人工智慧對工程的挑戰
使用AI進行分析以解決工程問題在整個產品生命週期中都面臨著數個巨大挑戰。
設計工程師可以訓練AI系統以說明找到最佳設計。例如，AI從設計工程師提供的模擬模型中學習。但是，在許多情況下，工程模型是確定性的，而它們所建模的基本問題則具有不確定性，因此本質上是隨機的。如果工程師僅以模型的形式向AI提供規則，以呈現確定性的世界觀，那麼AI將被限制為現實的本質。AI可能會產生一種最佳解決方案，但它對應於不存在不確定性的不現實場景，而不是包含現實世界不確定性的理想解決方案。為了達到真正的目的
現代生產線配備了各種各樣的感測器，並且能夠收集從設備健康狀況到產品品質的整個製造過程各個方面的大量資料和高速資料。感測器資料將始終具有一定程度的不精確性或與之相關的雜訊；來自眾多不同來源的大量資料導致的綜合不確定性可能使AI演算法很難在雜訊中識別出感興趣的信號。
維護和保養可能會帶來製造方面的挑戰，即缺乏資料。當目標是訓練AI系統以預測模式或異常時，這可能是個問題。如果事件的後果很大，則預測異常或罕見事件可能具有很高的重要性。但是，由於其稀有性，資料太少可能會阻礙AI系統學習預測此類事件，即對於人類而言，預測您從未經歷過的事件比您經歷過的事件更加困難。
通常，AI取決於其接收到的資料的品質。如果資料包含不準確之處，它們將反映在AI結果中。由於AI和機器學習演算法是複雜的系統，並且本身俱有黑匣子功能，因此驗證，確認和不確定性量化（VVUQ）的應用對於確保結果盡可能準確地實現至關重要。例如，工程資料將遵循基於物理的關係，其中可能包括不變性，例如動量或孤立系統的總能量。系統的某些輸出也可能與一個或多個輸入具有已知的單調關係。在AI系統上執行VVUQ至關重要，以確保保留這些重要的關係。
對於許多工程應用而言，在系統級別完成分析和性能檢查至關重要。這涉及將來自許多子系統的資訊組合在一起，每個子系統可能都有許多輸入。例如，車輛健康的系統級分析需要子系統的資料，包括制動系統，發動機，變速器和底盤。能夠說明所有這些子系統中的參數總數以及它們如何組合以影響各種有意義的結果（例如車輛安全性和舒適性）是一個大而困難的問題。
