Europe 
Türkiye 
United Kingdom 
Global 
Xometry hesabımla giriş yap 
Bench‘in CEO’su ve kurucu ortağı, Martin Bielicki, bize donanım mühendisliğinin neden yapay zeka (AI) için bir sonraki sınır olduğunu, geometri hazırlığı ve CAD yeniden yapılandırmasını otomatikleştirmek için nelerin gerektiğini ve bağlamın (context) neden ham model yeteneğinden daha üstün olduğunu anlattı.
Yaparak Geçirilen Zaman, Düşünmeden Geçirilen Zamandır
Günümüzde mühendislik iş akışlarındaki sorun nedir?
Donanım tasarımı son derece manuel iş akışlarıyla doludur. Çoğu durumda mühendisler ne yapacaklarını bilirler ancak zamanlarının çoğunu ne yapacaklarını düşünmek yerine, bildiklerini fiilen uygulamakla geçirirler. Bu bir yürütmedir, kendilerine ödeme yapılması gereken asıl iş olan Ar-Ge ve inovasyon değildir.
Yazılım da eskiden büyük ölçüde çok benzerdi ancak yapay zeka orada büyük bir fark yarattı; donanım geliştirmenin de bunu takip etmesi gerekecek.
Bunun sonuçları nelerdir?
Birinci dereceden sonuç, elbette ki boşa harcanan mühendis zamanıdır. Ancak ikinci dereceden etkiler çok daha büyüktür. Simülasyon ekibiniz zamanının yüzde 50’sini geometri hazırlığına harcıyorsa, daha fazla iterasyon çalıştıramıyor demektir. Bu da pazara çıkış süresinin uzaması ve aynı zamanda optimal altı ürün tasarımları anlamına gelir.
Mühendislik liderleri, bunu varoluşsal bir mesele olarak görmeye başlıyor. Henüz herkes değil, ancak oraya doğru gidiyor. Genel kanı, geride kalmamak için yapay zekayı benimsemeleri gerektiği yönünde.
Bazen bir sürecin manuel olması, o işi hiç yapamayacağınız anlamına gelir. Parametrik CAD olarak ihtiyaç duyduğunuz bir STL mesh’iniz olabilir. Mühendisin tüm modeli CAD ortamında baştan oluşturması gerekir. Bu son derece faydalı olurdu, ancak pratik değildir. Bu yüzden o iş yapılmaz.
Bu sorunu bizzat tecrübe ettiniz mi?
Evet. Ben bir makine mühendisiyim. Üniversitede, sonrasında Londra’nın ilk Hyperlink kapsülünü (pod) inşa eden Hyperlink adında bir takım kurdum. Yapılar, aerodinamik, elektronik, yazılım gibi dokuz ekipte yaklaşık yüz mühendise liderlik ettim. Akademik bir ortamda bile süreçlerin ne kadar manuel, ne kadar darboğazlarla dolu ve ne kadar otomatikleştirilemez olduğunu görebiliyordunuz.
Bu 2020 ile 2022 yılları arasıydı, yani LLM’ler (Büyük Dil Modelleri) öncesi bir dönemdi. LLM’ler devreye girdiğinde, bunu anında kendi alanıma uygulamayı düşündüm. Vizyon her zaman yapay zeka destekli bir makine mühendisi yaratmaktı. Eskiden donanım için Cursor derdik. Şimdi daha çok donanım için Claude Code’a benziyor. İsimler değişiyor, ancak vizyon aynı.
Mühendislik Araçlarınızı Kontrol Edecek ve Otomatikleştirecek Tek Platform
Bench ne yapar?
Mühendislik Yürütme Sistemi (EES) adını verdiğimiz bir sistem inşa ediyoruz. Mevcut CAD, CAE veya PLM kategorilerine tam olarak uymuyor. Mevcut araçların üzerinde yer alan, onlara bağlanan ve bu araçlar arasındaki sınırları aşarak görevleri otonom olarak yürüten ayrı bir yazılımdır.
Kodlamada, ajanınız IDE’nizde yaşar ve her şey orada gerçekleşir. Mühendislikte ise farklı araçlarda yer alan CAD, simülasyonlar, dokümantasyon, PLM ve gereksinimleriniz vardır. Uçtan uca görevleri yerine getirmek ve yeterli bağlama sahip olmak için aralarındaki sınırları aşmanız gerekir. Bench’in yaptığı da tam olarak budur.
