Veel ingenieurs en ontwerpers worstelen met een fundamenteel probleem: er zijn te veel mogelijke instellingen om te testen en elke test is duur of tijdrovend. Denk aan het ontwerpen van een veiligere auto, het optimaliseren van een energienet of het vinden van de beste samenstelling voor een nieuw materiaal. Traditionele optimalisatiesoftware kan hierbij vastlopen door de enorme hoeveelheid variabelen. Onderzoekers van het MIT hebben nu een nieuwe AI-aanpak ontwikkeld die dit soort problemen 10 tot 100 keer sneller kan oplossen dan gangbare methodes, volgens hun eigen tests.

De techniek is een geavanceerde vorm van ‘Bayesian optimization’, een bewezen wiskundige methode om de beste oplossing te vinden in een complexe ruimte. Het vernieuwende zit in het gebruik van een zogenaamd ‘foundation model’ dat speciaal is getraind op tabelgegevens, zoals je die in spreadsheets vindt. Dit model kan tijdens het zoekproces automatisch identificeren welke variabelen het meest belangrijk zijn voor het verbeteren van het resultaat. Het herhaalt dit proces om steeds dichter bij de optimale oplossing te komen.

Een groot praktisch voordeel is dat dit foundation model niet voor elk nieuw probleem opnieuw getraind hoeft te worden. Het is herbruikbaar, wat de efficiëntie aanzienlijk verhoogt. De onderzoekers stellen dat de snelheidswinst groter wordt naarmate het probleem ingewikkelder is, wat het bijzonder geschikt maakt voor veeleisende toepassingen zoals medicijnontwikkeling of geavanceerde materiaalkunde.

Hoe werkt deze ‘spreadsheet-ChatGPT’?

In essentie fungeert het AI-model als een intelligente gids door een labyrint van mogelijkheden. Stel je voor dat je een product ontwerpt met 200 verschillende instellingen, zoals diktes, materialen en vormen. Het model analyseert de eerste testresultaten en bepaalt vervolgens welke 10 of 20 van die 200 instellingen de grootste impact hebben op de gewenste uitkomst, bijvoorbeeld sterkte of kosten. Vervolgens richt het de zoektocht daarop, in plaats van alle 200 variabelen blindelings te blijven onderzoeken. Dit iteratieve proces van identificeren en verfijnen bespaart een enorme hoeveelheid dure of tijdrovende evaluaties.

Hoe kun je dit vandaag toepassen?

De specifieke techniek van het MIT is nog academisch onderzoek en niet direct als kant-en-klaar product beschikbaar. Het principe – het slim inzetten van AI om complexe optimalisatieproblemen met veel variabelen aan te pakken – is echter nu al relevant. Het biedt een blauwdruk voor hoe bedrijven hun ontwerp- en planningsprocessen kunnen versnellen.

Als je een productontwikkelaar bent in de maakindustrie… kun je onderzoeken of bestaande simulatie- of CAD-software geïntegreerd kan worden met AI-optimalisatietools. Een mogelijkheid is om een proof-of-concept op te zetten voor één kritisch ontwerpprobleem, zoals het minimaliseren van materiaalgebruik bij gelijkblijvende sterkte, om de potentiële tijdwinst te verkennen.

Als je een logistiek manager bent met een complex distributienetwerk… waarbij kosten afhangen van routes, voorraadniveaus, transportmodi en levermomenten, zou je kunnen kijken naar geavanceerde optimalisatieplatforms die machine learning gebruiken. Deze kunnen patronen herkennen en voorstellen doen voor aanpassingen die een mens mogelijk over het hoofd ziet in de wirwar van variabelen.

Als je in de energiesector werkt aan netstabiliteit… met variabelen zoals productie van windparken, vraagpatronen en batterijopslag, is een mogelijke stap om samen te werken met datascience teams. Zij kunnen modellen bouwen die, geïnspireerd op dit onderzoek, prioriteren welke instellingen het eerst aangepakt moeten worden om de betrouwbaarheid te verbeteren.

Als je een onderzoeker bent in de farmacie of chemie… waar het testen van duizenden molecuulcombinaties extreem kostbaar is, zou je kunnen overwegen om AI-gestuurde optimalisatie in te zetten in de vroege screeningsfase. Het doel is dan om de experimenten zo te sturen dat je sneller bij veelbelovende kandidaten komt.

Als je een financieel analist bent die portefeuilles optimaliseert… over honderden assets met risico’s, rendementen en correlaties, kun je verkennen of geavanceerde optimalisatie-algoritmen, verdergaand dan standaard tools, betere afwegingen kunnen maken door de meest invloedrijke factoren te isoleren en daarop te focussen.

De kern is om te erkennen dat voor problemen met extreem veel bewegende delen, traditionele trial-and-error of eenvoudige software vaak tekortschiet. De toekomst ligt in het inzetten van AI als een strategische partner die de zoekruimte intelligent verkent en de ontwerper of ingenieur wijst op de meest veelbelovende richtingen.

Bron: MIT News