Thông tin diễn giả: Sudhir Padaki I Global Director BFSI I Altair

Anthony McLoughlin I VP, Sales Data Analytics & AI I Aerospace, Altair

Thông tin diễn giả:

Dr. Ingo Mierswa I Senior Vice President, Product Development I Altair

Nội dung: 

Các Kỹ sư là những nhà Khoa học dữ liệu lý tưởng. Môi trường công nghiệp sản xuất là nơi tập hợp nhiều loại dữ liệu có giá trị, nơi trích xuất và lưu trữ những thông tin cần thiết. Trong session này, chúng ta sẽ tìm hiểu về những xung đột trong kỹ thuật, cách tổ chức gây chậm hoạt động phân tích của AI, cách tận dụng những kỹ năng chuyên môn để giải quyết và loại bỏ những vấn đề đó. Ngoài ra, bạn có thể tìm hiểu sâu hơn về cách phá vỡ các silo dữ liệu và tối đa hóa giá trị thông tin được chụp từ cảm biến, nhật ký máy, hồ sơ sản xuất.

Thông tin diễn giả: 

Michael Larner I Research Director I ABI Research

Nội dung:

Đội ngũ thiết kế, kỹ sư, kỹ thuật viên tại khâu sản xuất sản phẩm cần đáp ứng được nhiều tiêu chí và phải đưa sản phẩm ra thị trường trước đối thủ cạnh tranh. Trong khi đó việc phân tích quy trình và đánh giá hiệu suất sản phẩm không chỉ cần chuyên môn của các nhà khoa học dữ liệu mà còn cần kiến thức từ các nhóm kỹ thuật. Siloes cũng không còn quá quan trọng như trước.

Session này sẽ nói về những thách thức mà các công ty sản xuất đang phải đối mặt và các giải pháp công nghệ Altair cho phép các bên liên quan sử dụng AI để cải thiện hiệu suất công việc của họ.

Tham gia hỏi đáp cùng Diễn giả Michael Larner

Thông tin diễn giả:

Ralf Klinkenberg I Sr. Director-Data Science Research Analytics & IoT Development I Altair

Thông tin diễn giả:

•  Anthony McLoughlin I VP, Sales Data Analytics & AI, Aerospace I Altair

• Naresh R. Jasotani I AI/ML Innovations Lead-Automotives, US I Google Cloud

• Dr. Ingo Mierswa I Senior Vice President, Product Development I Altair

• Mark Do Couto I Senior Vice President, Data Analytics I Altair

• Mahshid Shirani I Data Science Manager I Altair

Kỹ sư CAE thường có quá nhiều dữ liệu mà không thể lưu trữ hết. Khác với ngành bán lẻ, tài chính hay lĩnh vực học máy và trí tuệ nhân tạo, có một vài lý do khiến chúng ta có phần chậm hơn, đó là về ML/AI. Chúng ta đều làm việc với các dữ liệu hình học 3D mà dữ liệu này rất khó được chuyển đổi sang dạng ML và chúng ta thường xuyên phải dự đoán trong lĩnh vực vật lý, đôi khi chúng ta phải phát triển mẫu thiết kế mới, thì mới có thể kết hợp với công cụ dự đoán để tìm được phương án tối ưu. Nếu như trong quy trình đó không có ML, chúng ta sẽ phải đối mặt với thách thức cực kỳ lớn.

Công cụ ShapeAI (công cụ dự đoán hình học) và PhysicsAI (công cụ dự đoán vật lý) của Altair chính là một phần của Hyperworks, giúp các kỹ sư tăng tốc khả năng lập mô hình mô phỏng CAE và khám phá thiết kế. Tại đây, bạn có thể quan sát chi tiết hơn, học hỏi cách họ thay đổi hiệu suất làm việc.

Thông tin diễn giả: 

• Dr. Fatma Kocer I VP, Engineering Data Science I Altair

• Dr. Jonathan Ollar I Product Manager, EDS Products I Altair

Nội dung:

Tăng tốc quá trình thiết kế bằng công nghệ Geometric Deep Learning hiện đại, thiết kế trực tiếp trong môi trường lập mô hình. PhysicsAl khai thác tiềm năng của dữ liệu CAE bằng cách nắm bắt mối liên hệ giữa các dạng hình học, đường viền, cho phép bạn thực hiện các bước thiết kế lặp lại nhanh chóng. Khác với cách học máy truyền thống, PhysicsAl học trực tiếp từ hình học mà không cần tham số hóa, nghĩa là nó có thể học hỏi từ bất kì mô phỏng nào trước đó mà không cần thiết kế thử nghiệm. 

