ホンダのエンジニアはAIを活用して安全性と燃費規制を設計

[[378826]]

本田技術研究所では、エキスパートナレッジシステムを活用して車体設計プロセスに AI を導入しています。このソリューションにより、すべてのエンジニアが私たちと同じように優秀になれるでしょう。

「私たちの目標は、設計精度を向上させ、後期段階のシミュレーションを最大80 パーセント削減することです。設計プロセスの早い段階でよりよい情報を使用することで、物理テストでの失敗を減らすことができます。」 - 安原重人、本田技術研究所主任エンジニア、日本

当部門は、乗客とドライバーの衝突安全を目的として設計されています。 私たちの仕事には厳密な物理分析とシミュレーションが必要です。 私たちは、AI を適用してエンジニアが最適な設計ソリューションをより早く見つけられるようにし、最終的にはより安全で環境に優しい自動車の開発に貢献したいと考えています。

評判と規制リスクを軽減

目に見えない専門知識の提供

技術の進歩、経済の根本的な変化、環境および安全規制などにより、21 世紀の自動車メーカーは前例のない課題に直面しています。

コネクテッドカー、自動運転車、自律運転、シェアリングエコノミー、電気自動車、ゼロエミッション車、環境規制、ドライバーと乗客を保護するための安全要件を満たすことはますます困難になっています。 これらの基準に従って設計および開発を行うエンジニアは、安全性と品質を損なうことなく、生産と美観の複雑なトレードオフのバランスを取る必要があり、専門家である必要があります。

私たちの組織の良し悪しは、エンジニアの知性、想像力、情報、経験など、長年にわたって蓄積してきた総合的な知的資本によって決まります。 私たちは、時間の経過とともに、各エンジニアのキャリアが進むにつれて、またすべてのホンダのモデル、製品ライン、国、言語にわたって、この知識と専門知識を大規模なエンジニア チーム全体に拡大していきたいと考えています。 当社には創造性、独創性、情報があり、現在、これらを組み合わせて、エンジニアが既存の知識に素早くアクセスして理解し、失敗した設計パスを無視できるようにするための道を歩んでいます。

当社の設計エンジニアが当社の総合的な専門知識から恩恵を受け、最も有望な方向への新しいアイデアを生み出すことを願っています。 これを実現するために、当社はデジタル システムに含まれる構造化データと非構造化データの収集だけにとどまらず、熟練エンジニアの頭の中にあるデータ (いわゆる無形の非構造化データ) を収集するようになりました。これは当社の最も奥深く、最も豊富なデータであり、従業員の集合的な知識です。

設計プロセスに知的資本を注入する

ホンダのエンジニアは、既存製品の新しいモデルや機能を開発する際に、安全性から規制、生産性からコストまで、さまざまな要素を考慮する必要があります。 世界中の数十の拠点にいる何百人ものエンジニアの間で、同じ設計方法論を維持する必要があります。

しかし、すべてのエンジニアが同じように働き、同じ経験を仕事に持ち込み、同じようにテクノロジーを体験するわけではありません。 経験の浅いエンジニアは設計シミュレーションの実行に多くの時間を費やし、経験豊富なエンジニアはシミュレーションの実行時間が短いことがわかりました。 より経験豊富なプロのエンジニアは、自らの経験と確立された組織的知識を活用して、より迅速に劣った選択肢を排除し、潜在的な新しい選択肢に集中することができます。 彼らがこのように働く能力は長年の経験の産物であり、彼らはより直感的に知識を吸収し、獲得することができます。

これに気づいた私たちは、経験の浅いエンジニアたちに、絵や図、図面、写真など、大量の情報を提供するように努めました。 しかし、このアプローチは静的でアクセスが難しく、設計活動が単一の車両コンポーネント内に分離されるため、エンジニアが製品全体を設計することができません。

これにより、必然的に設計シミュレーションが増え、設計プロセスの後の段階での故障率が高くなります。

人工知能を使って知識を収集する

私たちは、上級エンジニアが持つ知識を後継者に受け入れてもらう必要があるという根本的な問題を理解しています。 私たちは、この課題を解決するために AI を適用できるよう IBM に協力を求めました。

当社の専門家は問題を直線的に解決するわけではないことを理解しています。 代わりに、相互に関連したアイデアのネットワークを持っています。 いくつかのアイデアには、考慮すべき関連アイデアや関連する考えが伴います。 彼らは暗黙の知識を利用して、すべての選択肢のうちどれが最も信頼性が高いかを追跡することができます。 現在、私たちは AI を使用してメンタルモデルを微調整し、強化しています。

