
diseñador. VDA utiliza un marco de diseño basado en principios, a saber, "un diseño
axiomático (AD)", que proporciona un conjunto de principios que determinan las
buenas prácticas de diseño. VDA puede usar AD para aprender de los éxitos y fracasos
del pasado
en las estructuras de árbol FR-DP generadas retrospectivamente. Para cada disciplina,
podremos recopilar una gran cantidad de datos para el entrenamiento de VDA. En
1978, Nam Suh del MIT introdujo un enfoque de diseño basado en principios para los
sistemas de fabricación [12]. AD ha proporcionado una forma de pensamiento de
diseño que la naturaleza ad hoc del diseño de ingeniería podría estructurarse mejor
con el concepto de dominios y los principios para guiar la toma de decisiones en el
mapeo entre los dominios [13]. Si bien los méritos de usar la teoría de AD se han
evidenciado en trabajos de investigación académica, hemos visto un uso limitado de
AD por parte de profesionales industriales. Muchos diseñadores experimentados están
de acuerdo en que AD les ayuda a cultivar un pensamiento perspicaz.
Pero a muchos todavía les resulta difícil aplicar los principios de AD a la práctica del
diseño, ya que el uso eficaz de AD también requiere conocimientos y experiencia en
AD por parte del diseñador. Los beneficios del aprendizaje automático ayudarán a los
diseñadores a usar AD de manera efectiva para tomar decisiones de diseño tempranas.
En la teoría AD, este principio se ha descrito formalmente en base al concepto de
"dominios de diseño" y "mapeo". Es la clave para que los diseñadores aprendan la
relación entre qué y cómo entre los dominios de diseño. Los requisitos funcionales
(FR) se derivan de las necesidades de los clientes y los conceptos de solución múltiple
(mediante la elección de los parámetros de diseño, DP) se conciben en el "espacio
funcional", como se muestra en la Fig. 1. AD define el "diseño" como un mapeo entre
el dominio funcional y el dominio físico, que se encuentra en el "Espacio funcional" en
la Fig. 1, mientras que la mayoría de los profesionales realizan actividades de diseño
iterativo paso a paso a lo largo del dominio del tiempo, que se encuentra en el "Espacio
de proceso".
Fig. 1. Ilustración del uso de Axiomatic Design AD para revertir los éxitos y fracasos de diseño
anteriores en términos de requisitos funcionales y parámetros de diseño, que luego formarán
árboles jerárquicos entre el dominio funcional y físico a través del diseño.
VDA debería poder supervisar tanto el espacio funcional como el espacio de
procesos, mientras que la mayoría de los diseñadores tienden a pensar en el espacio
de procesos. VDA ayuda a los diseñadores a verificar la matriz de diseño en cada nivel
de mapeo de qué a cómo, siguiendo el primer axioma de diseño (Axioma de
Independencia), para que sus FR no se acoplen con los DP elegidos. El segundo
axioma de diseño, el Axioma de la información, se refiere a la complejidad de una
solución de diseño, que se puede aplicar cuando hay dos o más diseños no acoplados
que compiten entre sí (Fig. 1).
AD también se puede usar para mapear inversamente los éxitos y fallas de diseño
anteriores en árboles de requisitos funcionales y parámetros de diseño, como se
muestra en el espacio funcional en las Figs. 1 y 2. Los datos de diseño anterior
jerárquicos, descompuestos y mapeados inversamente pueden generarse en volumen
y usarse para entrenar la red neuronal reforzada de VDA.
Fig. 2. Proceso de descomposición y mapeo de FR-DP asistido por inteligencia artificial, que
proporciona recompensas para que las decisiones de diseño se ajusten a los principios de AD.
Machine Translated by Google
S.-G. Kim et al. / CIRP Annals - Tecnología de fabricación 68 (2019) 141–144
El VDA proporcionará consejos interactivos a un diseñador humano para
llegar a buenas decisiones de diseño en cada etapa del diseño:
- Sugerir por dónde empezar cuando un diseñador humano lucha con
requisitos fragmentarios y no estructurados de los clientes.
- Ayudar a establecer los requisitos funcionales neutrales de la solución (FR)
de las necesidades de los clientes.
