Не тренди!

🚨Инженеры под угрозой?

Искусственный интеллект ворвался в мир сложной инженерии и выполнил задачу, на которую у людей ушли бы годы: за три недели ИИ спроектировал и успешно протестировал клиновоздушный ракетный двигатель. Компания LEAP 71 показала, что будущее уже здесь, и оно переворачивает устоявшиеся подходы в машиностроении.

🤨Что это значит для инженеров?

Мы привыкли считать инженерное мастерство делом, требующим высокого профессионализма, опыта и времени. Но что, если теперь для создания сложнейших конструкций достаточно несколько недель и мощный компьютер? Повлияет ли это на будущее рабочих мест в машиностроении?

🤯 Сможет ли ИИ заменить живой ум?

С одной стороны, использование ИИ открывает новые горизонты для быстрой и эффективной разработки. С другой стороны, задайте себе вопрос: насколько ваша работа устойчива в мире, где ИИ способен проектировать не только ракетные двигатели, но и любые механизмы, зная лишь исходные параметры?

❗️Наступает новая эра инноваций или кризис профессий?

Какие новые вызовы это поставит перед конструкторами? Может ли это стать началом конца традиционного инженерного подхода? Пришло время подумать о том, как мы можем адаптироваться к этим переменам и использовать новые возможности в свою пользу.

Поделитесь своим мнением и давайте обсудим, что ждет нас в ближайшем будущем! ⚙️

Проектируй. Созидай. #Excogitator 🦾
#Trends@excolab

#Инжиниринг #Машиностроение #Проектирование #Ai

Пополняем арсенал
Text-to-CAD: обещания или реальность?

Друзья, давайте поговорим о широко разрекламированной технологии text-to-CAD, которая, по обещаниям многих компаний, должна была революционизировать проектирование и сделать его доступным для всех. Однако реальность оказывается гораздо менее оптимистичной.

📌Текущий статус: не многим лучше, чем в 2010 году

Согласно данным Gartner, около 60% компаний, заявивших о намерении внедрить технологии text-to-CAD в свои процессы, так и не сделали этого. Серьезные ограничения, такие как негибкие интерфейсы, недостаточная точность генерации и плохая интерпретация команд, остаются актуальными. В большинстве случаев программы по-прежнему требуют ручного вмешательства для исправления ошибок.

📌Примеры существующих приложений

Несмотря на отсутствие действительно революционных решений, несколько программ все же можно протестировать:

⚙️ Autodesk SketchBook: хотя это приложение больше ориентировано на художников, оно экспериментирует с текстовыми командами для упрощенного рисования.
⚙️DeepCAD: стартап, который работает над использованием ИИ для создания 3D моделей на основе текстовых описаний, однако работает очень нестабильно.
⚙️CoPilot в AutoCAD: экспериментальная функция от Autodesk, которая использует ИИ, но по сути, это все еще далекий от идеала инструмент.

📌 Цифры, которые заставляют задуматься

1. Инвестиции в ИИ для CAD: согласно Statista, в 2022 году инвестирование в решения на основе ИИ и автоматизации CAD составило 1,7 миллиарда долларов, однако большинство из этих средств, похоже, не привели к значительным результатам.
2. Уровень удовлетворенности пользователей: по данным опросов, лишь 25% пользователей стартапов в сфере text-to-CAD останутся с этими решениями более чем на год из-за проблем с интерфейсами и ошибками.

📌Прогноз на будущее

С учетом текущего уровня развития технологий text-to-CAD, можно ожидать, что они станут действительно пригодными не ранее 2027-2030 года. Зачем же ждем?

⚙️Для простых проектов: создание базовых чертежей и простых 3D моделей.
⚙️Для малых и средних предприятий: чтобы упростить процессы и снизить затраты на проектирование.
⚙️Для обучающих целей: упрощение введения новых специалистов в CAD-системы без необходимости глубокого изучения программ.

Вместо того чтобы быть «магической палочкой» для проектировщиков, text-to-CAD сейчас больше похож на полуправдоподобный концепт. Как оказалось, возможности технологии далеки от того, чтобы оправдать ожидания. Необходимы годы исследований и разработок, прежде чем мы сможем говорить о настоящей эффективности и надежности таких решений. Надеюсь, что вскоре мы увидим настоящие прорывы, а пока будьте осторожны с оптимистичными заявлениями разработчиков!

Так что пока Проектируем и Созидаем сами. #Excogitator 🦾
#Soft@excolab

#Инжиниринг #Машиностроение #TextToCAD #САПР #Ai

📚 Библиотека #Excogitator

Несколько дней назад начали тему ИИ в машиностроении: здесь об успехах Leap71. А вчера сами попробовали Text-to-CAD приложения. В завершение темы книга "Математика в машинном обучении", созданная для того, чтобы объединить ключевые математические дисциплины, необходимые для понимания и применения алгоритмов машинного обучения.

Основные математические направления, такие как линейная алгебра, аналитическая геометрия, векторный анализ, оптимизация, теория вероятностей и статистика, традиционно изучаются разрозненно. Это создает трудности для студентов, обучающихся на специальностях data science и computer science, а также для профессионалов в области машинного обучения, которые стремятся интегрировать эти знания в единую концепцию.

📌Чем уникальна эта книга?

⚙️Целостный подход: Книга объединяет основные математические концепции в одну самодостаточную программу

⚙️Последовательность изложения: Переход от базовых понятий к анализу ключевых методов машинного обучения: линейной регрессии, методу главных компонент, гауссову моделированию и методу опорных векторов.

⚙️Развитие интуиции: Подход помогает не только понять теорию, но и развить интуицию в применении математических знаний.

Все разделы математики описанные в книги имеют практическое применение в машинном обучении:

⚙️Линейная алгебра: Линейная алгебра является основой для работы с большими данными и изображениями. Например, понимание матричных операций позволяет эффективно обрабатывать и сжимать изображения с помощью методов, таких как сингулярное разложение (SVD).

⚙️Аналитическая геометрия: Геометрические представления данных полезны для визуализации и интерпретации. Например, при помощи аналитической геометрии можно визуализировать данные в 2D или 3D пространстве для кластерного анализа.

⚙️Векторный анализ: Векторные поля и дифференциальные операторы играют важную роль при обучении нейронных сетей, особенно в части, касающейся распространения ошибки и корректировки весов.

⚙️Оптимизация: Оптимизационные методы, такие как градиентный спуск и его модификации (Adam, RMSProp), необходимы для минимизации функции потерь во многих алгоритмах машинного обучения, включая глубокие нейронные сети.

⚙️Теория вероятностей: Вероятностные модели, такие как наивный байесовский классификатор, используются для фильтрации спама в электронных письмах или для классификации текстов по категориям.

⚙️Статистика: Методы статистического анализа применяются для оценки и валидации моделей. Например, с помощью статистики можно проводить гипотезы и проводить A/B тестирование для выбора лучшей модели.

Каждая из этих математических дисциплин играет ключевую роль в машинном обучении, позволяя разрабатывать и оптимизировать сложные алгоритмы, улучшать точность предсказаний и понимание данных. Книга не только объясняет теорию, но и показывает, как применить знания на практике, что делает её незаменимой для начинающих и профессионалов в области data science.

Книга есть в бумажном варианте во многих интернет магазинах.
Пишите в личку, если нужна ссылка на *.pdf🤫

Проектируй. Созидай. #Excogitator 🦾
#Library@excolab

#МашинноеОбучение #Математика #DataScience #Книги #Саморазвитие #Ai