Web sitenizde simülasyon için geometri hazırlığı, otonom optimizasyon ve STL’den parametrik CAD’e dönüşüm listeleniyor. Bunları bize açıklayabilir misiniz?
Simülasyon için unsur kaldırma (defeaturing) ve STL’den CAD’e dönüşüm ile başlıyoruz. Bunlar aslında teknik olarak birbiriyle örtüşüyor.
Geometri hazırlığı, simülasyon ekipleri için en büyük darboğazdır. Konuştuğumuz kurumsal simülasyon ekipleri, zamanlarının yüzde 70’ine kadarını geometri temizliğine harcıyor. ANSA gibi araçlar var ve işin yüzde 90’ını yapıyor, ancak o son yüzde 10’luk kısım iki günlük manuel çaba gerektiriyor. Karmaşık bir motor modeli için bu, 30 saatlik bir unsur kaldırma işlemi demek. Bunlar kurumsal mühendislik ekiplerinden alınan gerçek rakamlardır.
STL’den parametrik CAD’e geçiş, diğer başlangıç noktamızdır. Bir STEP dosyasından Onshape’te tam tanımlı skeçler ve parametrelerle oluşturulmuş tam parametrik yerel bir CAD dosyasına geçebiliriz. Bir mühendisin yapması dört saat sürecek bir modeli 15 ila 20 dakikada yapıyoruz. STL’den STEP’e işlem hattını tamamen bitirdiğimizde, seçtiğiniz araçta STL’den parametrik CAD’e kadar gidebileceksiniz.
Peki bu ikisi arasındaki örtüşme nedir?
Unsur kaldırmaya yaklaşımımız geleneksel olandan farklı. Normalde insanlar, modeli mesh formatına dönüştürüyor ve insanlar için daha kolay olduğu için mesh dünyasında unsurları kaldırıyor. Bizim yaptığımız şey, modeli önce parametrelendirmek için STL’den parametrik CAD’e dönüştürme yeteneğimizi kullanmak, ardından parametrik model üzerinde unsur kaldırma işlemini yapmaktır. Ajanların parametrelendirilmiş CAD üzerinde çalışması, meshler üzerinde çalışmasından daha kolaydır. Dolayısıyla her iki kullanım senaryosu da aynı temel teknoloji üzerine inşa edilmiştir.
Otonom optimizasyon kullanım senaryosu her ikisinin üzerine inşa edilir. Hem CAD zekasına ihtiyaç duyduğunuz hem de simülasyon sonuçlarını dikkate almanız gereken yer burasıdır, dolayısıyla iki araç arasında çalışıyorsunuz demektir. Bu şimdilik daha ileriye dönük bir konu.
Yapay zeka halüsinasyonları olmadığını iddia ediyorsunuz. Nasıl?
Teknolojimizin özü budur. CAD, simülasyon ve tasarım amacı (design intent) verileri dahil olmak üzere tüm mühendislik bağlamını tek bir yapı altında birleştiren, PRISM adını verdiğimiz mühendislik için yeni bir temsil geliştirdik.
Şöyle düşünün. CAD’iniz, bir parçanın neden o şekilde tasarlandığını bilmez. Bunu mühendis bilir. Belki bir simülasyon, bir et kalınlığının 5 mm’nin altında olamayacağını göstermiştir. Belki mühendis üç yıl önce bir parçayı belirli bir şekilde şekillendirmenin onu üretilebilir kıldığını öğrenmiştir. Bu bağlam tasarımı yönlendirmiştir ancak CAD dosyasına yansıtılmaz.
Doğru bağlama sahip biraz daha zayıf bir modelin, bağlamı olmayan çok daha yetenekli bir modelden daha iyi performans göstereceğine inanıyoruz. Bu nedenle Bench’i kullanmanın ilk adımı bağlam paylaşımıdır. Mühendis Bench’e neyin önemli olduğunu anlatır; temel parametreler, kısıtlamalar, tasarım amacı. Bağlam eksikse Bench takip soruları sorar. Bu 10 ila 20 dakika sürebilir, ancak manuel olarak 10 saat süren bir süreci otomatikleştiriyorsanız, bu hala büyük bir kazançtır.
