BMW Group en Mistral AI versnellen inzet van AI in crashsimulaties
München/Parijs. BMW Group en Mistral AI zijn een
samenwerking aangegaan om het gebruik van kunstmatige intelligentie
(AI) in crashsimulaties verder te ontwikkelen. Het doel is om de
kwaliteit, nauwkeurigheid en snelheid van complexe
ontwikkelingsprocessen te verbeteren. De samenwerking vormt een eerste
stap in het opschalen van toepassingsgerichte AI naar andere
onderdelen van de voertuigontwikkeling en de totale waardeketen van
BMW Group.
“Voor de BMW Group is het gebruik van industriële data een
sleutel om kunstmatige intelligentie om te zetten in waardecreatie,”
aldus Dr. Franz Decker, CIO en Senior Vice President van de BMW Group.
“Door onze engineeringdata te combineren met de
modeltrainingscapaciteiten van Mistral AI bouwen we gespecialiseerde
AI die complexe ontwikkeltaken ondersteunt.”
Complexiteit en datavolume bij crashesimulatie
De schaal en complexiteit van crashesimulaties bij BMW Group
onderstrepen de noodzaak van domeinspecifieke AI. Elke week voert het
bedrijf duizenden virtuele crashesimulaties uit, waarbij enorme
hoeveelheden engineeringdata worden gegenereerd. In de loop der tijd
heeft dit geleid tot een historisch dataset van meer dan één petabyte
aan crashesimulatiegegevens. Deze data biedt zeer gedetailleerde
inzichten in voertuigstructuren en materiaalgedrag en vormt een unieke
basis voor het trainen van een industrieel AI-model.
“Nu Industrial AI de nieuwe grens binnen kunstmatige
intelligentie vormt, zijn we er trots op samen te werken met BMW
Group,” zegt Marjorie Janiewicz, Chief Revenue Officer van Mistral AI.
“Deze samenwerking laat zien hoe sectorspecifieke AI-modellen kunnen
helpen bij het oplossen van complexe technische vraagstukken, zoals crashesimulaties.”
Large Industry Models als technische basis
Om deze aanpak op te schalen, richt BMW Group zich op
zogeheten Large Industry Models (LIM). Dit zijn AI-systemen die zijn
getraind op industriespecifieke engineering- en simulatiegegevens uit
voertuigontwikkeling en veiligheidstests. In tegenstelling tot
generieke AI-systemen, verankeren LIM’s domeinspecifieke kennis direct
in het AI-model. Dit vereist niet alleen industriële data, maar ook
diepgaande domeinkennis en technische omgevingen