在设计产品时，在详细分析或测试数据可用之前，关键的设计决策通常是在概念设计阶段做出的。此外，许多数据（包括由物联网 (IoT) 和许多制造商当前部署的连接设备生成的数据）通常很少用于产品设计和开发。
制造商拥有庞大的产品测试，以及表征真实产品特性的大量在线使用数据。制造商可以利用这些信息中隐藏的洞察来增强未来的产品开发。
如果有一种办法，可以让工程师利用这种洞察力来模拟更多“假设”场景，制造商将受益匪浅。快速改变和测试设计参数的能力，可以为制造商提供了许多有价值的视角。工程师还将能够更早地解决故障点，无需再回到设计方案上进行未来的设计迭代，从而避免产生额外的时间和成本。
数据分析与工程的融合
在竞争日益激烈的商业环境中，制造商快速且经济高效地开发产品的能力比以往任何时候都更加重要。如果一家公司不是或接近于率先上市，那么将难以把握获得合理的投资回报。
值得庆幸的是，通过将现代人工智能 (AI) 驱动的预测分析与传统工程能力相结合，今天出现了一种新的可能性。通过这种集成，可以直接向工程师提供有价值的数据，以便在早期阶段进行设计改进。
将简单的“明智规则”与访问由高性能计算 (HPC) 驱动的仿真解决方案相结合，可以及早识别与设计相关的方面。这些将结合不同学科的知识，并可以产出真正稳健的设计以及具有成本效益和快速的开发活动。
例如，设计新飞机发动机的传统过程可能需要数年时间，因为像与 Altair 合作的 罗-罗等发动机制造商，需要花费大量时间和成本进行发动机设计的模拟和物理测试。
预测何时何地应用这些过程是一个耗时且劳动密集型的过程。经验测试可能涉及数千个传感器和更多数据点。在此过程中，发动机样机和测试仪器将花费数百万美元。
这种手动测试会创建 TB 级的原始数据，这些数据几乎没有真正应用起来。更重要的是，这种测试实际上只是重复以前的测试结果。然而，通过将人工智能和机器学习 (ML) 应用于早期的测试结果，诸如预测使用哪些传感器，以及在哪些位置等任务变得更加高效。
例如，减少传感器的数量可以大大节省时间和成本。技术让每一次测试都很重要，大大减少了影响关键洞察力的干扰。
Altair 和 罗-罗之间正在解决各种各样的应用场景，包括将数据科学应用于大量工程测试数据。大幅减少仅使用必需的传感器数量的场景，就有可能将罗-罗的经常性成本降低数百万美元。
其他行业的制造业公司也能以类似的方式受益。例如，根据凯捷（Capgemini）最近的一项研究，汽车生产厂家可以通过大规模部署人工智能，潜在地提高5%到16%的盈利能力。
例如，福特公司利用AI的决策树模型，分析以往的冲压工艺，包括冲压参数，冲压模具，是否包括附属工艺等等，训练出最优的冲压流程，并部署到实际的生产环境中，当有新的部件需要加工时，输入部件的参数，系统就会给出最合适的冲压工艺和流程，这样不仅提高了产品的成功率，还减少了对人员经验的依赖。
综合平台的力量
将预测分析和HPC结合在一起的关键是一个集成平台，它消除了仿真分析（CAE）和数据分析之间的界限，提供了对统一开发环境和多学科团队的访问。
这样的平台必须允许用户无缝地管理混合的本地和云HPC资源，以最经济高效和最快的方式处理工作负载。让用户在云提供商和本地环境之间无缝迁移工作负载的能力，也将使制造商能够快速调整和适应市场需求。
通过利用AI和ML支持的数据分析和现代数据管理工具，制造企业可以从当前，历史模拟和分析的全部价值中获益，大大节省产品开发的时间和资源。
通过这种方法，新的产品可以更快、更有效、更低的成本推向市场。这最终有助于制造商在全球市场上更具竞争力。