İkinci bölüm, her şeyi matematiksel araçlarla temellendirmektir. STL’yi CAD’e dönüştürmek çok sayıda kesin hesaplama içerir. LLM’lerin anlamsal muhakemesini, çıktıyı matematiksel gerçeklerle sınırlayan deterministik algoritmalarla birleştiriyoruz. Ajanların bir oyun alanı vardır ve sınırları matematik belirler.
İterasyon Yapan Endüstriler
Ne tür şirketler bundan en çok fayda sağlıyor?
Kurumsal firmalar. Dar kullanım senaryolarının peşinden giderseniz, küçük şirketler buna pek aldırmaz. Büyük bir şirketteki bir simülasyon ekibine gidip onların unsur kaldırma işlerini otomatikleştirirseniz, bu onların işlerinin yüzde 20’sine denk gelir. Ancak beş kişilik bir donanım girişimine giderseniz, işlerinin yüzde 20’si 20 farklı yeteneğe dağılmış durumdadır. Aynı artışı sağlamak için çok daha kapsamlı bir ürüne ihtiyacınız vardır. Biz de bu yüzden kurumsal düzeyden başlıyor ve aşağı doğru ilerliyoruz.
İterasyon ihtiyacı yüksek olan sektörler bununla en çok ilgilenenlerdir. Otomotiv, havacılık ve uzay endüstrisi ve bazı büyük endüstriyel oyuncular. Özellikle otomotivde şu an büyük bir maliyet baskısı var, bu yüzden aktif olarak daha verimli yollar arıyorlar.
Ürünü kullanan müşterileriniz var mı?
Şu an firmalarla pilot uygulamalar yürütüyoruz. Hepsiyle gizlilik anlaşması (NDA) imzaladığımız için çok fazla detay paylaşamıyorum ancak insanlar Bench’i aktif olarak kullanıyor.
Kullanıcıların gördüğü en büyük kazanç nedir?
Manuel olduğu için daha önce imkansız görünen bir süreci mümkün kılmak. Tasarım alanlarını keşfetmek için STEP dosyalarını yerel parametrik CAD dosyalarına dönüştürmek. Müşterinin parametrelendirilmiş modellere ihtiyacı vardı ancak bunları elle baştan çizmek için buna ayrılacak mühendislik saatlerini gerekçelendiremiyordu. Şimdi bunu otomatik olarak yapabiliyorlar. En büyük kazanç budur.
Simülasyon ekiplerinin, geometri hazırlığındaki darboğazı aşmanın yapabilecekleri iterasyon sayısını doğrudan artırdığını anlamaları ise ikinci en büyük kazançtır.
Devreye Alma KPI’lar ile Başlar
Bench’in maliyeti nedir?
Her anlaşmaya göre özelleştirilen kurumsal lisanslar satıyoruz. Geleneksel anlamda kullanıcı başına (per-seat) ücret almıyoruz. STL’den CAD’e dönüşüm veya unsur kaldırma gibi yetenek başına ücret alıyoruz ve ardından fiyat, yazılımı bir ekibe mi yoksa tüm departmana mı devreye aldığınıza göre ölçekleniyor.
Mühendislik şirketleri tek bir simülasyon yazılımı lisansı için 40 bin ödemeye alışkındır ve bazı simülasyon şirketleri halihazırda işlem başına veya doğruluk (fidelity) bazlı ücretlendirme yapmaktadır. Yapay zeka fiyatlandırması kabaca bu yöne gidiyor. Şimdilik kullanıcı başına ile kullanıma dayalı (usage-based) modellerin arasında bir hibrit model sunuyoruz. Gelecekte daha çok kullanıma dayalı bir yapıya geçeceğimizi düşünüyorum ancak pazar henüz buna tam olarak hazır değil.
Devreye alma süreci nasıl ilerliyor?
Zaman tasarrufu ve çıktı kalitesi etrafında özel KPI’lar belirlediğimiz odaklanmış bir pilot çalışmayla başlıyoruz. Her şirketin biraz farklı bir iş akışı olması veya belirli bir şey gerektiren parçalar üretmesi nedeniyle, spesifik kullanım senaryosu için genellikle biraz ince ayar yapılması gerekir.
Pilot çalışma başarılı olduktan sonra, CATIA veya Siemens NX gibi tam kapsamlı şirket içi (on-prem) araç yığınına da entegre oluyoruz. Pilot aşamada, iterasyon yapmak daha hızlı olduğu için bulut tabanlı CAD’lerde çalışmayı tercih ediyoruz.
Veriler nerede tutuluyor?
