CEO Boom supersonic (американский стартап производящий коммерческий сверхзвуковой борт) хвастается
* Кстати они производят собственные монокристаллические полые лопатки турбины высокого давления с активным охлаждением.
Эксперты: реактивные двигатели настолько сложны, что производить их могут лишь несколько гигантских компаний.
Команда Boom:
* Кстати они производят собственные монокристаллические полые лопатки турбины высокого давления с активным охлаждением.
❤1🔥1
В комментариях уже обращали внимание на то, что слово «ИИ» иногда используется как базворд там, где речь фактически идёт о традиционных методах оптимизации, например о градиентном спуске. Поэтому здесь важно уточнить несколько моментов.
1. Речь не идёт о выборе между ИИ и классическими методами оптимизации. Градиентные и другие численные методы остаются эффективными там, где можно формализовать целевую функцию, задать ограничения и вычислить либо оценить влияние изменения параметров на результат. Однако при многокритериальной оптимизации сложных конструкций этого часто недостаточно. Такие критерии, как технологичность изготовления, надёжность, ремонтопригодность, стоимость или устойчивость к изменению условий эксплуатации, трудно свести к одной гладкой функции. Кроме того, изменение одного из них может потребовать не локальной корректировки параметров, а существенной перестройки самой конструкции. В таких задачах традиционно необходимы экспертная оценка, выбор новых вариантов и интерпретация промежуточных результатов. Часть этой работы теперь может выполнять специализированная система на основе ИИ. ИИ в таких системах не заменяет расчётные методы, а управляет их применением. Он может предлагать изменения конструкции, выбирать параметры для следующей итерации, запускать расчёты и интерпретировать их результаты. Проверка прочности, тепловых режимов, аэродинамики и других физических характеристик по-прежнему выполняется специализированными расчётными моделями.
Особенно полезен ИИ в пространствах решений, содержащих дискретные и структурные изменения. Градиентные методы хорошо работают при непрерывном изменении размеров и других числовых параметров, но плохо применимы, когда требуется изменить топологию конструкции, число компонентов, материал, производственный процесс или принцип работы системы. ИИ может генерировать и сравнивать варианты, существенно отличающиеся друг от друга по структуре.
2. Модель, обученная на релевантных конструкциях, расчётах и результатах испытаний, может оценивать перспективные области пространства решений, предлагать варианты и отбрасывать заведомо слабые направления до проведения дорогостоящего моделирования. Такие прогнозы не являются окончательным результатом и не должны приниматься автоматически: их необходимо уточнять и проверять с помощью расчётов, симуляций, прототипирования и испытаний. Однако грамотное применение ИИ способно существенно сократить число итераций и общую продолжительность цикла оптимизации.
3. ИИ может тестировать варианты, которые человек даже не будет рассматривать — они изначально выглядят как "сумашедшие", но на самом деле могут оказаться оптимальными. Примеры подобного по ссылке ниже.
ИИ часто вворачивается не к месту и раздражение по этому поводу понятно, однако лучше всё же не делать из этого вывод что любое упоминание ИИ является таковым, разбираться по сути где и как реально применимо, а где кто-то просто ездит по ушам.
Хороший пример подобного для проектировании радиочастотных интегральных схем можно увидеть здесь
https://t.me/BOM_Voyage/42
он хорошо передаёт идею в первом приближении
1. Речь не идёт о выборе между ИИ и классическими методами оптимизации. Градиентные и другие численные методы остаются эффективными там, где можно формализовать целевую функцию, задать ограничения и вычислить либо оценить влияние изменения параметров на результат. Однако при многокритериальной оптимизации сложных конструкций этого часто недостаточно. Такие критерии, как технологичность изготовления, надёжность, ремонтопригодность, стоимость или устойчивость к изменению условий эксплуатации, трудно свести к одной гладкой функции. Кроме того, изменение одного из них может потребовать не локальной корректировки параметров, а существенной перестройки самой конструкции. В таких задачах традиционно необходимы экспертная оценка, выбор новых вариантов и интерпретация промежуточных результатов. Часть этой работы теперь может выполнять специализированная система на основе ИИ. ИИ в таких системах не заменяет расчётные методы, а управляет их применением. Он может предлагать изменения конструкции, выбирать параметры для следующей итерации, запускать расчёты и интерпретировать их результаты. Проверка прочности, тепловых режимов, аэродинамики и других физических характеристик по-прежнему выполняется специализированными расчётными моделями.
