AI 數據分析【 解決方案 與 應用案例 】

使用AI大數據建立預測模型協助分析的流程，大致可分成幾個步驟：

1. 訂定目標：
　　根據問題與需求設定題目與目標

2. 準備數據：
　　數據可以是模擬結果或是實驗量測，也可來自產線或品管審核的資料，若有缺漏則需要整理或是使用一些方法來補齊

3. 建立AI預測模型：
　　使用大數據訓練AI模型，經過訓練驗證後的AI模型，即可協助做預測與分析除此之外，也可以更進一步地將預測模型部署至即時監控平台上，檢測異常與離群值，進而達到即時預測分析。

延伸閱讀：【Youtube】AI大數據分析與結果預測

在 Altair 的數據分析與人工智慧(AI)軟體中，目前主要有以下方案：

1. RapidMiner 機器學習和預測分析解決方案

↘了解更多RapidMiner
 

2.Knowledge Studio 機器學習和預測分析解決方案

• 無程式碼&視覺化界面
• 具有自動化機器學習 (AutoML)功能
• 匯出程式碼進行部屬
• 模型匯出支援多種程式語言， 包含Python, R, SAS…等

↘了解更多Knowledge Studio

3. expertAI

       Altair expertAI是在HyperWorks中的Design Explorer新增了額外的「非監督式機器學習「機制，根據使用者所設標準來引導最佳化工具對設計探索的結果進行分組（classify; clustering聚類分析），並將其再利用於新的最佳化產出的限制。

       Altair expertAI現已無縫整合至HyperWorks產品中，它將成為AI強化模擬與生成式設計功能的利器。Altair ExpertAI技術適用於任何物理性製造與模擬，包括沖壓、鑄造、計算流體動力學（CFD）、電磁學、拓撲最佳化篩選等，甚至產品外觀與設計感。

↘了解更多關於expertAI

4. physicsAI 
       physicsAI可透過對歷史模擬數據學習來提供快速的物理行為預測。這種AI強化的模擬和設計技術現可透過HyperWorks來運行。使用任何現有的模擬資料（包括源自舊設計、相似零件或其它非Altair模擬工具的分析結果）來訓練模型。

同時physicsAI不受參數型研究所限制，能夠直接作用於網格甚至CAD上。基於最新科技的幾何學深度學習（GDL），physicsAI可以學習幾何與任何物理表現之間的關係。完成訓練後，使用PhysicsAI模型來預測相較於求解器計算，效率提升達10到100倍，讓設計或開發團隊們能評估更多概念發想（於同樣時程之內）並做出更佳的設計決策。

使用physicsAI的優勢在於，根據您的CAE歷史資料建立快速預測模型，能輸入任何物理數據，即便輸入的CAE模型網格參數不具一致性甚至以無設計變數的資料來進行訓練。訓練完成的模型將立刻貢獻它的效率。

↘了解更多physicsAI

5. Monarch 有效率地協助整理大量數據

• 80 多個預構建功能

• 無程式碼

• 協助彙整不同來源的文件資料

• 支援各類文件格式

• 包含txt,

• 快速協助完成資料準備工作

  ↘了解更多Monarch