Europe 
Türkiye 
United Kingdom 
Global 
Login con il mio account Xometry 
Il CEO e co-fondatore di Bench, Martin Bielicki, told us why hardware engineering is the next frontier for AI, what it takes to automate geometry preparation and CAD reconstruction, and why context beats raw model capability.
Il tempo impiegato a fare è tempo sottratto al pensare
Qual è il problema dei flussi di lavoro ingegneristici oggi?
La progettazione hardware è ricca di flussi di lavoro estremamente manuali. Spesso gli ingegneri sanno cosa fare, ma passano la maggior parte del tempo a eseguire i compiti, anziché pensare alle soluzioni. Questa è esecuzione, non Ricerca, Sviluppo e innovazione, che è il motivo per cui dovrebbero essere pagati.
In passato lo sviluppo software presentava criticità simili, ma l’intelligenza artificiale ha cambiato le regole del gioco. Lo sviluppo hardware dovrà seguire questa strada.
Quali sono le conseguenze?
La prima conseguenza evidente è lo spreco di tempo degli ingegneri.
Ma gli effetti secondari sono ancora più gravi. Se il team di simulazione impiega il 50% del proprio tempo nella preparazione della geometria, non ha spazio per eseguire ulteriori iterazioniю Questo si traduce in un time-to-market più lento e in design di prodotto non ottimali.
I leader dell’ingegneria stanno iniziando a considerare questo aspetto come un problema vitale per le aziende. Non tutti, ma la tendenza è questa. La sensazione generale è che l’adozione dell’intelligenza artificiale sia necessaria per non rimanere indietro.
A volte, il fatto che un processo sia manuale significa che è impossibile da realizzare. Potrebbe essere necessario convertire una mesh STL in un modello CAD parametrico. L’ingegnere dovrebbe ricreare l’intero modello in CAD da zero. I vantaggi sarebbero enormi, ma di fatto è irrealizzabile, quindi il lavoro semplicemente non viene eseguito.
Ha vissuto il problema in prima persona?
Sì, sono un ingegnere meccanico. All’università ho fondato un team chiamato Hyperlink che ha costruito il primo pod Hyperloop di Londra. Ho guidato circa cento ingegneri divisi in nove team (strutture, aerodinamica, elettronica, software). Anche in ambito accademico era evidente quanto i processi fossero manuali, soggetti a colli di bottiglia e difficili da automatizzare.
Parliamo del periodo tra il 2020 e il 2022, quindi, aspetto fondamentale, prima degli LLM (Large Language Models). Quando gli LLM sono entrati in gioco, ho subito pensato di applicarli al mio settore. La visione di base è sempre stata quella di un ingegnere meccanico IA. Lo chiamavamo “Cursor per l’hardware”. Ora lo definirei più un “Claude Code per l’hardware”. I nomi cambiano, ma l’obiettivo rimane lo stesso.
Una piattaforma per controllare e automatizzare gli strumenti di ingegneria
Cosa fa Bench?
Stiamo sviluppando quello che definiamo un Engineering Execution System (EES). Non rientra perfettamente nelle tradizionali categorie CAD, CAE o PLM. È un software indipendente che si sovrappone agli strumenti esistenti, si connette a questi ed esegue attività in modo autonomo trasversalmente tra di essi.
Nella programmazione, l’agente virtuale opera all’interno dell’IDE e tutto si svolge lì. Nell’ingegneria, si ha a che fare con CAD, simulazioni, documentazione, PLM e requisiti, tutti gestiti con strumenti diversi. È necessario superare i confini tra questi applicativi per avere il contesto necessario a completare le attività end-to-end. Ed è proprio questo che fa Bench.
Il vostro sito web menziona la preparazione della geometria per la simulazione, l’ottimizzazione autonoma e la conversione da STL a CAD parametrico. Può spiegarci questi aspetti in dettaglio?
Stiamo partendo dal defeaturing per la simulazione e dalla conversione da STL a CAD. Dal punto di vista tecnico, queste due funzioni presentano molte analogie.
La preparazione della geometria è il principale collo di bottiglia per i team di simulazione. I team di simulazione delle grandi aziende con cui abbiamo parlato dedicano fino al 70% del proprio tempo alla pulizia della geometria. Esistono strumenti come ANSA che svolgono il 90% del lavoro, ma il restante 10% richiede due giorni di sforzo manuale. Per un modello di motore complesso, parliamo di 30 ore di defeaturing. Questi sono dati reali provenienti da team di ingegneria di grandi aziende.
La conversione da STL a CAD parametrico è l’altro punto di partenza. Possiamo passare da un file STEP a un file CAD nativo completamente parametrico in Onshape, dotato di schizzi e parametri completamente vincolati. Un modello che richiederebbe quattro ore di lavoro a un ingegnere, noi lo realizziamo in 15 o 20 minuti. Una volta completata del tutto la pipeline da STL a STEP, sarà possibile passare direttamente dal formato STL al CAD parametrico nel proprio strumento preferito.
Quali sono quindi i punti in comune tra le due funzioni?