Đây là phần giới thiệu về PhysicsAl trong HyperMesh, với các tính năng mới nhất sắp được phát hành. 

Thông tin diễn giả: 

Doodong Kim I CFD Engineer I LG Electronics

Nội dung: 

Học máy không chỉ được áp dụng trong kỹ thuật máy tính mà còn được áp dụng trên lĩnh vực CAD/CAE. Thông thường, việc định hướng thiết kế trong những giai đoạn đầu sẽ dựa vào kinh nghiệm của các kỹ sư cơ khí, nhưng ngày nay chỉ cần dựa trên dữ liệu, người ta có thể dự đoán hiệu suất với độ tin cậy cao.

Session này sẽ mô tả quá trình phát triển thuật toán, bằng cách thu thập dữ liệu theo chuỗi thời gian, chia sản phẩm thành dự đoán hiệu suất cấu trúc và các giai đoạn phát triển. Học máy yêu cầu một lượng dữ liệu lớn trong khi đó CAE cũng yêu cầu rất nhiều dữ liệu. Để khắc phục điều này, dữ liệu CAE của các dự án cũ đã được học lại với mục đích sử dụng trong thiết kế tốt hơn.

Thông tin diễn giả: 

• Chandrakant Deshmukh I Head-Methods Development I Mahindra Auto Division, ATPD

• Sridhar Lingan I Senior Principal Engineer I Mahindra and Mahindra

Nội dung: 

Trí tuệ nhân tạo và học máy đang dần mở ra một con đường mới trong tất cả các lĩnh vực công nghệ, giúp chúng ta giảm thời gian, chi phí phát triển sản phẩm, mang đến những giải pháp mới vượt trội hơn mà các phương pháp truyền thống không thể thực hiện được. Trong ngành công nghiệp ô tô, thiết kế mô phỏng cũng đã tác động đến quá trình phát triển sản phẩm bằng cách tận dụng các công nghệ mới trong giai đoạn đầu. Kế đó, việc tích hợp học máy và AI, tải trước các mô phỏng CAE đang là xu hướng mới của các nhóm mô phỏng. Một số trường hợp khác liên quan đến thuật toán học máy cũng cho thấy những kết quả khả quan, nhấn mạnh cho khả năng tính toán phức tạp có thể nhanh chóng được giải quyết bởi mô hình dữ liệu trong tương lai.

Hiện tại, công nghệ này vẫn còn sơ khai mặc dù lĩnh vực mô phỏng đã có bước tiến triển mạnh mẽ, nhờ khả năng giảm số lần thiết kế lặp lại. Đây sẽ là nền tảng giảm bớt áp lực cho phần cứng khi nhu cầu tính toán phức tạp đang ngày càng tăng.

Kỷ nguyên của Digital Twin đã bắt đầu. Mặc dù không còn mới, nhưng tốc độ phát triển của nó tại các khu vực và các ngành công nghiệp vẫn rất đáng kinh ngạc. Doanh nghiệp và các tập đoàn đang gấp rút áp dụng Digital Twin cho nhiều ứng dụng và mục đích khác nhau. Nhìn chung, Digital Twin sẽ còn phát triển mạnh hơn nữa trong tương lai.

Digital Twin đóng một vai trò then chốt trong Doanh nghiệp, từ tối ưu hóa sản xuất đến giám sát hoạt động cung ứng. Tuy nhiên, thách thức lớn nhất chính là làm sao để các thành phần chính của Digital Twin ( bao gồm Dữ liệu, AI, Physics, IoT & Cơ sở hạ tầng) và các phòng ban có liên quan trong cùng 1 tổ chức kết hợp với nhau một cách hài hòa, tạo nên sự vận hành nhất quán.

Track này sẽ giúp bạn tập trung vào việc kết hợp Con người, Quy trình & Công nghệ để tạo nên một môi trường "không có ma sát" trong vận hành Digital Twin. Chúng ta sẽ cùng nhau khám phá đa dạng các ngành công nghệ và lắng nghe những chia sẻ của các chuyên gia hàng đầu trong ngành, những người thành công trong việc ứng dụng Digital Twin vào tổ chức. 

