什麼是人工智慧？（What is Artificial
Intelligence?）
人工智慧（Artificial Intelligence, AI）是指機器具有像人類一樣學習和思考的能力，無論是針對特定任務還是一般情況。雖然AI的概念自1950年代以來就已存在，但近期在模擬（simulation）、高效能計算（high-performance
computing）、感測器（sensors）和物聯網（Internet of
Things）方面的進展已將工程領域的AI從可能變為現實。AI的大腦來自於機器學習（machine learning）的最新發展。機器學習使程序能夠擴展其對主題的理解，超越其嚴格編程所做的事情。
如今，AI的各種變體幾乎可以在任何事物中找到，從診斷製造問題、開發自主系統到預測下一次災難性天氣事件。
工程領域中AI的挑戰（Challenges of AI
for Engineering）
使用AI進行分析以解決工程問題面臨整個產品生命週期中的多個重大挑戰。
設計工程師可以訓練AI系統以協助尋找最佳設計。例如，AI從設計工程師提供的模擬模型中學習。然而，在許多情況下，工程模型是確定性的，而它們正在模擬的底層問題則受到不確定性的影響，因此本質上是隨機的。如果工程師只提供以確定性世界觀形式的模型規則給AI，則AI也會受限於此。AI可能會產生最佳解決方案，但該解決方案對應於不現實的情景，即不確定性不存在的情景，而不是考慮現實世界不確定性的所需解決方案。要實現真正的目標，必須教導AI將不確定性納入其決策規則，了解感興趣結果的隨機性質。
現代製造線配備了大量傳感器，能夠高速高量地收集有關製造過程的所有方面的數據，從設備健康到產品質量。傳感器數據總是與一定程度的不精確性或噪聲相關；由於來自如此多不同來源的大量數據所產生的綜合不確定性，可能使AI演算法難以在噪聲中識別感興趣的信號。
維護和服務可能會呈現出與製造相反的挑戰，即數據不足。當目標是訓練AI系統預測模式或異常時，這可能是一個問題。預測異常或罕見事件可能非常重要，如果事件的後果很大。然而，由於它們的罕見性質，數據太少可能會妨礙AI系統學習
預測這類事件，即對於人類來說，預測從未經歷過的事件比預測經歷過的事件更困難。
一般來說，AI依賴於它接收的數據質量。如果數據包含不準確性，它們將反映在AI結果中。由於AI和機器學習演算法本身是複雜的系統和黑盒函數，因此應用驗證、驗證和不確定性量化（VVUQ,
Verification, Validation, and Uncertainty Quantification）對於確保結果盡可能接近現實非常重要。例如，工程數據將遵循基於物理的關係，這可能包括如孤立系統的動量或總能量等不變量。系統的某些輸出也可能對一個或多個輸入具有已知的單調關係。對AI系統進行VVUQ以確保這些重要關係得到保留是很重要的。
對於許多工程應用，系統級別的分析和性能檢查至關重要。這涉及結合許多子系統的信息，每個子系統可能有許多輸入。例如，對車輛健康的系統級分析需要包括剎車系統、引擎、變速箱和底盤等子系統的數據。能夠考慮到所有這些子系統中的總參數數量及它們如何結合影響車輛安全和舒適等各種感興趣結果的大規模和困難問題。
SmartUQ針對AI的解決方案（SmartUQ Solutions
for AI）
SmartUQ使用多種分析工具來解決這些挑戰：
- 維度縮減（dimensionality reduction）、數據子抽樣（data subsampling）和過濾工具（filtering tools）可以減少需要處理、存儲或傳輸的數據量。
- 自動化的統計和機器學習演算法（Automated statistical and
machine learning algorithms）可以迅速預測準確的結果。
- 敏感性分析（sensitivity analysis）允許識別和分析重要輸入。
- 統計校準（statistical calibration）和逆向技術（inverse
techniques）可用於識別噪聲數據中的偏差信號，確定潛在輸入不確定性，並調整中長期模型的運營參數和模型。
- 數位分身（digital twins）和概率分析（probabilistic
analysis）可用於根本原因分析（root cause analysis）。
總結
成功地分析AI數據可能具有挑戰性，但憑藉適當的工具和支持，工程和其他行業可以找到新方法來自動化任務並更好地理解複雜現象。