Il nostro approccio al defeaturing differisce da quello tradizionale. Solitamente si converte il modello in mesh e si effettua il defeaturing direttamente in quell’ambiente, poiché risulta più semplice per l’utente umano. Noi utilizziamo invece la nostra funzione di conversione da STL a CAD parametrico per parametrizzare prima il modello ed effettuare il defeaturing in un secondo momento direttamente sul modello parametrico. Per gli agenti virtuali è molto più facile operare su un CAD parametrizzato rispetto alle mesh. I due casi d’uso si basano quindi sulla medesima tecnologia di fondo.
Il caso d’uso dell’ottimizzazione autonoma si basa su entrambi. In questo contesto serve sia l’intelligenza CAD sia la capacità di considerare i risultati della simulazione, lavorando contemporaneamente su due strumenti. Per il momento si tratta di una visione più orientata al futuro.
Affermate che la vostra IA non produce allucinazioni. Come ci riuscite?
Questo è il nucleo della nostra tecnologia. Abbiamo sviluppato una nuova rappresentazione per l’ingegneria chiamata PRISM, che riunisce tutto il contesto ingegneristico in un unico ambiente, includendo i dati CAD, le simulazioni e le informazioni relative alle intenzioni progettuali.
Mettiamola così. Il file CAD non sa perché il componente è stato progettato in quel modo. L’ingegnere sì. Forse una simulazione ha dimostrato che una parete non può avere uno spessore inferiore a 5 mm. Oppure l’ingegnere ha imparato anni prima che modellare un pezzo in un determinato modo lo rende più facile da produrre. Quel contesto ha guidato la progettazione, ma non si riflette nel file CAD.
Riteniamo che un modello leggermente meno potente, ma dotato del giusto contesto, supererà di gran lunga le prestazioni di un modello molto più avanzato che ne è privo. Quindi, la prima fase di utilizzo di Bench è la condivisione del contesto. L’ingegnere indica a Bench gli elementi fondamentali: parametri chiave, vincoli, intenzioni progettuali. Se il contesto è incompleto, Bench pone delle domande per approfondire. Questo passaggio potrebbe richiedere da 10 a 20 minuti, ma se si sta automatizzando un processo che manualmente richiederebbe 10 ore, il vantaggio è comunque enorme.
La seconda fase consiste nell’ancorare tutto a strumenti matematici. La conversione da STL a CAD richiede moltissimi calcoli precisi. Uniamo il ragionamento semantico degli LLM con algoritmi deterministici che vincolano il risultato alla precisione matematica. Gli agenti hanno a disposizione un ambiente di lavoro in cui muoversi e la matematica stabilisce i limiti da rispettare.
I settori in continua iterazione
Quali aziende ne traggono i maggiori vantaggi?
Le grandi aziende. Quando ci si concentra su casi d’uso specifici, le piccole imprese non sono particolarmente interessate. Se si lavora con un team di simulazione in una grande azienda e si automatizza il defeaturing, si copre il 20% del loro lavoro. In una startup hardware composta da cinque persone, invece, quel 20% è distribuito su 20 funzioni diverse. Per ottenere lo stesso miglioramento serve un prodotto molto più ampio. Per questo motivo stiamo iniziando dal livello enterprise, con l’obiettivo di espanderci in seguito ad altre realtà.
I settori con elevate esigenze di iterazione sono quelli più interessati. L’automotive, il settore aerospaziale e alcuni grandi attori del settore industriale. L’automotive, in particolare, subisce attualmente forti pressioni sui costi ed è quindi alla costante ricerca di maggiore efficienza.
Ci sono già clienti che utilizzano il prodotto?
Al momento siamo in fase di implementazione pilota presso alcune aziende. Non posso condividere troppi dettagli a causa degli accordi di non divulgazione (NDA), ma Bench è già utilizzato attivamente.
Qual è il principale vantaggio riscontrato dagli utenti?
Abilitare un processo che prima era irrealizzabile perché richiedeva troppo lavoro manuale. La conversione dei file STEP in CAD parametrico nativo per l’esplorazione degli spazi di progettazione. Il cliente aveva bisogno di modelli parametrizzati ma non poteva giustificare le ore di ingegneria necessarie per ridisegnarli a mano. Ora può farlo automaticamente. Questo è il risultato più importante.
Al secondo posto vi è la consapevolezza da parte dei team di simulazione che l’eliminazione dei colli di bottiglia nella preparazione della geometria aumenta in modo diretto il numero di iterazioni eseguibili.
L’implementazione inizia dai KPI
Quanto costa Bench?
Vendiamo licenze enterprise, personalizzate per ogni contratto. Non applichiamo tariffe per singola postazione nel senso tradizionale. Il costo si basa sulle funzionalità (come la conversione da STL a CAD o il defeaturing) e il prezzo varia a seconda che l’implementazione riguardi un singolo team o un intero dipartimento.
