随着2022年底ChatGPT引发的热潮,AI的潜力(包括对企业而言)已愈发清晰可见。这一切都要归功于生成式AI的应用,特别是基于互联网海量公开数据训练的大型语言模型(LLM)。但业界专家普遍认为,生成式AI只是人工智能技术谱系中的一个子集,并且在某些特定领域中,互联网公开文本形式的训练数据并不充足。在这些领域中,有监督的机器学习(ML)仍将与LLM共同构成关键技术路径。
人工智能的应用非常广泛
Bigvand表示:“基于此,在生产型工厂的工程设计流程中,许多应用都可以从AI中受益”。例如:
- 基于LLM的自动化数据建模与图纸生成:实现设备组件数据模型的智能构建
- 数据模型与图纸的智能纠错:通过LLM识别相似特征,为数据模型提供优化建议
- 危险与可操作性(HAZOP)风险评估:自动识别潜在危险工况组合
- 图像处理与ML模型驱动的历史文档迁移
AI能力边界与人机协同
AI系统同样可实现对工程图纸的"智能解读"。通过训练,AI能精准识别PDF或PNG文件中的各类工程组件。AUCOTEC正基于此开发创新解决方案,助力项目团队将传统文档体系迁移至以数据为核心的Engineering Base平台。该方案旨在实现工艺、仪表控制、电气及液压工程等领域的全类型图纸迁移,并在生成PDF文件的同时构建具备导航热点的数据模型。“但专业工程师的审核与模型优化仍不可或缺,”Bigvand强调道,“每个数据集都需要经过多轮修正与参数调优。”这种训练投入将获得丰厚回报,未来可高效重构具有数十年历史的工厂文档对象模型,从而大幅提升设备维护与现代化改造效率。“虽然Engineering Base已支持DWG等机读格式的处理,但AI技术将赋予那些被视为过时的文档全新的生命力。”Bigvand补充道。

“结构化”数据的大规模应用
Bigvand进一步阐释行业现状:“当前工程软件供应商提及的AI功能,多指具备海量文本处理能力的高级搜索功能,可输出精准答案、清单或组件信息。但在AUCOTEC,我们确信当大规模“结构化”数据可供调用时,AI在工厂与机械工程领域将展现出更强大的应用潜力。”最后,Bigvand做出前瞻性判断:“有效释放AI技术的潜能,将成为企业保持竞争优势的关键战略。”
而Engineering Base正是满足这一需求的理想平台:开放的系统集成能力、跨学科的数据核心架构、卓越的数据一致性与透明度,共同构筑了AI深度应用的坚实基础。