现今，人们正在对科技发展以及AI技术进行无限探索，在这个过程中，很多工程师可能会感受到“有心无力”，很大程度是因为他们尚未实现自己的第一个可落地执行的人工智能 （AI） 应用案例。
这个结果让人感到十分惊讶，因为目前在工程领域人们对 AI 的兴趣或投资并不缺乏。研究表明，86% 的工程师将 AI 视为重要的新兴技术。
然而，很明显，在工程师期望踏上 AI 探索之路时，找到切实可行的 AI 应用场景常常成为一道难以跨越的障碍。在进行的关于无摩擦 AI 的全球调查结果显示，35% 的受访者要么不知道如何开始使用 AI，要么认为实现商业价值的路径不够清晰。
在最近的“AI for Engineers”研讨会上，许多专业人士都表达了类似的挫败感，部分问题在于当前社会对于 AI 的炒作。很多工程前线的人会感受到很难将关于 AI 变革能力的宏大主张与他们日常工作的实际情况相结合。
那么，工程师应该如何面对这一挑战呢？受我们在 AI for Engineers 上遇到的专业人士的启发，我们分享了选择正确 AI 案例的八个简单技巧。
选择正确 AI 应用的八大技巧
技巧 1：专注于优化，而不是改革
AI for Engineers 的研讨会成员之一是一家跨国重型设备制造商的结构和仿真总工程师。他强调了不要试图过度使用AI的重要性。从优化设计属性以满足客户需求的角度考虑，而不是从彻底改变产品或直接实现组织转型的角度考虑。
重要的是，AI 解决方案可以帮助工程师摆脱耗时、专业知识密集且容易产生偏差的手动设计和评估周期。
研讨会成员还展示了公司使用AI技术进行工程改进的巨大成果。比如说，他的团队正从降阶建模（ROM）中受益。他们通过高保真模拟，为神经网络（本质上是一种模式识别算法）生成训练数据，而这个神经网络又反过来创建了一个具备人工智能的动态模型。使有限元 （FE） 模型实现了 16 秒内即可求解，而不是以前的 9 小时。
技巧 2：确定你想要预测的结果
AI 是一个模糊的术语。现在，当我们谈论工程中的 AI 时，我们通常指的是机器学习。生成式 AI （genAI） 和其他风格的 AI 开始崭露头角，这些技术的差异也逐渐明显。
机器学习使用算法根据样本数据（通常称为训练数据）创建模型，以做出决策或预测。机器学习系统从这些数据中学习，而无需编程。
这意味着机器学习项目通常从一个简单且关键的问题开始：您想预测什么结果？许多 AI 项目的失败可能仅仅是因为目标从未明确。
技巧 3：问问自己是否有数据
在确定了想预测的结果之后，下一个问题就很简单了：我们有必要的数据吗？
机器学习需要大量完整且准确的数据。对于某些企业来说，获取这些数据是一项挑战。许多企业还在努力处理大量杂乱的非结构化数据，这些数据未经处理很难被机器学习应用程序直接使用。目前这些问题使企业很难执行任何有价值的机器学习工作。
幸运的是，易用且高效的工具可以自动进行数据准备和清理过程。AI 还可用于填补数据中的缺失值，甚至生成额外的数据点。最近，我们与一家材料行业的公司合作，自动化了从各种来源获取数据的过程，并将这些数据进行整合，以用于机器学习建模。这些模型生成高质量的合成数据来填补空缺，从而减少了对物理测试的需求，并加快早期决策的制定。
技巧 4：关注行业专业知识，而不是数据科学专业知识
数据科学专业知识的短缺是整个 AI for Engineers 研讨会中经常听到的另一个话题，这是一个影响所有行业的问题。美国劳工统计局的数据显示，未来十年所有职位的平均需求增长率为 4%，而与数据科学相关的职位需求将增长 36%，成为该国增速最快的职位之一。
如果数据科学部门不支持你的工作，甚至根本还没有数据科学部门也不用慌！成功的AI工程应用往往源于那些对数据、流程和目标有深入理解的人。
而且，现在AI的普及化趋势正不断加速。低代码和零代码的AI工具正在赋能新一代的“平民数据科学家”。
同时，AI正逐步融入现有的设计工作流程。比如，工程师现在可以轻松使用节省时间的AI工具，从CAD文件中直接进行物理预测或自动化形状匹配，让工作更高效。
技巧 5：从小的计划开始着手
应用 AI 的障碍不仅仅是技术上的，企业文化冲突问题也很普遍。AI for Engineers 研讨会的与会者一致认为，从小规模的项目开始并迅速得到投资回报是一种行之有效的策略，可以赢得更广泛的企业内部支持。
不要仅仅因为潜在的 AI 案例不够宏大就忽视它们。AI 擅长做“无聊”的事情，例如自动执行耗时、重复的设计任务。因此，它使工程师可以腾出更多时间发挥专业技能、经验和创造力。
技巧 6：从其他案例中得到启发
在应用AI之前，大多数人都想知道结果预测和流程优化在实践中是如何实现的？目前我们拥有不少AI案例，包括制造商如何在钢铁生产过程的早期预测质量控制问题等经典案例。
所有这些项目都突出了 AI 的共同优势，包括减少物理测试、加快上市时间以及支持更早、更明智的决策等。
技巧 7：不要让“完美”成为“完成”的敌人
等待“完美”的使用案例、数据集或时机通常会导致企业错失机会。与其追求可能永远不会到来的理想场景，不如专注于使用目前已经拥有的解决方案。工程师是天生的问题解决者，不断解决难题，逐步优化迭代，从一个可行的使用案例开始，利用目前拥有的数据，持续完善。
进步往往来自于在实践中的学习，早期迭代可能并非完美无缺，但它们提供了宝贵的方向和动力。通过从小处着手并不断迭代，我们可以发现问题、调整方案，比一味等待完美更快地取得实际成果。
请记住，今天做得足够好的基础事务往往是造就明天伟大成就的基础。
技巧 8：寻求帮助
AI正在为工程领域的速度、效率和质量带来颠覆性的提升。虽然从长远来看，AI或许真的会实现未来学家们预言的那些革命性改变，但就当下而言，工程师应该把它当作工具箱中的另一件利器来看待。
第一次应用AI通常是最具挑战性的，但好消息是，工程师天生具备拥抱AI的理想技能，而现在已有一些解决方案能够让“巨大的飞跃”变得如“迈进一小步”一样容易。
关于 Altair RapidMiner
Altair RapidMiner 数据分析与人工智能平台，是数据分析领域中最早实现将自动化数据科学、文本分析、自动特征工程和深度学习等多种功能同时集成的企业级一站式数据科学平台，帮助用户解决从数据清洗、准备、数据科学建模到模型管理和部署的全流程需求，同时支持数据和流数据的实时分析可视化，适用于从学术研究到企业级应用的广泛场景。
欲了解更多信息，欢迎关注公众号：Altair 澳汰尔
如您对 企业级人工智能和数据分析平台 Altair RapidMiner 感兴趣，欢迎关注公众号免费申请部分软件试用。
标签：数据分析,焦虑,技巧,工程师,AI,学习,案例,数据 From： https://blog.csdn.net/altala/article/details/145282353