AI i pålidelighed: hype eller et nyt værktøj i ingeniørens værktøjskasse?

Kunstig intelligens er rykket fra eksperimenter til den daglige ingeniørpraksis. Også inden for pålidelighed ser flere danske virksomheder på, hvordan AI kan reducere udviklingstid, forbedre beslutningsgrundlaget og gøre komplekse analyser mere tilgængelige. AI ændrer dog ikke de grundlæggende principper i pålidelighedsarbejdet. Den kan understøtte ingeniørens arbejde – ikke erstatte det.

Hvordan bruger danske virksomheder AI i pålidelighedsarbejdet?

Mange danske virksomheder befinder sig stadig i en afprøvningsfase. Fokus er mindre på fuldautomatiske løsninger og mere på at anvende AI som en intelligent assistent, der kan effektivisere eksisterende arbejdsprocesser.

De mest oplagte anvendelser findes tidligt i udviklingsforløbet, hvor AI kan analysere kravspecifikationer, identificere modstridende krav og hjælpe med at omsætte specifikationer til et robust systemdesign. Senere i processen anvendes AI til at understøtte FMEA-arbejde ved at foreslå fejlmåder, hente erfaringer fra tidligere projekter og sikre, at analyser bliver mere konsistente.

”Vi bruger AI til at undersøge, om krav til et nyt produkt er entydige, og om de kan testes. Vi undersøger brugen af AI i forhold til 6 dimensioner: atomaritet, klarhed, testbarhed, fuldstændighed, sporbarhed og overholdelse af krav.”
Henrik Hjortkjær, Quality Director, Product Development, Grundfos

Et andet område er simulering og robusthedsanalyser. AI kan accelerere beregninger og gøre det muligt hurtigt at undersøge følsomheder og worst-case-scenarier. Samtidig begynder flere virksomheder at koble data fra test og drift tilbage til udviklingen, så erfaringer fra felten kan bruges mere systematisk i næste generation af produkter. Visionen er en sammenhængende digital proces, hvor AI hjælper med at binde krav, design, simulering, test og drift sammen.

”Terma bruger AI i forbindelse med Python-programmering til analyser af måledata fra EMC-tests. Her klarer kunstig intelligens over 90 % af arbejdet.”
Erik Schmidt Christensen, Senior Systems Engineer, Product Safety, Terma A/S

AI i praksis: fra forventninger til erfaringer

De virksomheder, som allerede eksperimenterer med AI, peger på en række fælles erfaringer.

Den største gevinst opnås sjældent ved at lade AI udføre hele analysen. Til gengæld kan AI spare betydelig tid på de rutineprægede opgaver: strukturering af data, udarbejdelse af første udkast til analyser, dokumentation og søgning i historiske projekter.

Erfaringerne viser også, at kvaliteten af AI’s svar afhænger direkte af kvaliteten af virksomhedens egne data. Ufuldstændige FMEA’er, uklare krav eller mangelfuld dokumentation giver tilsvarende upræcise resultater. AI gør derfor ikke dårlige data bedre – den gør blot konsekvenserne mere synlige.

Endelig oplever mange, at AI fungerer bedst som sparringspartner. Ingeniøren skal fortsat validere resultaterne, forstå de bagvedliggende fejlmekanismer og sikre, at konklusionerne er teknisk korrekte.

Figur 1: Kunstig intelligens i pålidelighed (AI-genereret)

Er AI en mulighed eller en trussel?

Begge dele – afhængigt af hvordan teknologien anvendes.

Muligheden ligger i hurtigere analyser, bedre videndeling og mere systematiske beslutninger. AI kan gøre avancerede pålidelighedsmetoder tilgængelige for flere udviklingsingeniører og dermed styrke kvaliteten tidligere i udviklingsforløbet.

Truslen opstår, hvis AI anvendes ukritisk. Store sprogmodeller kan formulere overbevisende svar, som ikke nødvendigvis er korrekte. AI kan skrive en overbevisende FMEA på få minutter. Den kan foreslå fejlmåder, generere testplaner og formulere teknisk dokumentation. Problemet er bare, at AI ikke forstår fysikken. Den bygger sine svar på statistiske mønstre i sproget – ikke på en fysisk forståelse af produktet. En AI-model kender heller ikke virksomhedens produkter, materialer eller driftsmiljø, medmindre den får adgang til valide data.

Pålidelighed bygger fortsat på fysik, statistik, test og erfaring. AI kan understøtte disse discipliner, men kan ikke erstatte ingeniørens faglige vurdering.

5 gode råd om indførsel af AI i pålidelighed

1. Start med et konkret problem. Brug AI på en velafgrænset opgave, fx FMEA, kravgennemgang eller analyse af testdata.

2. Brug virksomhedens egne data. Resultaterne bliver først værdifulde, når AI arbejder med jeres historiske fejl, testresultater og erfaringer.

3. Valider altid AI’s forslag. Behandl AI som en junioringeniør, der leverer et kvalificeret udkast – ikke den endelige konklusion.

4. Dokumentér beslutningerne. Sørg for, at det er tydeligt, hvilke konklusioner der stammer fra AI, og hvilke der er verificeret af ingeniører.

5. Byg kompetencer op i organisationen. Den største gevinst opnås, når AI kombineres med stærke kompetencer inden for pålidelighed, fejlmekanismer og test.

Nyt SPM-forløb om AI i pålidelighed

For at hjælpe med at omsætte AI fra hype til praktisk værdi, etablerer SPM nu et nyt AI in Reliability-forløb, hvor medlemsvirksomheder kan dele konkrete erfaringer med AI i pålidelighed.

Under forløbet kommer virksomhederne til at mødes hos hinanden og arbejder med konkrete cases, erfaringer og udfordringer. Ambitionen er ikke at finde én rigtig AI-løsning, men at skabe et fagligt fællesskab, hvor medlemmerne lærer af hinandens forsøg – både dem, der lykkes, og dem, der ikke gør.

Temaerne for møderne bestemmes suverænt af gruppens medlemmer, men kunne eksempelvis være:  AI-understøttet kravanalyse, intelligent FMEA, simulering og robusthed samt kobling mellem design og fysisk test. Målet er at give deltagerne et realistisk billede af, hvor AI skaber værdi i dag, og hvor den fortsat kræver kritisk ingeniørfaglighed.

Erfaring og originalitet gør forskellen

AI er hverken en mirakelkur eller en trussel mod pålidelighedsfaget. Det er et nyt værktøj, som virksomhederne er ved at lære at bruge. Spørgsmålet er ikke længere, om AI får betydning for pålidelighedsarbejdet, men hvordan vi omsætter teknologien til bedre produkter og mere robuste beslutninger.

AI kan overskue store datamængder effektivt og dermed bidrage til at frigøre ressourcer fra rutineopgaver. Det skal vi udnytte og selv bygge ovenpå, så vi undgår det generiske og skaber nye originale løsninger, der tilfører reel værdi.