Monolith AI软件的重大更新推荐验证测试计划

Monolith是世界领先工程团队的人工智能（AI）软件提供商，发布了一个名为Next Test Recommender（NTR）的重大产品更新。这项新技术现在在为工程领域专家构建的无代码AI平台中以测试版形式提供，为汽车，航空航天和工业应用中难以建模的非线性产品开发期间运行的验证测试提供了积极的建议。

随着这些行业中复杂产品的物理特性变得越来越难以理解，工程师发现自己陷入了两难境地，要么进行过多的测试以涵盖所有可能的操作条件，要么运行不足的测试，冒着遗漏关键性能参数的风险。NTR 由公司专有的主动学习技术提供支持，旨在通过向测试工程师提供按排序顺序的最具影响力的新测试的积极建议来优化这种权衡，以最大限度地提高覆盖范围并优化时间和成本。

“在我们的整个开发过程中，我们与客户合作，了解他们将如何使用人工智能推荐系统作为其测试工作流程的一部分。我们想了解为什么他们还没有采用这些工具，尽管人工智能具有众所周知的潜力，可以更快地探索高维设计空间，“Monolith首席执行官兼创始人Richard Ahlfeld博士说。“我们发现现有的工具不能满足他们的安全需求，并且不允许测试工程师将他们的领域专业知识纳入测试计划或影响AI推荐器。

“我们的研发团队几个月来一直在研究这种强大的主动学习技术，为Next Test Recommender提供支持，我们对早期的结果和反馈感到满意，随着技术的成熟，预计会有更好的结果，”Ahlfeld博士补充道。

NTR适用于工程师试图安全地探索设计空间的任何复杂系统，例如赛车的航空图分析或飞机的飞行安全包络，工程师试图找到阵风或特征频率导致问题的位置。另一个不断增长的领域是动力总成开发，例如电池或燃料电池冷却系统校准。在后一个用例中，一位工程师试图配置风扇以为所有驾驶条件提供最佳冷却，为这个高度复杂、棘手的应用制定了测试计划，其中包括运行一系列 129 次测试。将此测试计划插入 NTR 时，它会返回应首先执行哪些测试的排名列表。如图 129 所示，在 1 次测试中，NTR 建议最后一次测试 - 第 129 次 - 实际上应该是前 5 次运行之一，并且 60 次测试足以表征风扇的全部性能，测试减少了 53%。

虽然可用的开源AI方法不允许工程师影响测试计划，但NTR的一个关键独特方面是它允许对选定的实验进行人工在环检查，授予领域专家用户对系统的监督，将他们的专业知识和领域知识与机器学习的力量相结合，而无需任何AI或编码知识。

最近由Monolith委托Forrester Consulting进行的一项研究发现，71%的工程领导者需要找到加快产品开发以保持竞争力的方法，大多数人（67%）也感到采用AI的压力。值得注意的是，那些拥有这些的人更有可能为雇主实现更高的收入、盈利能力和竞争力。

通过在产品开发的验证和确认过程中利用人工智能和机器学习，特别是对于具有棘手物理的高度复杂的产品，工程师可以提取有价值的见解，优化设计并准确识别关键性能参数。其结果是提高了运营效率并简化了测试程序，最终加快了上市时间并增强了竞争力。

面向工程领域专家的无代码软件

Monolith 是一个无代码 AI 软件平台，专为领域专家构建，利用机器学习的强大功能及其现有的有价值的测试数据集来加速产品开发。自学模型从测试数据中分析和学习，以了解测试条件的影响并提前预测新测试的结果。获得主动地下一个测试建议的能力将进一步使工程团队能够减少昂贵、耗时的原型测试计划，并在一半的时间内开发更高质量的产品。

*根据现有测试计划效率，性能结果范围为 30-60%。