Voor ingenieurs, ontwerpers en productontwikkelaars is het vaak een hoofdpijndossier: je hebt een spreadsheet vol met honderden variabelen die je kunt aanpassen, maar elke test of simulatie is kostbaar en tijdrovend. Onderzoekers van het MIT hebben nu een nieuwe AI-benadering ontwikkeld die dit proces drastisch kan versnellen. Het werkt als een soort ‘ChatGPT voor spreadsheets’ dat zelf leert welke variabelen het belangrijkst zijn om aan te passen voor een beter resultaat.

De techniek is een slimme toepassing van een bestaande methode genaamd Bayesian optimalisatie, die wordt gebruikt om de beste combinatie van instellingen te vinden. Het probleem is dat traditionele tools moeite krijgen als er honderden ‘knoppen’ zijn om aan te draaien, zoals bij het ontwerpen van een veiligere auto of het optimaliseren van een elektriciteitsnet. De nieuwe aanpak gebruikt een foundation model – een groot AI-systeem – dat speciaal is getraind op tabelgegevens, zoals die in spreadsheets staan. Dit model identificeert automatisch de meest invloedrijke variabelen en richt daar de zoektocht op, waardoor het veel efficiënter naar een oplossing werkt.

Wat betekent dit in de praktijk?

Volgens de onderzoekers vond hun methode in tests op realistische technische problemen de beste oplossingen 10 tot 100 keer sneller dan veelgebruikte methoden. Een belangrijk voordeel is dat het AI-model niet voor elk nieuw probleem opnieuw getraind hoeft te worden. Het is herbruikbaar, wat betekent dat een ingenieur het kan toepassen op verschillende vraagstukken, van materiaalontwikkeling tot de optimalisatie van een productielijn, zonder telkens vanaf nul te beginnen. De snelheidswinst is het grootst bij de meest complexe problemen, waardoor het bij uitstek geschikt is voor veeleisende toepassingen.

Hoe kun je dit vandaag toepassen?

De specifieke techniek van het MIT is nog in onderzoeksfase, maar het principe – het gebruik van AI om complexe, multidimensionale optimalisatie in spreadsheets of datasets te versnellen – is een krachtig concept dat nu al richting geeft. Het gaat erom dat je niet langer handmatig door eindeloze combinaties van variabelen hoeft te zoeken, maar dat een systeem dat voor je doet door slim te leren wat er toe doet.

Als je producten of componenten ontwerpt… kun je nadenken over de parameters in je ontwerpsoftware of simulatiemodellen. Een mogelijke stap is om te onderzoeken of je bestaande optimalisatiesoftware kunt koppelen aan AI-tools die zijn gebouwd voor data-analyse, om zo sneller de ideale balans tussen kosten, gewicht en sterkte te vinden.

Als je processen in een fabriek of logistiek centrum optimaliseert… waarbij tientallen instellingen van machines, voorraden of routes van invloed zijn op de efficiëntie. Je zou kunnen kijken naar platformen die machine learning integreren met operations research, om automatisch de beste configuraties te laten vinden op basis van je historische prestatiegegevens.

Als je werkt aan complexe financiële modellen of risico-analyses… met honderden afhankelijke variabelen. Overweeg om te experimenteren met geavanceerde data science bibliotheken in Python of R die Bayesian optimalisatie ondersteunen. Deze kunnen je helpen om sneller de scenario’s te identificeren die het grootste effect hebben op je uitkomst.

Als je onderzoek doet, bijvoorbeeld in de chemie of farmacie… waar het testen van elke nieuwe samenstelling duur is. De kern van deze MIT-aanpak – het reduceren van het aantal dure evaluaties – is direct relevant. Je zou kunnen verkennen of er binnen je vakgebied al AI-gestuurde platforms bestaan voor het versnellen van experimenteel design en het voorspellen van de meest veelbelovende combinaties.

De praktische toepassing begint bij het inzicht dat voor complexe problemen met veel variabelen, traditionele trial-and-error of eenvoudige zoekalgoritmes niet meer volstaan. De volgende stap is om na te gaan of er binnen je toolsuite of branche al AI-aangedreven optimalisatiediensten beschikbaar zijn die dit principe toepassen, zodat je kostbare tijd en middelen bespaart.

Bron: MIT News