A BMW Group, em colaboração com a Mistral AI, está desenvolvendo aplicações de IA dedicadas ao desenvolvimento de veículos. O primeiro passo envolve o uso de IA para simular impactos de veículos contra obstáculos (testes de colisão). As duas empresas planejam, então, explorar outras áreas de aplicação.
Este trabalho se baseia nos dados da BMW, que são usados para treinar os modelos de IA. “Para o BMW Group, usar dados industriais é essencial para transformar a inteligência artificial em valor agregado”, enfatiza Franz Decker, CIO e Vice-Presidente Sênior do BMW Group. “Ao combinar nossos conjuntos de dados de engenharia com os recursos de treinamento da Mistral AI, estamos desenvolvendo IA especializada que lida com tarefas complexas de desenvolvimento.”
A equipe LIM (Learning Information Modeling) da Mistral BMW
A prioridade, portanto, é uma abordagem de desenvolvimento de modelos e aplicações de IA personalizados, sendo os testes de colisão um exemplo. A fabricante realiza milhares de simulações por semana, gerando um conjunto de dados de mais de um petabyte. Este conjunto de dados contém informações detalhadas sobre a estrutura do veículo e o comportamento dos materiais sob impacto. Esses dados servem, então, como base para o treinamento de um modelo de IA.
Para aumentar a escalabilidade, o Grupo BMW utiliza Modelos Industriais de Grande Porte (LIMs). Estes são treinados com dados de engenharia e simulação específicos da indústria, provenientes do desenvolvimento de veículos e testes de segurança. Ao contrário dos sistemas de IA generativa, os LIMs integram diretamente o conhecimento do domínio ao modelo. Isso requer não apenas dados industriais, mas também expertise e ambientes técnicos adequados, permitindo que os sistemas de IA aprendam diretamente com os processos de desenvolvimento de produtos.
A IA física otimiza sistemas, não peças.
De acordo com uma publicação no blog da Mistral AI, empresas de diversos setores podem, assim, reduzir seus processos de desenvolvimento e tomada de decisão de vários dias para apenas alguns segundos, graças a processos assistidos por IA e aos chamados modelos de IA física. Com base em dados, esses modelos aprendem com os resultados de programas de simulação no mundo real e podem prever comportamentos diretamente a partir de geometrias ou dados de medição.
Segundo Mistral, a IA física não deve ser confundida com a linguagem de modelos de grande porte (LLM). As arquiteturas, os objetivos de treinamento e os métodos de avaliação utilizados diferem fundamentalmente. Além disso, essa abordagem também se distancia significativamente das soluções de regressão baseadas em IA, que são projetadas para otimizar a geometria de uma peça individual. A essência da IA física reside na generalização por meio da integração de diferentes geometrias e parâmetros. Assim, um único modelo de IA física pode abranger um produto inteiro ou uma família de projetos, evitando a necessidade de criar um modelo separado para cada componente.
Na engenharia automotiva, os modelos de IA física são particularmente adequados para o desenvolvimento de componentes de gerenciamento térmico para baterias ou para a otimização da aerodinâmica. Na engenharia mecânica e em plantas industriais, suas aplicações incluem o projeto de trocadores de calor, motores elétricos e compressores, bem como o desenvolvimento de turbinas eólicas e a gás.