- Ayuda a mapear FRs a parámetros de diseño (DP). La descomposición continúa a
través de un proceso de arriba hacia abajo en zig-zag (Fig. 2).
- Analizar una matriz de diseño en la etapa inicial del diseño para verificar que el diseño
satisface el axioma de independencia y el axioma de información.
- Sugerir revisar los PD para evitar diseños acoplados que violen los
axiomas.
Hay tres funciones principales de VDA que debemos desarrollar para lograr lo
anterior: 1) comprender las necesidades del usuario y extraer los requisitos funcionales,
2) proporcionar sugerencias sobre la bondad de las decisiones de diseño basadas en
AD, 3) acumular grandes datos de la éxitos y fracasos de diseño anteriores. Este
documento se centra en el primer paso de VDA, que es comprender las necesidades y
la intención del usuario y extraer los requisitos funcionales en la sintaxis AD correcta que
la máquina pueda vectorizar.
4. Extracción de requisitos funcionales
La abstracción y la generalización han jugado un papel importante en la mente de
los científicos para resolver problemas complejos [14]. La abstracción en IA es una
técnica que reduce la complejidad de un problema filtrando las propiedades irrelevantes
y conservando todos los detalles importantes y necesarios para resolver un problema
determinado. En lugar de la técnica basada en reglas, una representación del sistema
jerárquico basado en datos y un marco de abstracción a través del aprendizaje profundo
han dado como resultado herramientas de IA mucho mejores y exitosas para el
procesamiento del lenguaje natural, la minería de textos e incluso la escritura de novelas
en los últimos años.
La extracción de requisitos funcionales de una cadena de palabras, a menudo
especificaciones de usuario fragmentadas e imperfectas, se puede lograr reconociendo
la intención del diseñador contextualmente y abstrayéndolos ocultando detalles de bajo
nivel y descomponiendo los datos del subconjunto utilizando un algoritmo de agrupación
recursivo. Para una abstracción y descomposición de características clave efectivas,
primero aplicamos una taxonomía sistemática existente basada en redes neuronales
profundas de métodos de agrupamiento para abstraer los datos de texto [15]. El algoritmo
de agrupación jerárquica se compone de tres pasos: (1) preprocesamiento para eliminar
las palabras sin sentido y convertir las palabras en características vectorizadas de alta
dimensión; (2) abstracción de características utilizando agrupamiento basado en
aprendizaje profundo; (3) descomposición de subgrupos basada en palabras clave semilla
recursiva (con la entrada del diseñador humano).
4.1. preprocesamiento
Los lenguajes naturales se componen de varios caracteres, símbolos y números.
Primero, VDA lee los documentos y los tokeniza como una colección de palabras. Filtra
palabras "de parada" predefinidas de la colección de palabras tokenizadas. Para
representar las palabras como entidades únicas, cada palabra se vectoriza utilizando
word2vec, que es una red neuronal de dos capas entrenada para reconstruir los contextos
lingüísticos de las palabras [16].
4.2. Agrupación
A partir de un gran conjunto de palabras vectorizadas (utilizamos 300 dimensiones
para la vectorización), abstraemos los vectores de características utilizando la taxonomía
sistemática basada en redes neuronales profundas para agrupar los datos. La red
neuronal profunda basada en autocodificador se utiliza para reducir la dimensión del
vector de características y luego reconstruir los datos a partir de la representación
reducida de los datos de entrada originales.
Autoencoder está capacitado para usar la función de pérdida basada en el cuadrado
medio estándar, y las características se votan en algunos subgrupos usando
143
función de pérdida combinada que consiste en la pérdida de reconstrucción y una función
de pérdida de endurecimiento de asignación de agrupamiento.
4.3. Descomposición de clúster recursiva basada en palabras clave
Para comprender el significado de los subgrupos que se dividen mediante el
agrupamiento basado en redes neuronales profundas, utilizamos un algoritmo de
descomposición de subconjuntos basado en palabras clave semilla. Las palabras clave
semilla son proporcionadas por los usuarios (interactivamente) y cada grupo ha analizado
la relación entre las palabras semilla y sus palabras en el subgrupo. Cuando el usuario
proporciona k palabras clave iniciales, los vectores de características de palabras
iniciales se representan intencionalmente tanto como ortogonales al resto de los vectores
para garantizar la independencia funcional.
