tỷ lệ kèo cá cược bóng đá thay thế “3D” là gì? Đạt được tải trước bằng công nghệ mới nhất sử dụng học sâu và AI

―― Trước tiên, bạn có thể cho chúng tôi biết về tình hình hiện tại xung quanh ngành sản xuất và những thách thức khi sử dụng CAE không?

Sato　Trong ngành sản xuất, quá trình sản xuất hỗn hợp cao, khối lượng thấp đang tiến triển và chu kỳ phát triển ngày càng ngắn hơn, khiến việc giới thiệu sản phẩm mới nhanh hơn và với chi phí thấp hơn so với đối thủ cạnh tranh trở thành chủ đề chính Tải phía trước ngày càng trở nên quan trọng vì người ta nói rằng 80% chi phí được xác định ở giai đoạn thiết kế CAE đã được sử dụng cho mục đích này, vì cần phải thiết kế với số lần làm lại ít nhất có thể và giảm chi phí bằng cách xem xét quy trình sản xuất
Tuy nhiên, kiến thức chuyên môn là điều cần thiết khi sử dụng CAE và không phải ai cũng có thể sử dụng nó ngay cả khi họ có công cụ

WatanabeVì vậy, ở nhiều công ty, việc thiết kế và CAE do các thành viên khác nhau đảm nhận Đầu tiên, nhân viên thiết kế yêu cầu nhân viên CAE mô phỏng, nhân viên CAE thực hiện tính toán và báo cáo tóm tắt kết quả sẽ được gửi lại cho nhân viên thiết kế Việc mô phỏng độ bền của một hình dạng duy nhất bằng CAE thường mất từ ​​vài giờ đến vài chục giờ Do thời gian cần thiết cho một loạt nhiệm vụ ngoài việc mô phỏng nên phải mất vài ngày kể từ khi yêu cầu đến khi nhận được báo cáo Điều này đã trở thành một vấn đề vì nó không thể theo kịp với việc rút ngắn chu kỳ phát triển trong những năm gần đây

―― Vậy là bản thân các nhà thiết kế đã không sử dụng CAE

SatoTất nhiên, sẽ tốt nhất nếu người thiết kế tự mình xử lý được mô phỏng CAE Tuy nhiên, công việc của các nhà thiết kế vô cùng đa dạng và rất khó để nghiên cứu CAE đối với những người làm việc toàn thời gian, đòi hỏi kiến ​​thức chuyên sâu về từng công cụ và tự mình xử lý Mặc dù lĩnh vực được gọi là CAE thiết kế đang mở rộng nhưng chức năng của nó vẫn còn hạn chế Những tiến bộ trong CAE đã giúp có thể xử lý các hiện tượng quy mô lớn hơn và phức tạp hơn, đồng thời tôi cảm thấy rằng trình độ chuyên môn cũng đã tăng lên

Với tình hình hiện tại là các nhà thiết kế và nhân viên CAE khác nhau, có những trường hợp không thể sử dụng kết quả mô phỏng một cách hiệu quả Ví dụ, ngay cả khi một báo cáo gửi lại cho biết, ``Kết quả mô phỏng cho thấy cường độ không đủ, do đó độ dày phải được tăng lên'', điều này thường khó thực hiện do tiến độ trong giai đoạn thiết kế và chi phí

Ngay cả khi xác định được vấn đề về thiết kế, vẫn cần có thời gian để đưa ra giải pháp thực tế, vì vậy nhiều công ty đã yêu cầu chúng tôi "tăng tốc thời gian tính toán CAE" và "rút ngắn quy trình thiết kế"

―― tỷ lệ kèo cá cược bóng đá thay thế giải quyết những vấn đề này như thế nào?

Satotỷ lệ kèo cá cược bóng đá thay thế là tỷ lệ kèo cá cược bóng đá dự đoán các kết quả chưa biết bằng cách khám phá các quy tắc và mẫu từ dữ liệu Trong khi CAE dựa trên vật lý, các tỷ lệ kèo cá cược bóng đá thay thế dựa trên học máy dựa trên số liệu thống kê So với CAE, giải quyết tất cả các hiện tượng bằng cách sử dụng các phương trình vật lý phức tạp, các tỷ lệ kèo cá cược bóng đá thay thế có thể bỏ qua các phép tính trung gian bằng cách rút ra mối quan hệ giữa các điều kiện và kết quả bằng cách sử dụng máy học và có thể rút ngắn đáng kể thời gian cần thiết để đạt được cùng một kết quả

(Nguồn)