Особенно полезен ИИ в пространствах решений, содержащих дискретные и структурные изменения. Градиентные методы хорошо работают при непрерывном изменении размеров и других числовых параметров, но плохо применимы, когда требуется изменить топологию конструкции, число компонентов, материал, производственный процесс или принцип работы системы. ИИ может генерировать и сравнивать варианты, существенно отличающиеся друг от друга по структуре.
2. Модель, обученная на релевантных конструкциях, расчётах и результатах испытаний, может оценивать перспективные области пространства решений, предлагать варианты и отбрасывать заведомо слабые направления до проведения дорогостоящего моделирования. Такие прогнозы не являются окончательным результатом и не должны приниматься автоматически: их необходимо уточнять и проверять с помощью расчётов, симуляций, прототипирования и испытаний. Однако грамотное применение ИИ способно существенно сократить число итераций и общую продолжительность цикла оптимизации.
3. ИИ может тестировать варианты, которые человек даже не будет рассматривать — они изначально выглядят как "сумашедшие", но на самом деле могут оказаться оптимальными. Примеры подобного по ссылке ниже.
ИИ часто вворачивается не к месту и раздражение по этому поводу понятно, однако лучше всё же не делать из этого вывод что любое упоминание ИИ является таковым, разбираться по сути где и как реально применимо, а где кто-то просто ездит по ушам.
Хороший пример подобного для проектировании радиочастотных интегральных схем можно увидеть здесь
https://t.me/BOM_Voyage/42
он хорошо передаёт идею в первом приближении
Telegram
BOM Voyage
Все это напомнило недавнюю статью
AI Is Designing Radio Chips That Humans Couldn’t Even Imagine
При проектировании радиочастотных интегральных схем давно есть зрелые маршруты синтеза и проверки, а радиочастотные схемы остаются во многом ручной работой:…
AI Is Designing Radio Chips That Humans Couldn’t Even Imagine
При проектировании радиочастотных интегральных схем давно есть зрелые маршруты синтеза и проверки, а радиочастотные схемы остаются во многом ручной работой:…
❤3
Приз за самый забавный нейминг в нашем домене уходит к американскому стартапу Джига!
Jiga — это AI-платформа для размещения заказов на изготовление деталей, которая соединяет инженеров и отделы закупок напрямую с проверенными производителями. Основная идея компании — отказаться от модели «черного ящика», когда посредник скрывает реального изготовителя, и вместо этого дать заказчику возможность напрямую общаться с заводом или мастерской.
Умеет:
— загрузка CAD-моделей, чертежей и спецификаций;
автоматическое извлечение требований с помощью ИИ;
подбор наиболее подходящих производителей;
— получение и сравнение коммерческих предложений;
— единое пространство для переписки между инженерами и производством;
— отслеживание выполнения заказа и логистики;
— работа от прототипов до серийного производства.
Поддерживаемые технологии производства:
— CNC-фрезерование и токарную обработку;
листовой металл;
— 3D-печать (FDM, SLA, SLS, MJF, SLM и др.);
— литье пластмасс под давлением;
— дополнительные процессы (сварка, покрытия, термообработка и т.п.).
ИИ используется для автоматизации закупочного процесса:
— анализирует RFQ и инженерную документацию;
извлекает параметры деталей;
— сопоставляет заказ с производителями по возможностям, загрузке и истории качества;
— отслеживает задержки, отсутствие документов и другие риски;
— автоматизирует переписку и административные операции, оставляя принятие инженерных решений людям.
То есть это скорее AI-native Source-to-Manufacturing платформа, чем классический маркетплейс.
Неплохая архитектура решения:
— AI как координатор процессов, а не только чат-ассистент.
— Единая объектная модель (деталь → RFQ → поставщик → заказ → поставка).
— Автоматическое извлечение данных из инженерных документов.
— Структурированная история коммуникаций.
— Выявление рисков и отклонений в процессе исполнения.
— Постоянный контроль со стороны ИИ при сохранении принятия решений за человеком
Конкуренты: Xometry, Protolabs — делают ставку на мгновенное ценообразование и часто скрывают производителя.
—————
Но нейминг! Кстати весьма созвучно с Джира (Jira), если вы знаете толк в подобном.
