Utbildade AI-agenter kan anta mänskliga designstrategier för att lösa problem, enligt rön publicerade i ASME Journal of Mechanical Design .

Stora designproblem kräver kreativt och utforskande beslutsfattande, en färdighet där människor utmärker sig. När ingenjörer använder artificiell intelligens (AI), de har traditionellt tillämpat det på ett problem inom en definierad uppsättning regler snarare än att ha det i allmänhet följa mänskliga strategier för att skapa något nytt. Denna nya forskning överväger ett AI-ramverk som lär sig mänskliga designstrategier genom observation av mänskliga data för att generera nya konstruktioner utan explicit målinformation, partiskhet, eller vägledning.

Studien var medförfattare av Jonathan Cagan, professor i maskinteknik och tillförordnad dekanus vid Carnegie Mellon University's College of Engineering, Ayush Raina, en Ph.D. kandidat i maskinteknik på Carnegie Mellon, och Chris McComb, en biträdande professor i teknisk design vid Pennsylvania State University.

"AI:n härmar inte bara eller återuppstår lösningar som redan finns, ", sa Cagan. "Det är att lära sig hur människor löser en specifik typ av problem och skapa nya designlösningar från grunden." Hur bra kan AI vara? "Svaret är ganska bra."

Studien fokuserar på fackverksproblem eftersom de representerar komplexa tekniska designutmaningar. Vanligtvis ses i broar, en fackverk är en sammansättning av stavar som bildar en komplett struktur. AI-agenterna tränades i att observera utvecklingen i designmodifieringssekvenser som hade följts för att skapa en truss baserad på samma visuella information som ingenjörer använder – pixlar på en skärm – men utan ytterligare sammanhang. När det var agenternas tur att designa, de föreställde sig designutvecklingar som liknade de som användes av människor och genererade sedan designrörelser för att förverkliga dem. Forskarna betonade visualisering i processen eftersom syn är en integrerad del av hur människor uppfattar världen och löser problem.

Ramverket bestod av flera djupa neurala nätverk som fungerade tillsammans i en förutsägelsebaserad situation. Använda ett neuralt nätverk, AI:n tittade igenom en uppsättning av fem sekventiella bilder och förutspådde nästa design med hjälp av informationen den samlade in från dessa bilder.

"Vi försökte få agenterna att skapa design som liknar hur människor gör det, imitera processen de använder:hur de ser på designen, hur de tar nästa åtgärd, och sedan skapa en ny design, steg för steg, sa Raina.

Forskarna testade AI-agenterna på liknande problem och fann att i genomsnitt, de presterade bättre än människor. Än, denna framgång kom utan många av de fördelar som människor har tillgängliga när de löser problem. Till skillnad från människor, agenterna arbetade inte med ett specifikt mål (som att göra något lätt) och fick ingen feedback om hur bra de gjorde det. Istället, de använde bara de visionsbaserade mänskliga strategitekniker som de hade tränats i att använda.

"Det är frestande att tro att denna AI kommer att ersätta ingenjörer, men det är helt enkelt inte sant, " sa McComb. "Istället, det kan i grunden förändra hur ingenjörer arbetar. Om vi ​​kan lossa tråkigt, tidskrävande uppgifter för en AI, som vi gjorde i arbetet, sedan frigör vi ingenjörer att tänka stort och lösa problem kreativt."