4.4. Experimento 1
Validamos el algoritmo de agrupamiento jerárquico propuesto de VDA al mostrar
cómo abstraer de manera efectiva los datos altamente dispersos en el texto en subgrupos
(Fig. 3a) y extraer las características significativas (palabras clave o palabras centrales)
de cada subgrupo. Utilizamos el conjunto de datos de comentarios de revisión de Boston
Airbnb ( https://www.kaggle.com/airbnb/boston) que simplemente se elige entre los
conjuntos de datos de lenguaje natural públicos disponibles. El algoritmo propuesto se
implementa utilizando Pytorch, una plataforma de aprendizaje profundo de código abierto,
y MATLAB. El conjunto de datos primero se tokenizó como una colección de palabras y
luego se filtró con la parada predefinida. En segundo lugar, extrajimos 29.380 palabras
en un vector de 300 dimensiones usando word2vec. Agrupamos las palabras en 15
grupos para separar las reseñas con idiomas extranjeros. Mediante el uso de la función
de pérdida, que se combina con la pérdida de reconstrucción y la pérdida de agrupamiento,
el agrupamiento basado en redes neuronales profundas proporciona una separación
clara con diferentes idiomas. Después de eliminar las revisiones de idiomas, la segunda
ejecución del agrupamiento basado en aprendizaje profundo muestra subgrupos muy
distintos (Fig. 3b).
Fig. 3. Agrupamiento basado en redes neuronales profundas a partir de vectores de características dispersas,
a) palabras en inglés filtradas usando el dominio t-SNE, b) resultado de agrupamiento basado en aprendizaje
profundo (el color representa el número de subgrupos), c) basado en palabras semilla agrupamiento utilizando
el dominio t-SNE.
Agregamos intencionalmente 5 palabras semilla en vectores de características
filtradas para acelerar el agrupamiento; ubicación, valor, comunicación, anfitrión y
limpieza. Luego, el DL agrupa 15,414 palabras en los datos del filtro en 5 subgrupos
como se muestra en la Fig. 3c). El 81,15% de las palabras se proyectan en la palabra
clave "ubicación", lo que indica que la mayoría de las reseñas de Airbnb están muy
relacionadas con la "ubicación".
4.5. experimento2
El mismo método se aplicó a un conjunto de requisitos de diseño no estructurados
en la fabricación. A partir de un árbol FR totalmente descompuesto de una máquina
pulidora química mecánica diseñada y construida en el MIT [17], se recopilaron 146
requisitos de diseño y se pusieron en una bolsa de palabras. Doc2vec, una extensión de
word2vec para vectorizar frases en lugar de palabras, se utilizó para vectorizar cada
requisito en un vector de características de 784 dimensiones [18]. Se aplicó un
agrupamiento profundo basado en codificador automático para generar recursivamente
una estructura de árbol binario, pero resultó en un agrupamiento fallido y tampoco pudo
extraer FR de nivel superior. Un aprendizaje clave de los dos experimentos es que las
herramientas de abstracción de IA para lenguaje natural como word2vec o doc2vec para
vectorizar FR en el diseño no son efectivas en
Machine Translated by Google
144 S.-G. Kim et al. / CIRP Annals - Tecnología de fabricación 68 (2019) 141–144
extraer requisitos funcionales de la expresión en lenguaje natural de los requisitos de diseño.
Este hallazgo sugirió una nueva forma de vectorizar FR en el dominio de diseño como se
describe a continuación.
4.6. Incrustación de funciones frente a incrustación de palabras
Las herramientas de incrustación de palabras existentes son para agrupar palabras en
documentos en función de la proximidad de los vectores de palabras y la frecuencia de los
mismos. Pero extraer un requisito funcional de una cadena corta de palabras no se puede
lograr mediante el simple conteo de frecuencias de vectores de palabras en proximidad. Para
este desafío, creamos un concepto de "incrustación de funciones" en lugar de "incrustación
de palabras". La "incrustación de funciones" consiste en vectorizar una serie de palabras que
describen una función deseada. Una vez vectorizadas, las funciones con un contexto similar
ocupan posiciones espaciales cercanas en el espacio vectorial n-dimensional, luego el coseno
del ángulo entre dichos vectores podría usarse para determinar la ortogonalidad, la
redundancia y el acoplamiento funcional de ellos.