Jiga — это AI-платформа для размещения заказов на изготовление деталей, которая соединяет инженеров и отделы закупок напрямую с проверенными производителями. Основная идея компании — отказаться от модели «черного ящика», когда посредник скрывает реального изготовителя, и вместо этого дать заказчику возможность напрямую общаться с заводом или мастерской.
Умеет:
— загрузка CAD-моделей, чертежей и спецификаций;
автоматическое извлечение требований с помощью ИИ;
подбор наиболее подходящих производителей;
— получение и сравнение коммерческих предложений;
— единое пространство для переписки между инженерами и производством;
— отслеживание выполнения заказа и логистики;
— работа от прототипов до серийного производства.
Поддерживаемые технологии производства:
— CNC-фрезерование и токарную обработку;
листовой металл;
— 3D-печать (FDM, SLA, SLS, MJF, SLM и др.);
— литье пластмасс под давлением;
— дополнительные процессы (сварка, покрытия, термообработка и т.п.).
ИИ используется для автоматизации закупочного процесса:
— анализирует RFQ и инженерную документацию;
извлекает параметры деталей;
— сопоставляет заказ с производителями по возможностям, загрузке и истории качества;
— отслеживает задержки, отсутствие документов и другие риски;
— автоматизирует переписку и административные операции, оставляя принятие инженерных решений людям.
То есть это скорее AI-native Source-to-Manufacturing платформа, чем классический маркетплейс.
Неплохая архитектура решения:
— AI как координатор процессов, а не только чат-ассистент.
— Единая объектная модель (деталь → RFQ → поставщик → заказ → поставка).
— Автоматическое извлечение данных из инженерных документов.
— Структурированная история коммуникаций.
— Выявление рисков и отклонений в процессе исполнения.
— Постоянный контроль со стороны ИИ при сохранении принятия решений за человеком
Конкуренты: Xometry, Protolabs — делают ставку на мгновенное ценообразование и часто скрывают производителя.
—————
Но нейминг! Кстати весьма созвучно с Джира (Jira), если вы знаете толк в подобном.
BOM Voyage pinned «В комментариях уже обращали внимание на то, что слово «ИИ» иногда используется как базворд там, где речь фактически идёт о традиционных методах оптимизации, например о градиентном спуске. Поэтому здесь важно уточнить несколько моментов. 1. Речь не идёт о…»
This media is not supported in your browser
VIEW IN TELEGRAM
Карта взаимосвязей между CAD системами, лежащими в их основе геометрическими ядрами и компаниями, которым они принадлежат.
https://www.cadmap.io
(Не полная, но всё равно)
https://www.cadmap.io
(Не полная, но всё равно)
🤔3👍2🔥1
Forwarded from Commit Happens
Media is too big
VIEW IN TELEGRAM
the coolest graph based slides for a presentation
Demo: https://yoheinakajima.github.io/graphcon-deck/
gh: https://github.com/yoheinakajima/graphcon-deck
Возможно можно присобачить к PDM для навигации по разным видам BOM (EBOM, MBOM, PBOM, SBOM) - там десятка 2 разных типов срезов составов одних объектов - конструкторский, производственный, плановый, сервисный и так далее.
EBOM, MBOM, PBOM, Service BOM, Software BOM, As-built BOM, As-maintained BOM, As-planned BOM, As-designed BOM, CBOM, 150% BOM, Super BOM, 100% BOM, Variant BOM, Sales BOM, Order BOM, Procurement BOM, Supplier BOM, Packaging BOM, Shipping BOM, Installation BOM, Electrical BOM, Electronic BOM, Formula BOM, Recipe BOM
Demo: https://yoheinakajima.github.io/graphcon-deck/
gh: https://github.com/yoheinakajima/graphcon-deck
Возможно можно присобачить к PDM для навигации по разным видам BOM (EBOM, MBOM, PBOM, SBOM) - там десятка 2 разных типов срезов составов одних объектов - конструкторский, производственный, плановый, сервисный и так далее.
EBOM, MBOM, PBOM, Service BOM, Software BOM, As-built BOM, As-maintained BOM, As-planned BOM, As-designed BOM, CBOM, 150% BOM, Super BOM, 100% BOM, Variant BOM, Sales BOM, Order BOM, Procurement BOM, Supplier BOM, Packaging BOM, Shipping BOM, Installation BOM, Electrical BOM, Electronic BOM, Formula BOM, Recipe BOM
Forwarded from Фотозаклепки