エンジニアリング組織の蓄積された知識を捕捉して活用するために、さまざまな設計フェーズに関連する複数の知識レイヤーを定義しました。 私たちはエンジニアから直接言語や概念にアクセスすることができます。これは目に見えない非構造化情報と呼ばれ、歴史的にエンジニアの心の奥深くに埋もれていた貴重な知識です。 Watson の音声テキスト変換と特許注釈言語を使用して、この情報をマッピングし、知識モデル グラフを構築しました。

自然言語処理により、当社の熟練エンジニアは、複雑な方程式を使用しても、問題へのアプローチ方法を説明しながら、自然に表現することができます。 このシステムにより、彼らが取り組んだ問題、設計上の制約、これまでに検討したアイデアのネットワークに関する情報を取得できるようになります。 新しいシステムを使用することで、一般的な手動モデリング ツールと比較して、知識モデリングに必要な時間を 50% ～ 80% 削減できると期待しています。

「当社の専門家は、直線的に問題を解決しているわけではないことがわかりました。その代わりに、彼らは相互に結びついたアイデアの網を持っています。アイデアの中には、より関連のあるアイデアや検討すべきアイデアとより密接に関連しているものもあります。彼らは暗黙の知識を使用して、すべてのオプションのうちどれが最も信頼性が高いかを追跡できます。現在、私たちは AI を使用して、彼らのメンタルモデルを微調整し、強化しています。」 - 安原重人、本田技術研究所、チーフエンジニア、日本

AIを活用してより安全で環境に優しい車両を設計する

知識モデル図はエンジニアの思考プロセスと密接に統合されており、コレクション内のエンティティと関係を確立し、専門家の入力に基づいてデータの視覚化を提供し、概念ネットワーク、ドメイン オントロジー、および各ノードのそれぞれの信頼性を示します。

私たちは、熟練したエンジニアの思考プロセスと問題解決アプローチを捉えるために独自の言語を開発しました。 私たちは、この貴重な、これまで見たことのない非構造化情報をデジタル構造化データおよび非構造化データと統合し、ナレッジ グラフ内の各ノードに裏付けとなる証拠をリンクして検証するという長期的な作業を開始しました。

このシステムは、エンジニアが大規模なシステムの新機能を開発するのに役立ちます。 たとえば、エンジニアがホンダ パイロット エリートのパノラマガラスルーフを設計している場合、設計の可能性と依存関係を関連コンポーネントから切り離すことはできません。 エンジニアは、各コンポーネントの仕様を満たすように設計する方法を知っており、コンポーネント間の関係を理解する必要があります。

特定の機能が実現可能かどうかを判断するには、エンジニアはボディの剛性、衝突試験の性能、ルーフの厚さなどの機能を適切に設計して、運転性能を考慮する必要があります。

私たちは、各エンジニアの母国語である話し言葉と、彼らが探求したいアイデアのネットワークを結び付けるために、専門知識システムをテストしました。 どれだけ経験豊富なエンジニアであっても、設計上の問題と与えられた制約を表現するエンジニアがどれだけいるか考えてみてください。 この式は通常、次のような線形式です。「時速 5 マイルで構造部材を介して荷重を伝達せずに、フロント バンパー面の重量を 0.005 kg 軽減する必要があります。」

自然言語ステートメントは、収集された専門知識をマイニングして適切な応答を返します。 エンジニアは、システムが返すメソッドを確認し、その根拠と裏付けとなる証拠を把握し、応答が信頼できるものであることを知ることができます。

私たちは、専門家の知識システムに含まれる知識を活用し、システムに設計上の質問を投げかけ、情報を通じてソリューション検索を実行し、知識グラフを通じて正しいパスを見つけ、適切な情報を抽出できるかどうかをテストするのに十分な情報を備えています。 この重要な開発により、あらゆるレベルの専門知識を持つエンジニアが質問し、最適な回答を取得できるようになります。

私たちの目標は、設計精度を高めて事後シミュレーションを最大 80% 削減することです。 設計プロセスの早い段階でより適切な情報を使用することで、物理テストでの失敗を減らすことができます。

IBM のデータおよび AI ソリューションの詳細については、 http://cloud..com/act/ibm2021q1/ai#3をご覧ください。