La incrustación de funciones se puede explicar con un caso a continuación para mostrar
cómo se pueden extraer, vectorizar y usar los FR a partir de entonces.
Considere el caso del diseño de la fachada de un edificio con una necesidad ambigua del
diseñador, como "Quiero que mi edificio tenga fácil acceso".
En primer lugar, se debe codificar una serie de requisitos especificados por el usuario
siguiendo una sintaxis de FR: "acción + objeto + atributos + información hereditaria (de FR de
nivel superior)". Luego, la declaración del diseñador se puede reformular como "FR1:
Proporcionar acceso a mi edificio". Esta codificación se puede realizar entrenando una red
poco profunda con la sintaxis FR y muchos ejemplos FR.
Usando el marco Axiomatic Design, el diseñador puede elegir un parámetro de diseño
DP1 correspondiente o VDA puede sugerirlo como "DP1: una especie de puerta". Desde el
estado neutral de la solución del diseño, no debemos apresurarnos a elegir un tipo de puerta
(corredera, colgada, etc.) como DP1. FR1 necesita descomponerse más como se muestra en
la Fig. 4 (a). Según la sugerencia de VDA, un diseñador puede crear FR de nivel inferior en
texto de formato libre, que también se puede codificar en FR.
Fig. 4. FR de un caso de diseño de entrada de edificio (a) y visualización t-SNE de vectores FR de
entrada de edificio (b).
Usando doc2vec, cada FR se vectorizó y luego se usó la herramienta de visualización t-
SNE para comparar los vectores en dos dimensiones (Fig. 4 (b)). El FR principal está ubicado
en una posición central en comparación con los FR secundarios en este ejemplo, lo que
muestra la factibilidad positiva de que las funciones se puedan vectorizar con las herramientas
de incrustación de palabras existentes si los FR se codifican siguiendo la sintaxis específica.
Una vez que las funciones se codifican en vectores, se puede establecer una métrica
para el grado en que los FR secundarios están relacionados con sus padres. Del mismo
modo, los FR secundarios que pueden no pertenecer a esta rama se pueden identificar
fácilmente. Con un mayor desarrollo, el asistente de diseño virtual aplicará la naturaleza
hereditaria de los FR a lo largo de la misma rama para estructurar requisitos no estructurados
y fragmentarios en uno estructurado. Además, los FR vectorizados se pueden analizar
matemáticamente para encontrar si los FR están acoplados o no y, si están acoplados, qué
tan grave es el acoplamiento.
5. Conclusión
Se desarrolla un concepto de "asistente de diseño virtual" (VDA) para tener tres funciones
básicas para comprender el lenguaje natural del diseñador en la sintaxis de los requisitos
funcionales, para implementar
principios de diseño para buenas decisiones de diseño, como Axiomatic Design (AD), y para
proporcionar sugerencias de diseño de asistencia para que los diseñadores naveguen entre
los dominios funcional y físico. Un desafío importante clave en el desarrollo de una plataforma
para la inteligencia híbrida se identifica como la extracción de requisitos funcionales de
especificaciones de usuario no estructuradas y, a veces, mal definidas. Descubrimos que las
herramientas de integración de palabras existentes del aprendizaje profundo no extraen los
requisitos funcionales directamente de las especificaciones del usuario. Se ha aplicado una
sintaxis para los FR para traducir (codificar) las necesidades y especificaciones del usuario
en una colección de requisitos funcionales (FR) que las herramientas de aprendizaje
automático pueden vectorizar y comprender para crear una estructura y una jerarquía. Una
vez confirmado con el diseño con comunicación interactiva, los FR vectorizados podrán
utilizar el rico conjunto de principios, teoremas y corolarios de AD para evaluar la decisión del
diseñador y brindar los consejos adecuados.
