宝马集团(BMW Group)的工程师正在使用Monolith人工智能软件进行设计以及测试开始之前预测车辆性能

产品开发比以往任何时候都更加数字化，这为部署高级人工智能 (AI) 软件带来了机会。Forrester最近的一项调查发现，超过三分之二 (67%) 的工程决策者感到需要将人工智能应用到他们的工程工作流程中，以避免失去竞争优势。这是因为AI工具提供了大量的好处，可以加快产品开发速度并提供更高质量的解决方案。它们加快了耗时的验证阶段，并支持同时训练多个自学AI模型——当输入更多数据并由工程师适当地置于上下文中时，这些模型会得到改进并变得更有价值。

然而，识别正确的数据，以及如何在工程工作流程中最好地应用它，可能会耗费大量时间。事实上，数据科学家（其中许多人不是工程领域专家）不了解测试程序，无法有效地针对 AI 可以利用的现有数据集，从而导致不必要的时间和资源投资。

这意味着组织需要加强其数据管理系统以识别有用数据、相关测试或工程环境，或者为其产品开发团队配备正确的工具以有效地使用数据、环境和 AI 软件本身。只有这样，人工智能改进产品开发的能力才能真正提高整个工程工作流程的效率，从而有效促进更好的产品创新。

使挑战更加复杂的是，研究表明，虽然高层领导了解人工智能的潜力，但他们的工程团队中只有极小部分正在使用机器学习对历史甚至当前的测试数据进行根本原因分析。事实上，2000年代基于现代物理学的模拟方法或经过验证的硬件测试程序仍在整个研发过程中使用。即使组织制定了数据策略，工程师仍然很难从这些遗留系统中正确识别出工程师可以在不中断现有工作流程的情况下利用这些历史数据。人工智能在帮助汽车企业预测趋势和达成有意义的解决方案方面具有巨大潜力。

最终，数据及其正确的产品/测试相关上下文对于充分发挥人工智能增强产品开发的潜力至关重要。人工智能模型的准确性不仅取决于数据的数量，还取决于数据的质量。因此，产品制造商需要投入时间和精力来了解他们拥有的数据，考虑他们希望通过AI解决的问题的复杂性，以及他们需要获取的过程中的数据点数量。像AI这样的高级工具并不是要取代传统的工程程序，而是要利用有价值的现有数据来增强工程和测试过程，并确保在更短的时间内获得准确、可靠的结果。

人工智能在帮助汽车企业预测趋势和达成有意义的解决方案方面具有巨大的潜力。因此，为工程师提供触手可及的方式来了解他们的数据，如何最好地将其应用到现有工作流程中，以及如何有效地将其输入AI模型，可以开辟一条更快的创新途径，并为组织带来竞争优势。

没有人比工程师自己更了解工程专业知识和相关数据的价值，但人工智能可以释放数据对企业的真正价值。