L’IA nell’ingegneria strutturale: CSPFea lancia Aurora

L’Intelligenza Artificiale generativa, basata sui Large Language Models (LLM), sta trasformando profondamente il modo in cui accediamo alle informazioni e interagiamo con la conoscenza tecnica. Questo cambiamento solleva una domanda cruciale: come può l’ingegneria trarre vantaggio dagli LLM senza incorrere in semplificazioni eccessive o, peggio, in gravi errori?

Gli inizi con i software FEM

In realtà, l’ingegneria – e in particolare quella strutturale – ha già affrontato sfide simili con l’introduzione di software FEM sempre più sofisticati, che spesso operano come vere e proprie “scatole nere”, seppur fondate su solide basi teoriche della scienza delle costruzioni. Il tema è già riconosciuto e normato, come dimostra il capitolo 10 delle Norme Tecniche per le Costruzioni (NTC), a tutela del ruolo e della responsabilità dell’ingegnere.

In futuro, sarà probabilmente necessario che le NTC includano anche riferimenti all’uso di strumenti basati su LLM, Machine Learning e Deep Learning, tecnologie che si basano sull’analisi di grandi quantità di dati (Big Data), spesso prescindendo da una reale comprensione del fenomeno fisico. La discussione non è nuova: già con i processi di Validation & Verification, promossi da NAFEMS da diversi decenni, si è cercato di assicurare l’affidabilità dei modelli.

Nel contesto iper-specializzato dell’ingegneria strutturale, però, questa rivoluzione tecnologica richiede strumenti affidabili, controllabili e ancorati a fonti verificate.

L’esperienza CSPFea: test su ChatGPT e oltre

CSPFea ha testato ChatGPT e altri modelli generativi con domande inerenti i software MIDAS, con l’interrogativo: su quali fonti sono stati addestrati questi modelli di base? I risultati inizialmente sembrano promettenti, ma quando si scende nei dettagli – che in ingegneria sono fondamentali – emergono imprecisioni e ambiguità inaccettabili.

Un chatbot generico basato su LLM è in grado di rispondere a domande formulate in linguaggio naturale, ma spesso lo fa attingendo a una conoscenza addestrata su dati generalisti, non sempre aggiornati. Questo può portare a errori, risposte incoerenti o addirittura completamente inventate (il fenomeno noto come hallucination).

Per ovviare a questi limiti, FEA Engineering – la startup innovativa di CSPFea – ha rilasciato la prima versione di Aurora, un assistente virtuale intelligente basato su tecnologia RAG, grazie alla piattaforma proprietaria Catenary.

Cos’è la tecnologia RAG e perché può essere un vantaggio per l’utilizzo dell’IA nell’ingegneria strutturale?

RAG sta per Retrieval Augmented Generation: si tratta di un approccio in cui l’IA cerca prima le informazioni rilevanti in una raccolta di documenti, per poi utilizzarle – insieme alla domanda dell’utente – per generare una risposta attraverso un modello generativo.

Al contrario, un modello puramente generativo (come ChatGPT) risponde basandosi esclusivamente su ciò che ha appreso durante l’addestramento. Pur potendo fornire risposte complesse, queste sono limitate a informazioni di dominio pubblico note fino alla data di addestramento.

Alcuni esempi per capire i limiti dell’IA nell’ingegneria strutturale

Alcuni esempi chiariscono meglio i limiti:

• Meccanica quantistica? Sì.
• Procedure interne di un’azienda? No.
• Calcolo di un ponte? Sì.
• Calcolo su uno specifico software strutturale? No.
• Normative antisismiche? Sì.
• Ultimi aggiornamenti normativi post-addestramento? No.

L’approccio RAG è una soluzione efficiente

Riaddestrare questi modelli è molto costoso e non praticabile frequentemente, soprattutto per applicazioni di nicchia. Per questo motivo, l’approccio RAG rappresenta una soluzione efficiente: consente di estendere le capacità del modello generativo utilizzando fonti esterne, senza dover riaddestrare il sistema.

Tuttavia, la vera sfida del RAG è identificare rapidamente le fonti più pertinenti tra grandi quantità di dati: trovare l’“ago nel pagliaio” e farlo con precisione. Se il sistema fallisce o individua la fonte sbagliata, anche la risposta sarà errata.

Catenary: una nuova frontiera dell’IA per la documentazione tecnica

Proprio per affrontare questo limite, Aurora si basa sulla tecnologia Catenary: un sistema che si ispira all’approccio RAG, ma lo potenzia anticipando la fase di ricerca delle fonti attraverso un’analisi preventiva dei documenti.

Diversamente dai RAG classici, che non prevedono un addestramento, Catenary effettua uno studio approfondito della documentazione fornita prima di essere operativo. Durante questa fase, categorizza contenuti, evidenzia concetti chiave, formula domande potenziali per ogni paragrafo e costruisce un modello specializzato, ottimizzato proprio su quel materiale.

Alla fine del processo, l’insieme di documenti non è più un caos di dati ma una rete strutturata di informazioni, che consente un accesso rapido, affidabile e basato su fonti chiare.

Questa metodologia rende Catenary un RAG avanzato, progettato per affrontare le complessità dei domini tecnici e normativi. È per questo che lo abbiamo scelto per supportare Aurora nella gestione delle domande sui documenti di CSPFea e sui software di calcolo strutturale che assistiamo.

L’AI come ponte tra conoscenza umana e artificiale

Aurora non sostituisce il servizio di assistenza di CSPFea, che rimane attivo e apprezzato negli orari d’ufficio. Così come non sostituisce l’accesso alla nostra ampia Library tecnica, con oltre 300 documenti, la maggior parte dei quali scaricabili gratuitamente.

Aurora non intende sostituire l’ingegnere, ma supportarlo: è un ponte tra l’utente e la conoscenza, progettato per risparmiare tempo, ridurre gli errori e valorizzare il patrimonio informativo già presente nelle aziende.

Con Catenary, CSPFea apre una nuova via all’accesso intelligente alla documentazione tecnica, una strada percorribile da tutte le realtà dell’ingegneria che vogliono innovare senza rinunciare al controllo.

Per saperne di più su Aurora consulta questo link.

Contenuto sponsorizzato