Veriler sizde kalıyor. Bench sizin CAD verilerinizi kendi üzerinde tutmaz. API veya GUI tabanlı bilgisayar kullanımı aracılığıyla bağlanıp dönüşümleri sizin CAD ortamınızda yürütüyoruz. Yani Onshape’te yeniden çizilen bir model, tıpkı sizin elle oluşturduğunuz gibi tam bir Onshape modelidir.
Ölçeklenen Bir Mühendislik Beyni İnşa Etmek
Bu alan ne kadar rekabetçi?
Şu an mühendislik yazılımlarında çok sayıda yapay zeka şirketi var, ancak bunlar alt nişlerde yer alıyor. Yapay zeka ile teknik resim otomasyonu, daha hızlı simülasyon için AI vekil modelleri (AI surrogates), metinden CAD’e dönüştürme. Her bir alt alanda rekabet henüz çok büyük değil. Müşterilere gittiğimizde rakiplere karşı bir mücadele vermiyoruz. Daha çok eylemsizliğe ve hiçbir şey yapmama kararına karşı mücadele ediyoruz.
Kodlama alanında aynı anda on farklı ajan ortaya çıktı ve hepsi kabaca aynı şeyi yapıyor. Mühendislikte ise iş akışları daha zordur, uzmanlaşmış araçların içine hapsolmuşsunuzdur ve başlangıç noktaları çok daha çeşitlidir. Teknik resimler için geliştirilen bir yapay zeka ile unsur kaldırma için geliştirilen bir yapay zekanın şu an itibarıyla sıfır ortak noktası var. İleride her ikisi de mühendislik iş akışı olduğu için birleşebilirler, ancak bugün tamamen ayrı durumdalar.
Nihayetinde mühendislerin yapay zeka mühendislerinden oluşan ekipleri yöneteceğinden bahsettiniz. Bu ne kadar uzak bir gelecek?
Bilgi tabanlı her endüstrinin kendine sorduğu soru bu. Mühendisliğin de yazılımın gittiği yolu izleyeceğini düşünüyoruz. Yazılım mühendisleri, her satır kodu yazmaktan çıkıp birer mimara dönüşüyorlar. Bir spesifikasyon yazıyorlar, bunu bir ajana besliyorlar, çıktıyı gözden geçiriyorlar ve doğal dille iterasyon yapıyorlar.
Biz donanım için de aynısını istiyoruz. Bir mühendis tasarım amacını, ne başarmaya çalıştığını paylaşıyor ve ajanlar asıl yürütme işini gerçekleştiriyor. Mühendis değerlendiriyor, iterasyon yapıyor ve onaylıyor. Artık model üzerindeki her bir pahı seçip eliyle silmeye takılıp kalmıyorlar.
Bench buradan nereye gidecek?
İki dar kullanım senaryosuyla başlıyoruz. STL’den CAD’e dönüşüm tüm mühendislik süreçlerinin yüzde bir veya ikisini oluşturabilir. Unsur kaldırma belki bir yüzde iki daha oluşturur. Ancak asıl hedef tüm mühendisliği otomatikleştirmektir. Teknolojiyi inşa etme şeklimiz de bunu destekliyor. Tek bir çatı altında birleştirilmiş birbirinden kopuk kullanım senaryoları inşa etmiyoruz. Temel ajan tabanlı teknoloji hepsinde aynıdır: bağlam alımı, iş akışı planlaması ve yürütme. Kullanım senaryoları arasında ölçeklenebilen bir mühendislik beyni inşa ediyoruz.
Mühendislik alanında öne çıkaracağınız ilginç yapay zeka şirketleri var mı?
Synera ilginç bir şirket. Yedi sekiz yıldır mühendislik için iş akışı otomasyonu yapıyorlardı (başlangıçta yapay zeka destekli değillerdi) ve şimdi bunun üzerine yapay zekayı da eklediler.
Kısa süre önce Develop3D Live’da NexCAD ‘in kurucusuyla tanıştım ve teknik resim otomasyonu kullanım senaryoları oldukça faydalı görünüyor. Aynı etkinlikte karşılaştığımız daha yeni bir isim ise Depix. Kavramsal tasarım için yapay zeka geliştiriyorlar ki bu, bizim otomatikleştirdiğimiz sürecin aynısı, sadece iş akışında daha erken bir aşamada yer alıyor.
Related Topics
Uliana Krayneva
0
2
Comment(0)