💡 Zusammenfassung
In dieser Präsentation gibt Matthias, Mitbegründer von Navasto, einen tiefen Einblick in den Einsatz von maschinellem Lernen (ML) und Deep Learning (DL) zur Beschleunigung von ingenieurstechnischen Prozessen. Der Fokus liegt auf der Verwendung von KI, um komplexe Simulationen, wie beispielsweise in der Aerodynamik, in Echtzeit durchzuführen. Matthias erklärt drei häufig gestellte Fragen: die Genauigkeit der Vorhersagen, den erforderlichen Datenumfang und die Sicherstellung, dass nur valide Vorhersagen für Ingenieurentscheidungen verwendet werden. Anhand von Beispielen, wie der Simulation von Fahrzeuggeometrien und Crash-Tests, demonstriert er, wie KI-Modelle exakte Vorhersagen treffen können, die nahezu identisch mit physikbasierten Simulationen sind, jedoch in einem Bruchteil der Zeit erfolgen.

⬆️ Highlights
🚗 Echtzeitfähige Modelle: KI-Modelle ermöglichen es, aerodynamische Simulationen in Echtzeit durchzuführen und Designentscheidungen direkt zu treffen.
🧠 Hohe Vorhersagegenauigkeit: Die Vorhersagen der KI-Modelle sind nahezu identisch mit traditionellen Simulationen, aber wesentlich schneller.
📈 Kontinuierliches Modell-Training: KI-Modelle können kontinuierlich mit neuen Daten gefüttert und verbessert werden, was ihre Genauigkeit im Laufe der Zeit steigert.
🔍 Verlässliche Unsicherheitsbewertung: Ingenieure erhalten quantifizierbare Metriken zur Beurteilung der Verlässlichkeit von KI-Vorhersagen.

Kapitelübersicht
00:00:00 – Einleitung und Unternehmensvorstellung Matthias stellt Navasto und seine Arbeit im Bereich KI-gestützte Simulationen vor, insbesondere in der Automobilindustrie und im Motorsport.
00:03:23 – Vision und Nutzen von KI im Ingenieurwesen Er beschreibt, warum KI in Ingenieurprozessen wichtig ist, um fortschrittlichere Produkte schneller zu entwickeln.
00:05:29 – Einsatz von ML und DL in der Simulation Die Methode zur Erstellung von KI-Modellen, die Geometrien und Simulationsergebnisse korrelieren, wird vorgestellt.
00:07:53 – Praxisbeispiel: Echtzeitfähige Aerodynamiksimulation Ein Video demonstriert, wie KI in der Lage ist, Geometrieänderungen sofort zu simulieren und Ergebnisse in Echtzeit zu liefern.
00:08:51 – Generative und optimierende Modelle Die Kombination von Vorhersagemodellen mit generativen Modellen ermöglicht die automatische Erstellung und Optimierung von Fahrzeuggeometrien.
00:11:11 – Anwendungsbereiche und Branchen Die vorgestellte Technologie ist physikagnostisch und kann in verschiedenen Bereichen wie Crash-Simulationen und Akustik angewendet werden.
00:13:00 – Vergleich von Simulation und KI-Vorhersage Ein detaillierter Vergleich zeigt, dass die KI-Vorhersagen in der Qualität nahezu identisch mit traditionellen Simulationsergebnissen sind.
00:16:19 – Datenanforderungen und kontinuierliches Lernen Matthias erläutert, wie mit einer kleinen Datenmenge begonnen und das Modell durch fortlaufende Dateneingabe verbessert werden kann.
00:18:49 – Sicherstellung gültiger Vorhersagen Er erklärt Methoden, wie Ingenieure die Verlässlichkeit von KI-Vorhersagen bewerten können, um fundierte Entscheidungen zu treffen.