Gần đây, chúng tôi bắt đầu nghe thấy nhiều ví dụ về việc máy học được sử dụng bên ngoài ngành sản xuất Ví dụ: trong dự báo doanh số bán hàng, dữ liệu như thời tiết, nhiệt độ và kết quả bán hàng trong quá khứ sẽ được học và các mẫu được rút ra để dự đoán doanh số bán hàng trong tương lai và các tỷ lệ kèo cá cược bóng đá thay thế trong thiết kế có hình ảnh tương tự Khi hình dạng của sản phẩm được cố định, chúng tôi tạo ra một tỷ lệ kèo cá cược bóng đá bằng cách thu thập nhiều dữ liệu từ các thử nghiệm trước đây và mô phỏng CAE, chẳng hạn như `` mức độ thiệt hại sẽ xảy ra khi tác dụng lực '' và dự đoán kết quả khi thay đổi hình dạng sản phẩm hoặc quy trình sản xuất Bằng cách chỉ tính toán các kết quả cho hình dạng thay vì giải các phương trình vật lý, giờ đây chúng tôi có thể giảm đáng kể thời gian cần thiết cho việc dự đoán so với các phép tính CAE truyền thống SCSK đã bán các sản phẩm sử dụng tỷ lệ kèo cá cược bóng đá thay thế trong khoảng 7 đến 8 năm và các công ty tiên tiến bao gồm cả các nhà sản xuất lớn đang sử dụng chúng với số lượng hạn chế cho nghiên cứu và các mục đích khác

―― Lý do gì khiến cho đến nay tỷ lệ kèo cá cược bóng đá thay thế vẫn chưa phổ biến?

Watanabe　Các tỷ lệ kèo cá cược bóng đá thay thế thường sử dụng phương pháp bề mặt đáp ứng, hình dạng và kích thước được chuyển đổi thành các tham số (giá trị số) để phân tích, vì vậy nếu số lượng kích thước hoặc bộ phận thay đổi, tỷ lệ kèo cá cược bóng đá phải được tạo lại Một vấn đề khác là không thể học được những thứ khó diễn đạt bằng số, chẳng hạn như những thay đổi về hình dáng hoặc hình dạng Do những hạn chế về hình dạng tỷ lệ kèo cá cược bóng đá có thể dự đoán được nên phạm vi ứng dụng của các tỷ lệ kèo cá cược bóng đá thay thế thông thường bị hạn chế Một sản phẩm có tên Neural Concept Studio (NCS), tạo ra các tỷ lệ kèo cá cược bóng đá thay thế 3D, hiện đang thu hút sự chú ý như một giải pháp cho những vấn đề này

―― NCS là loại sản phẩm gì?

Sato　NCS là một công cụ sử dụng công nghệ nhận dạng hình ảnh và học sâu để tìm hiểu dữ liệu phân phối và hình dạng 3D như hiện tại, đồng thời đưa ra dự đoán bằng tỷ lệ kèo cá cược bóng đá thay thế 3D Deep Learning là một loại machine learning nhưng nó học bằng cách trích xuất các tính năng một cách tự động nên không cần thiết lập trước các thông số Công nghệ này thường được sử dụng để nhận dạng hình ảnh và nhiều bạn có thể đã thấy các ví dụ về AI tự động tìm hiểu các đặc điểm của chó, mèo, vv từ một số lượng lớn ảnh động vật và xác định chính xác loại động vật Khi xử lý hình ảnh hai chiều chẳng hạn như ảnh chụp, chúng tôi sử dụng công nghệ có tên Mạng thần kinh chuyển đổi (CNN), nhưng NCS sử dụng công nghệ có tên Geodesic CNN để tìm hiểu các hình dạng ba chiều

Do đó, không giống như các tỷ lệ kèo cá cược bóng đá thay thế thông thường, giờ đây có thể áp dụng hình dạng 3D cho hoạt động học tập bằng tỷ lệ kèo cá cược bóng đá AI, bất kể số lượng kích thước hoặc phần được xác định là dữ liệu đào tạo Không cần phải tham số hóa dữ liệu thiết kế và nó có thể được sử dụng cho việc học và dữ liệu phân phối có thể được dự đoán cho các hình dạng ba chiều tự do Ngoài ra, kết quả dự đoán thu được dưới dạng bản đồ phân phối chứ không phải dưới dạng tham số nên rất dễ hiểu khi nhìn qua Do đó, các nhà thiết kế có thể sử dụng NCS để đưa ra dự đoán miễn là họ có dữ liệu hình dạng, giúp có thể thực hiện một cách tiếp cận khác so với trước đây

―― Nó có thể làm được những gì cụ thể?

Watanabe　Bạn cũng có thể tìm hiểu những thứ không nằm trên đường mở rộng của các kích thước hoặc hình dạng đã chỉ định mà khó biểu diễn dưới dạng kích thước, mở rộng phạm vi dự đoán Ví dụ: bạn có thể tạo một tỷ lệ kèo cá cược bóng đá thay thế duy nhất được huấn luyện về hình dạng của các thế hệ ô tô khác nhau và sử dụng cùng một tỷ lệ kèo cá cược bóng đá để xử lý nhiều loại dữ liệu thiết kế Hơn nữa, việc dự đoán chỉ mất vài giây nên bạn có thể cân nhắc nhiều ý tưởng thiết kế hơn

―― Có vẻ như có những trường hợp độ chính xác của dự đoán là một vấn đề với AI, nhưng còn NCS thì sao?