Thông tin Diễn giả: 

Livio Mariano I Director-Global Business Development, Simulation Data & Digital Twin I Altair

Nội dung:

Khi chúng ta nói về sự phát triển của Digital, sản xuất thông minh, công nghệ 4.0, hay Internet-of-Things (IoT), chúng ta nghĩ ngay đến dữ liệu. Nhưng cho dù là Mô phỏng hay cảm biến thì thách thức mà chúng ta đối mặt không phải là dữ liệu hiện có, mà là cách chúng ta biến dữ liệu trở nên hiệu quả. Vấn đề này thường xuyên xảy ra đối với các công ty lớn và lượng dữ liệu của họ khổng lồ. 

Thông thường, có 03 bước chính để xử lý dữ liệu: Chuẩn bị, Xử lý, và trực quan hóa dữ liệu. Giai đoạn xử lý dữ liệu thường cần có sự can thiệp của AI và những phương trình truyền thống để giải quyết dữ liệu một cách thông minh hơn. Trong giai đoạn này, dữ liệu chuẩn bị trước đó sẽ được xử lý thông qua nhiều thuật toán khác nhau để có thể sử dụng cho nhiều mục đích như: Mô tả, chẩn đoán, dự đoán hoặc chỉ định.

Hiện nay, bên cạnh việc đẩy mạnh phát triển công nghệ, Altair còn đóng vai trò là một đối tác hỗ trợ các Doanh nghiệp trong việc chuyển đổi số.

Thông tin Diễn giả:

Dr. Andrew Hobbs I Head of Simulation and Modeling I ASTEC

Nội dung:

Hiệu quả trộn trong sản phẩm nhựa đường tái chế (RAP) là một phần quan trọng trong quá trình làm cho nhựa đường hỗn hợp nóng trở nên bền vững hơn, nhưng hiệu quả của phương pháp truyền thống lại phụ thuộc nhiều vào quá trình tạo mẫu thử và hoàn thiện bản lỗi nhiều lần, làm tốn thời gian và chi phí, do đó việc tối ưu hóa bằng cách mô phỏng là một lợi thế đáng kể. Session này sẽ chứng minh một phương pháp hiệu quả để tối ưu hóa thiết kế ảo kết hợp mô phỏng dựa trên vật lý có độ chính xác cao, Máy tính hiệu năng cao (HPC), học máy và tối ưu hóa để nhanh chóng xác định thiết kế tối ưu toàn diện.

Phương pháp này bao gồm tham số hóa hình học, tự động tạo và chạy các mô phỏng theo Phương pháp phần tử rời rạc (DEM) cho một mẫu gần như ngẫu nhiên được phân phối tốt của không gian tham số hình học trên nền tảng điện toán đám mây và khớp bề mặt, sử dụng máy học để đưa ra kết quả chính xác. Sau đó, Thuật toán di truyền đa mục tiêu (MOGA) được sử dụng để ước tính nhanh bộ tham số tối ưu hoàn chỉnh, từ bề mặt phản hồi được trang bị sẵn. Thuật toán MOGA chứng minh khả năng trộn tương tự với ít cánh khuấy hơn, mô-men xoắn thấp hơn và lưu lượng lớn hơn đại diện cho một thiết kế vượt trội.

"Dân chủ hóa" và "AI" là cụm từ được nhắc đến rất nhiều trong thời gian gần đây. Sức mạnh này sẽ phát huy tốt khi nó được áp dụng rộng rãi cho toàn bộ tổ chức. Nói cách khác, việc "dân chủ hóa" công nghệ sẽ là một yếu tố quan trọng để mang lại ROI cho Doanh nghiệp.

Thông tin Diễn giả: 

Josef Kimberger I Head of Supply Chain Management (SCM) Data Management and Digitization I Bitburger Braugruppe

Nội dung:

Để "dân chủ hóa" AI trong các hoạt động công nghiệp, Kỹ sư nhà máy và các nhà sản xuất bia cũng cần được trao quyền Phân tích dữ liệu và sử dụng học máy! Buổi trò chuyện về chủ đề này sẽ nêu bật cho bạn những ví dụ để tối ưu hóa quy trình sử dụng nguyên liệu thô, nguyên liệu có sẵn một cách hiệu quả hơn, giảm chi phí và tác động đến môi trường khi đưa vào hoạt động sản xuất.

Cùng khám phá ứng dụng ML dự báo nhu cầu năng lượng và hạn chế mức tiêu thụ năng lượng tổng thể cũng được cho là một giải pháp hiệu quả!