Building real-time digital twin instances with Function+Data Flow: user evaluation and extension for iterative pipelines
Diese Arbeit präsentiert eine empirische Nutzerstudie, die zeigt, dass die Function+Data Flow (FDF)-Visualisierungssprache und deren Implementierung im DesCartes Builder die Zugänglichkeit und Zuverlässigkeit der KI-basierten Digital-Twin-Entwicklung für Domänenexperten effektiv verbessern und gleichzeitig den Vorschlag einer hierarchischen Erweiterung (H-FDF) zur Unterstützung komplexerer, iterativer Pipelines motivieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der modernen Welt verlassen sich Ingenieure und Wissenschaftler oft auf „digitale Zwillinge“. Dabei handelt es sich nicht um physische Kopien, sondern um hochentwickelte Softwaremodelle, die ein reales Objekt, wie etwa eine Brücke, ein Strahltriebwerk oder ein Stromnetz, widerspiegeln. Das Ziel besteht darin, eine virtuelle Version zu erschaffen, die lernt und sich parallel zum physischen Objekt verändert, um Experten zu ermöglichen, Ausfälle vorherzusagen oder die Leistung zu optimieren, bevor ein Problem überhaupt entsteht. Um diese Modelle zu bauen, beginnen Forscher oft mit hochdetaillierten Computersimulationen, die unglaublich genau, aber quälend langsam in der Ausführung sind. Um diese Modelle in Echtzeit nutzbar zu machen, müssen sie mithilfe von maschinellem Lernen vereinfacht werden – einem Zweig der künstlichen Intelligenz, der Muster in Daten findet. Die Verbindung dieser komplexen Schritte – das Umwandeln langsamer Simulationen in schnelle, lernende Modelle – war jedoch traditionell ein unordentlicher, manueller Prozess. Er erfordert tiefgreifende Programmierkenntnisse und führt oft zu fragilen Systemen, die schwer zu reparieren oder zu verbessern sind.
Ein Forscherteam der Nanyang Technological University in Singapur und des CNRS in Frankreich setzte sich zum Ziel, dieses ingenieurtechnische Problem zu lösen. Sie entwickelten eine neue visuelle Sprache namens Function+Data Flow, oder FDF, die darauf ausgelegt ist, Experten das Bauen dieser komplexen Machine-Learning-Pipelines durch Drag-and-Drop von Blöcken auf einem Bildschirm zu ermöglichen, anstatt Codezeilen schreiben zu müssen. Sie entwickelten ein Werkzeug namens DesCartes Builder, um diese Idee in die Praxis umzusetzen. Um zu prüfen, ob dieser Ansatz tatsächlich funktionierte, luden sie zwanzig fünf Forscher und Studenten zu einem Workshop ein. Diese Teilnehmer wurden gebeten, einen Echtzeit-Digital-Twin-Prototypen zu erstellen, der vorhersagen kann, wie stark sich ein Material unter Belastung dehnt und verformt – eine Aufgabe, die für die strukturelle Sicherheit entscheidend ist. Die Teilnehmer nutzten das neue Werkzeug, um die notwendigen Schritte zusammenzustellen: das Aufnehmen von Rohdaten, das Vereinfachen, das Trainieren eines Modells für maschinelles Lernen und das Testen der Ergebnisse.
Die Ergebnisse dieses Experiments waren ermutigend. Die Teilnehmer fanden das Werkzeug überraschend einfach zu bedienen, obwohl es sich noch in einem frühen Entwicklungsstadium befand. Auf einer Standardskala, die zur Messung der Benutzerfreundlichkeit von Software verwendet wird, schnitt das Werkzeug deutlich über der Schwelle für „inakzeptabel“ ab, mit einem Medianwert von 72,5 von 100 Punkten. Dies deutet darauf hin, dass der visuelle Ansatz den Einstieg erfolgreich erleichterte und es den Fachexperten ermöglichte, sich auf das ingenieurtechnische Problem zu konzentrieren, anstatt auf die Details der Programmierung. Die Studie zeigte auch, dass das Werkzeug besonders effektiv für Personen mit technischem Hintergrund war, während diejenigen, die weniger mit den spezifischen Konzepten vertraut waren, mit einer steileren Lernkurve konfrontiert waren. Die Forscher merkten an, dass die visuelle Natur des Werkzeugs deutlich machte, wie die Daten durch das System fließen, und die Teilnehmer schätzten die Möglichkeit, verschiedene Algorithmen des maschinellen Lernens mit einem einzigen Klick auszutauschen – eine Aufgabe, die normalerweise das Umschreiben großer Teile des Codes erfordern würde.
Dennoch hob die Studie auch hervor, wo das System noch wachsen muss. Einige Nutzer empfanden das Werkzeug als zu wenig mit integrierter Anleitung ausgestattet, wie etwa Pop-up-Hinweisen oder Tutorials, die helfen könnten, den Zweck jedes Blocks zu verstehen. Andere fanden die Fehlermeldungen verwirrend, wenn etwas schiefging, und wünschten sich klarere Erklärungen darüber, was die Ursache für einen Fehler war. Um diese Einschränkungen und den Bedarf an komplexeren Arbeitsabläufen zu adressen, schlugen die Forscher eine Erweiterung ihres Systems namens H-FDF vor. Diese neue Version führt eine Möglichkeit ein, Schleifen innerhalb des Designs zu erstellen, wodurch das System einen Prozess wiederholen kann, bis ein bestimmtes Ziel erreicht ist, wie etwa die Genauigkeit eines Modells. Dies ist ein bedeutender Schritt nach vorn, da es ermöglicht, fortgeschrittene Techniken anzuwenden, wie etwa das gleichzeitige Training zweier Modelle, die sich gegenseitig verbessern, ohne dass das gesamte Design chaotisch wird.
Die Forscher verglichen ihren neuen Ansatz mit bestehenden Werkzeugen, die in der Industrie eingesetzt werden, wie etwa KNIME, einer populären Plattform für die Datenanalyse. Sie stellten fest, dass diese Werkzeuge zwar Schleifen handhaben können, dabei jedoch oft den Datenfluss mit dem Kontrollfluss vermischen, was die Diagramme unübersichtlich und schwer modifizierbar macht. Im Gegensatz dazu hält der neue H-FDF-Ansatz den Datenfluss und die Logik der Schleifen getrennt und klar definiert, was es einfacher macht, das Verhalten des Systems zu ändern. Durch das Testen eines komplexen Szenarios, bei dem zwei Modelle gleichzeitig trainiert wurden, um ein dynamisches System zu erlernen, zeigten die Forscher, dass ihre neue Methode solch komplizierte Aufgaben sauberer bewältigen kann. Die Studie kommt zu dem Schluss, dass das aktuelle Werkzeug ein vielversprechender Anfang ist, die Umwandlung des Digital-Twin-Engineerings in eine disziplinierte, zugängliche Praxis jedoch eine kontinuierliche Verfeinerung, bessere Dokumentation und die vollständige Implementierung dieser neuen Schleifenfunktionen erfordern wird. Die Arbeit legt nahe, dass mit den richtigen visuellen Werkzeugen die komplexe Kunst des Bauens digitaler Zwillinge zu einer zuverlässigeren und zugänglicheren Disziplin für die Experten werden kann, die sie am dringendsten benötigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.