Репортаж от Wedoany，В аэрокосмической, автомобильной и промышленной отраслях исследовательские группы часто сталкиваются с проблемой низкой эффективности использования огромных объемов тестовых данных. Разнообразие форматов данных, изменения правил именования и утеря знаний из-за выхода на пенсию опытных специалистов делают очистку и интеграцию данных трудоемкой и затратной задачей. Появление агентного ИИ изменило ситуацию: основанные на больших языковых моделях агенты могут автономно читать документы, проверять файлы и писать код для согласования форматов, значительно снижая потребность в человеческих ресурсах.
Британская компания GKN Aerospace внедрила систему агентного ИИ DUCTILE на базе модели Claude от Anthropic для обработки передачи данных при сертификации компонентов реактивных двигателей. Ранее изменение формата со стороны OEM приводило к сбоям в скриптах. Теперь агенты могут автоматически исправлять ошибки в форматах, позволяя инженерам сосредоточиться на анализе безопасности. В ходе тестирования обе модели управления получили десять независимых подтверждений правильных результатов, полностью устранив узкие места интеграции.
Немецкая компания BMW использует около 3500 разрабатываемых автомобилей, которые еженедельно генерируют от 5 до 10 терабайт измерительных данных. Благодаря многомодульной системе ИИ MDR Copilot на базе Microsoft Azure инженеры могут формулировать запросы на естественном языке, например: «Сколько операций торможения было выполнено за последние два дня?». Система, опираясь на базу знаний экспертов, предоставляет аналитические данные еще до возвращения тестовых автомобилей в гараж, увеличивая скорость анализа в 12 раз и делая данные доступными для всех.
Другой немецкий производитель механического оборудования (без указания имени) использует агентный ИИ для прогнозирования количества балансировочных испытаний тяжелых роторов турбин на наличие разбаланса. Команда собрала данные с датчиков в единое хранилище, развернула автоматизированных агентов мониторинга, после чего эксперты обучили ИИ обрабатывать данные с высоким разрешением и строить прогнозные модели. В итоге точность прогнозирования достигла 97,2%, что значительно сократило количество физических испытаний и снизило капитальные затраты.
Эти примеры показывают, что ключевая ценность агентного ИИ заключается в сочетании задокументированных экспертных знаний в предметной области с доступной инфраструктурой данных. Чтобы агенты работали эффективно, экспертные знания должны быть систематически записаны, а данные централизованы. На практике организациям следует одновременно заниматься централизацией данных и систематизацией знаний экспертов, чтобы избежать задержек.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