Watanabe　Chắc chắn có những vấn đề như vậy, nhưng ngay từ đầu không cần phải có độ chính xác 100% và điều này cũng tương tự với CAE Cuối cùng, điều này sẽ được xác nhận thông qua các thí nghiệm Tuy nhiên, bằng cách dự đoán với độ chính xác nhất định bằng NCS và thu hẹp các tỷ lệ kèo cá cược bóng đá thiết kế có khả năng xảy ra, chúng ta có thể mong đợi giảm bớt các mô phỏng và thử nghiệm không cần thiết

SatoKhi đưa ra dự đoán, NCS định lượng độ tin cậy của dự đoán từ mức độ tương đồng với dữ liệu huấn luyện Con số này càng cao thì độ chính xác của dự đoán càng cao, vì vậy bạn có thể đánh giá một cách định lượng xem thiết kế nào trong số nhiều thiết kế trông đẹp Sau khi thu hẹp các tùy chọn theo cách này, quy trình sẽ thực hiện mô phỏng bằng CAE

―― Không có nghĩa là CAE sẽ trở nên không cần thiết

Shibukawa　Không phải là chúng tôi sẽ ngừng sử dụng CAE mà là quá trình thiết kế và mô phỏng sẽ thay đổi đáng kể Trước đây, quá trình thiết kế và chạy mô phỏng bằng CAE được lặp đi lặp lại và mỗi vòng lặp mất vài ngày Ngược lại, với NCS, các nhà thiết kế có thể tự thực hiện dự đoán ở một mức độ nhất định và kết quả sẽ có trong vài giây Bạn sẽ có thể thực hiện mô phỏng như một phần của công việc thiết kế của mình và khi bạn đã thu hẹp nó ở một mức độ nhất định, bạn sẽ có thể yêu cầu nó từ người CAE Có những báo cáo về các trường hợp ở nước ngoài mà thời gian thực hiện có thể giảm hơn 90% bằng cách hợp lý hóa và cải thiện chất lượng của giai đoạn thiết kế trước CAE và thử nghiệm (*)

※Tham khảo:

―― Quá trình triển khai sẽ diễn ra như thế nào?

SatoTrước tiên, chúng tôi khuyên bạn nên bắt đầu với PoC bằng cách sử dụng dữ liệu thực tế mà bạn có SCSK sẽ hỗ trợ bạn ước tính và xem xét loại dữ liệu nào và số lượng dữ liệu cần thiết cho chủ đề

―― Chuẩn bị dữ liệu có khó không?

Watanabe　Nhiều khách hàng gặp vấn đề với lượng dữ liệu Tuy nhiên, ngoài kết quả mô phỏng CAE, còn có nhiều loại dữ liệu có thể được sử dụng, chẳng hạn như kết quả thử nghiệm SCSK cũng có thể đề xuất và tư vấn về các công cụ để tự động hóa tính toán CAE dùng làm dữ liệu huấn luyện và phương pháp căn chỉnh dữ liệu

―― Cuối cùng, nếu tóm tắt lại sức hấp dẫn của NCS, bạn sẽ nói gì?

Watanabe　Có những công cụ tương tự khác, nhưng tôi nghĩ điểm mạnh lớn nhất của NCS là nó có thể xử lý nhiều loại mô phỏng khác nhau, chẳng hạn như phân tích chất lỏng, phân tích trường điện từ, phân tích cấu trúc và mô phỏng quy trình chỉ bằng một công cụ

ShibukawaNói cách khác, các mô phỏng toàn công ty có thể được tích hợp vào NCS Ở CAE có những người phụ trách riêng từng lĩnh vực nhưng ở NCS, một người có thể phụ trách tạo tỷ lệ kèo cá cược bóng đá cho tất cả các lĩnh vực phân tích Sử dụng tỷ lệ kèo cá cược bóng đá đó, các nhà thiết kế có thể dễ dàng có được những dự đoán tương đương với mô phỏng Tất nhiên, việc tạo ra một tỷ lệ kèo cá cược bóng đá đòi hỏi phải có kiến ​​thức chuyên môn, nhưng với NCS thì rào cản khá thấp Khi việc đảm bảo nguồn nhân lực ngày càng khó khăn hơn, tôi tin rằng việc có thể hợp nhất các mô phỏng giữa các lĩnh vực và phòng ban bằng cách sử dụng một công cụ hiệu quả sẽ dẫn đến các hình thức tổ chức mới