Aprovechando el progreso reciente de Deep Learning, esperamos encontrar una manera
de transformar el arte del diseño en un problema científicamente solucionable, mediante la
integración efectiva de la inteligencia humana y de las máquinas. El VDA tendrá una influencia
significativa en el diseño en todo el amplio espectro de sistemas de ingeniería, incluidos los
futuros sistemas de fabricación avanzada, como los sistemas de producción física cibernética
(CPPS), donde el diseño y la arquitectura del sistema aún se basan en métodos de ingeniería
tradicionales que enfrentan una mayor complejidad del sistema . 19]. VDA como plataforma
de aprendizaje profundo y la riqueza de la tecnología de fabricación acumulada en el CIRP a
lo largo de los años permitirán casos ejemplares de colaboración entre humanos y
computadoras hacia el diseño y la fabricación de productos inteligentes e inteligentes.
Reconocimiento
Este trabajo fue apoyado por SUTD IDC Flagship Project Financiamiento
y MIT/SenseTime Alliance sobre Inteligencia Artificial.
Referencias
[1] Dornfeld D, De Vries M (1990) Fusión de sensores de redes neuronales para herramientas Condi
Monitoreo de ciones. CIRP Anales 39(1):101.
[2] Noori-Khajavi A, Komanduri R (1993) Sobre el enfoque multisensor para monitorear el desgaste
de la perforación. CIRP Anales 42(1):71.
[3] Kumara S, Ham I (1990) Uso de memoria asociativa y autoorganización en
Diseño conceptual. CIRP Anales 39(1):117.
[4] Krause F, Fisher A, Gross N, Barhak J (2003) Reconstrucción de objetos de forma libre con
topología arbitraria utilizando redes neuronales y subdivisión. CIRP Anales 52(1):125.
[5] Teti R, Langella A, D'Addona D (1999) Un enfoque de computación inteligente para la planificación
de procesos en la forja en frío de varios pasos. CIRP Anales 48(1):175.
[6] Monosotori L, Prohaska J (1993) Un paso hacia la fabricación inteligente: modelado y seguimiento
de procesos de fabricación a través de redes neuronales artificiales. CIRP Anales 42(1):485.
[7] Choi GH, Lee KD, Chang N, Kim SG (1994) Optimización de los parámetros del proceso de
moldeo por inyección con red neuronal. CIRP Anales 43(1):449.
[8] Scholz-Reiter B, Muller S, Wiendhal HP (2000) Control de tiempo de rendimiento en sistemas de
producción respaldados por redes neuronales. CIRP Anales 49(1):331.
[9] Rechtin E (1991) Arquitectura de sistemas: creación y construcción de sistemas complejos,
Prentice Hall, Nueva Jersey.
[10] https://gpkit.readthedocs.io/en/latest/.
[11] Choi J, Cho H, Song J, Yoon SM (2019) SketchHelper: guía de trazos en tiempo real para la
recuperación de bocetos a mano alzada. Transacciones IEEE en Multimedia. http://dx.doi. org/
10.1109/TMM.2019.2892301. en prensa.
[12] Suh NP, Kim S, Bell AC, et al (1978) Optimización de sistemas de fabricación
a través de la Axiomática. CIRP Anales 31: 383–388.
[13] Suh NP (1990) Los principios del diseño, Oxford University Press.
[14] Dreyfus T (1991) en Tall D, (Ed.) Procesos de pensamiento matemático avanzado,
Pensamiento Matemático Avanzado, Springer.
[15] Aljalbout E, Golkov V, Siddiqui Y, Cremers D (2018) Clustering with Deep Learning: Taxonomy
and New MethodsCoRR, vol. abs/1801.07648 .
[16] Mikolov T, Chen K, Corrado G, Dean J (2013) Estimación eficiente de representaciones de
palabras en Vector SpacearVix: 1301,3781.
[17] Melvin JW, Suh NP (2002) Diseño axiomático de un pulido mecánico químico (CMP), MIT Ph.D.
Tesis, MIT.
[18] Le Q, Mikolov T (2014) Actas de la 31.ª conferencia internacional sobre
aprendizaje automático. PMLR 32(2):1188–1196.
[19] Stark R, Kinda S, Neumeyer S (2017) Innovaciones en el modelado digital para el diseño de
sistemas de fabricación de próxima generación. CIRP Anales 66 (1): 169.