Le aziende di ingegneria sono abituate a pagare 40.000 euro per una singola licenza di un software di simulazione e alcune aziende del settore fatturano già in base alle esecuzioni o al livello di fedeltà. È più o meno questa la direzione verso cui si sta muovendo il modello di prezzo dell’intelligenza artificiale. Per ora offriamo un sistema ibrido tra il costo per postazione e quello basato sull’utilizzo. Credo che in futuro passeremo maggiormente a tariffe a consumo, ma il mercato non è ancora pronto per questo passaggio.
Come si svolge l’implementazione?
Iniziamo con un progetto pilota mirato in cui definiamo KPI specifici in termini di risparmio di tempo e qualità dei risultati. Di solito è necessaria un’attività di messa a punto per il caso d’uso specifico, poiché ogni azienda ha un flusso di lavoro leggermente diverso o realizza componenti che richiedono attenzioni particolari.
Una volta che il progetto pilota ha esito positivo, ci integriamo anche con l’intero stack di strumenti on-premise, come CATIA o Siemens NX. Durante la fase pilota preferiamo utilizzare soluzioni CAD in cloud perché le iterazioni sono più rapide.
Dove risiedono i dati?
I dati restano a voi. Bench non conserva i vostri dati CAD. Ci colleghiamo tramite API o automazione della GUI ed eseguiamo le conversioni direttamente nel vostro ambiente CAD. Quindi un modello ridisegnato in Onshape è a tutti gli effetti un modello Onshape, esattamente come se fosse stato creato a mano.
Costruire un cervello ingegneristico scalabile
Quanto è competitivo questo settore?
Attualmente ci sono molte aziende di intelligenza artificiale attive nei software di ingegneria, ma operano in sottomercati di nicchia: automazione dei disegni basata sull’intelligenza artificiale, modelli surrogati AI per velocizzare le simulazioni, text-to-CAD. All’interno di ogni singolo settore, la concorrenza non è ancora eccessiva. Quando ci presentiamo ai clienti, di rado ci scontriamo con dei veri e propri competitor. La maggior parte delle volte dobbiamo superare l’inerzia e la tendenza a non voler cambiare nulla.
Nella programmazione si sono affacciati sul mercato una decina di agenti virtuali che offrono praticamente le stesse funzionalità. Nell’ingegneria, invece, i flussi di lavoro sono più complessi: si è vincolati a strumenti molto specializzati e i punti di partenza sono estremamente variegati. Ad oggi, un’intelligenza artificiale per il disegno tecnico e una per il defeaturing non hanno alcun punto in comune. In futuro potrebbero convergere, trattandosi in entrambi i casi di flussi di lavoro ingegneristici, ma attualmente sono settori del tutto separati.
Avete parlato di ingegneri che in futuro guideranno team di ingegneri IA. Quanto siamo lontani da questo scenario?
È la domanda che si sta ponendo ogni settore basato sulla conoscenza. Riteniamo che l’ingegneria seguirà la strada tracciata dallo sviluppo software. Gli ingegneri software stanno passando dallo scrivere ogni singola riga di codice all’assumere il ruolo di architetti. Scrivono le specifiche, le passano a un agente virtuale, ne valutano i risultati ed eseguono iterazioni utilizzando il linguaggio naturale.
Vogliamo raggiungere lo stesso risultato per l’hardware. Un ingegnere condivide l’intenzione progettuale e l’obiettivo da raggiungere, e gli agenti virtuali si occupano dell’esecuzione pratica. L’ingegnere valuta, itera e approva. Non sarà più costretto a selezionare ogni smusso sul modello e a rimuoverlo manualmente.
Qual è il futuro di Bench?
Iniziamo con due casi d’uso molto specifici. La conversione da STL a CAD rappresenta forse l’1% o il 2% dell’intero settore ingegneristico. Il defeaturing forse un altro 2%. Ma l’obiettivo a lungo termine è quello di automatizzare l’intera ingegneria. Il modo in cui sviluppiamo la nostra tecnologia va in questa direzione. Non stiamo creando casi d’uso scollegati tra loro per poi unirli in un’unica soluzione. La tecnologia core basata sugli agenti è identica per tutti: acquisizione del contesto, pianificazione del flusso di lavoro ed esecuzione. Stiamo costruendo un cervello ingegneristico scalabile su diversi casi d’uso.
Ci sono altre aziende interessanti nel campo dell’intelligenza artificiale per l’ingegneria che vorrebbe segnalarci?
Synera è una realtà molto interessante. Si occupano di automazione dei flussi di lavoro ingegneristici da sette o otto anni. Inizialmente non utilizzavano l’intelligenza artificiale, mentre ora l’hanno integrata.
Di recente ho incontrato il fondatore di NexCAD al Develop3D Live e il loro caso d’uso per l’automazione dei disegni sembra molto promettente. Un’altra novità che abbiamo scoperto durante lo stesso evento è Depix. Si occupano di intelligenza artificiale per la progettazione concettuale, ovvero lo stesso processo che stiamo automatizzando noi, ma in una fase più precoce del flusso.
Related Topics
Uliana Krayneva
0
2
Comment(0)