В гонке за внедрение технологий искусственного интеллекта и цифровых двойников возникают критически важные вопросы. Чтобы ответить на них, вице-президент по портфолио и глобальному маркетингу Keysight Technologies Джефф Харрис описывает на портале InformationWeek три шага, которые позволят провести оценку потенциала любого ИИ-алгоритма или цифрового двойника.

ИИ, машинное обучение и цифровые двойники — почему мы так много о них слышим и почему они вдруг стали так важны? Самое простое объяснение заключается в следующем: когда для человека что-то слишком сложно или у него слишком мало времени для принятия важного решения, единственный выход — исключить человека. Это требует способности воспроизводить мыслительный процесс, а для этого в свою очередь нужен большой объем данных и глубокое понимание среды принятия решений.

Так почему это происходит прямо сейчас? На протяжении десятилетий мы наблюдали огромный прогресс в основном за счет интеграции и уменьшения размеров электроники. Более компактные продукты, потребляющие меньше энергии и предлагающие значительное увеличение функциональности на единицу площади, были отличительными чертами технологического прогресса.

Программные приложения также эволюционировали на протяжении десятилетий, одним из наиболее заметных способов стало резкое ускорение цикла внедрения. Только за последние два десятилетия пользователи с пугающей скоростью меняли свое отношение к приложениям: сначала как новинкам, затем как удобству и далее как безупречным помощникам. На каждом этапе внедрения ожидание пользователя возрастает, а значит, продукт должен развиваться и совершенствоваться с очень быстрой и масштабируемой скоростью.

Сочетание тенденций развития оборудования и ПО привело к сближению требований к разработке продуктов. Новые приложения для «критически важных нужд» внезапно стали должны обладать более высокой производительностью обработки данных в реальном времени, принимать решения, чувствительные ко времени, иметь высокую или очень высокую доступность и соответствовать ожиданиям, что генерируемые платформой решения будут каждый раз правильными.

Хотя большинство людей думают об ИИ в первую очередь как о ресурсе для конечных пользователей, он стал необходим для ускорения проектирования и разработки продуктов. Начиная с самого раннего этапа проектирования чипсета или компоновки схемы и заканчивая проверкой конечного продукта — для создания сложных интерфейсов и сред потребовались эмуляторы. Известные как цифровые двойники, они представляют собой «гарантированно работоспособное» виртуальное воплощение процесса, условий окружающей среды или протокола.

С точки зрения тестирования, цифровой двойник может быть простым генератором сигналов, полным генератором протоколов или полным эмулятором среды. Цифровые двойники позволяют разработчикам быстро создавать значительно более широкий диапазон условий тестирования для проверки своего продукта перед сдачей. Высокопроизводительные цифровые двойники обычно содержат собственные ИИ-механизмы для поиска неисправностей и регрессионного тестирования новых дизайнов продукта.

Разработка на основе ИИ и цифровые двойники

Переход к разработке на основе ИИ и цифровым двойникам стал необходимым из-за высокого объема функциональности и автономного принятия решений, ожидаемых в новых продуктах. Основные принципы проектирования определяют характеристики и функциональность продукта, а затем устанавливают тесты для их проверки. Огромное количество и сложность стандартов интерфейсов делают практически невозможным их построение вручную.

Используя цифровых двойников, можно запрограммировать гораздо более широкий набор функциональных тестов за гораздо меньшее время. Функциональность ИИ затем автоматизирует процессы тестирования на основе того, что он обнаруживает, и предсказывает действия, которые могут потребоваться. Чтобы лучше понять это, полезно понять суть принятия ИИ решений.

В своей простейшей форме принятие решений в области ПО начинается с алгоритмов. Базовые алгоритмы выполняют набор вычислений, и если вы знаете, что является приемлемым результатом, вы можете создать конечный автомат с использованием дерева решений. Вряд ли его можно назвать интеллектуальным. Однако, добавив понятие состояния и вставив контур обратной связи, базовый алгоритм может сделать решение о результатах функцией сравнения с актуальным состоянием. Таким образом эволюция дерева решений привела к созданию дерева поведения, или формированию генезиса ИИ.

Потребность в ИИ и цифровых двойниках реальна, и когда вы сомневаетесь в достоверности одного из них — своего или чужого — обратитесь к его генезису, иначе говоря к данным. Источники данных — основа любого инструмента цифровой оценки, и они определяют потенциал точности моделирования алгоритма. Если доступно несколько источников, богатых данными, то потенциал точности высок. Если доступны только основные данные, то полученный алгоритм или цифровой двойник не будет точным. Это то, что можно оценить самостоятельно с помощью следующих щагов.

1. Сделайте черновик процесса принятия решений в замкнутом цикле — входы, условия, выходы — который должен воспроизвести ИИ или среду, которую должен имитировать цифровой двойник. Выпишите столько переменных, сколько вы можете придумать. Не тратьте на этот шаг более 30 минут.

2. Что касается алгоритма ИИ, то посмотрите на источники данных, которые, как утверждает поставщик, он использует. В случае цифрового двойника ознакомьтесь с техническими характеристиками системы и базовыми рекомендациями поставщика. Их общая глубина пропорциональна потенциалу алгоритма. Это может занять час или два.

3. Основываясь на том, что вы узнали на этапах 1 и 2, задайте поставщику накопившиеся вопросы. Ясность — или ее отсутствие — быстро сформирует ваше понимание ситуации.

Мы находимся на ранней стадии развития ИИ, это означает, что многие продукты могут выглядеть многообещающими, но не все из них пройдут проверку временем. Покупатель всегда должен знать, чего он хочет, и лишь тогда оценивать продукт. Понимание того, какие источники данных он обрабатывает, позволит вам понять, насколько точно он может обеспечить результаты, которые обещает вендор. Цифровые двойники находятся на гораздо более позднем этапе развития — особенно те, которые эмулируют конкретные элементы, а не целые экосистемы. Помните, что чем более ограничена среда, тем больше вероятность того, что цифровой двойник точнее ее воспроизведет.

Мы все хотим понимать, как что-то работает и как дает результаты. Имея представление об основных элементах каждой системы ИИ и цифрового двойника, вы можете задать вопросы об их фундаментальных элементах. Если вы застряли, используйте эти шаги в качестве руководства по вопросам, которые можно задать поставщику. Большинство из них поделятся всеми или некоторыми ключевыми исходными данными или параметрами, чтобы помочь вам разобраться. Если они этого не сделают, это сделают их конкуренты.