Un prototype innovant sans code pour automatiser la génération de matrices de structure de conception
Une matrice de structure de conception (DSM) est un outil d'analyse visuelle utilisé pour la modélisation du système. Simple et concis, il utilise une matrice carrée NxN pour représenter les relations entre N éléments du système. La collecte de données pour la génération DSM se fait traditionnellement via des enquêtes et des entretiens, mais comme celles-ci nécessitent des experts du domaine et de nombreuses heures, voire plusieurs jours, pour parcourir les modèles de produits, le processus devient long et coûteux.
« Nous devons supprimer ce goulot d'étranglement, car être capable de générer des DSM reproductibles de manière cohérente peut déclencher des recherches plus innovantes », a expliqué le Dr Edwin Koh, professeur principal à l'Université de technologie et de design de Singapour (SUTD). Dans le but d'augmenter la productivité, il a développé une nouvelle approche pour automatiser la génération DSM dans son article « Auto-DSM : Utilisation d'un grand modèle de langage pour générer une matrice de structure de conception » publié dans Journal de traitement du langage naturel.
« Le design ne se limite pas à la forme et à la fonction. Une grande partie du design consiste à gérer la complexité de la conception », a déclaré le Dr Koh, qui a décrit son Auto-DSM comme un flux de travail utilisant un grand modèle de langage (LLM) pour la génération de DSM. Auto-DSM détermine les en-têtes DSM et remplit les entrées en interrogeant les données spécifiques à l'organisation à l'aide d'un LLM, avec des résultats prometteurs.
Premièrement, les données pertinentes se présentent sous la forme d’un document, qui est ensuite divisé en parties plus petites appelées fractionnements. Par la suite, le texte des divisions est intégré et stocké dans un magasin vectoriel. À ce stade, une paire de questions prédéfinies pertinentes pour la génération DSM est utilisée pour interroger le magasin de vecteurs afin de récupérer les divisions pertinentes.
À l'aide d'un LLM, la première question identifie les éléments du système analysés, tandis que la deuxième question se concentre sur les relations entre les éléments du système identifiés. Les réponses aux deux questions deviennent respectivement les titres DSM et les entrées DSM. Enfin, ces résultats sont organisés dans un format DSM, où l'on peut facilement voir les relations entre les éléments du système (c'est-à-dire, a un lien, n'a pas de lien ou ne sait pas).
Le Dr Koh a testé la faisabilité de l'Auto-DSM dans la génération de DSM en l'appliquant à un exemple de moteur diesel bien documenté, dans lequel différentes qualités de données d'entrée ont été utilisées. Il a également comparé Auto-DSM à une implémentation python de ChatGPT pour examiner si l'utilisation d'Auto-DSM avait une valeur ajoutée par rapport à l'utilisation directe d'un LLM disponible dans le commerce. Deux mesures ont été utilisées pour l'évaluation, l'exactitude et l'exhaustivité, qui examinent toutes deux la capacité du flux de travail proposé à convertir un texte donné en une structure DSM.
Les résultats ont indiqué deux choses : Auto-DSM est sensible à la qualité des données d'entrée utilisées et il a systématiquement obtenu des scores supérieurs à ChatGPT en termes d'exhaustivité. Cependant, la comparaison des deux n’a pas fourni de données concluantes quant à l’exactitude.
La « précision » d'Auto-DSM a également été mesurée en vérifiant le nombre d'entrées DSM générées qui sont identiques à celles d'un DSM de référence créé par des experts humains. Il est important de noter que le DSM de référence a été réalisé à partir de données spécifiques à l'entreprise et au produit, tandis que l'Auto-DSM n'a utilisé que des connaissances génériques sur les moteurs diesel. Néanmoins, les résultats du scénario de test ont indiqué qu'Auto-DSM peut avoir une précision allant jusqu'à 77,3 %, ce qui peut être encore amélioré grâce à l'utilisation de données spécifiques à l'organisation.
Le plus grand avantage d’Auto-DSM est sa rapidité, même par rapport à d’autres méthodes automatisées de génération DSM. Les travaux antérieurs sur l'automatisation de la génération DSM nécessitaient une préparation approfondie des données dans des formats prédéfinis, ce qui peut prendre beaucoup de temps. En comparaison, Auto-DSM n'a pris que quatre minutes pour générer un DSM avec 11 éléments pour le scénario de test.
Le Dr Koh estime que l'attrait de l'Auto-DSM pour son adoption par l'industrie réside dans sa rapidité à générer un DSM. De plus, il a mis à disposition un prototype sans code, qui peut permettre aux organisations de l'utiliser pour générer une première ébauche de DSM si le temps et les ressources sont limités. « Auto-DSM peut être utile à toutes les industries chargées de la conception de systèmes complexes », a-t-il déclaré.
À l'avenir, le Dr Koh aimerait pouvoir compter sur des collaborateurs industriels disposant de données spécifiques à l'organisation afin de pouvoir affiner davantage l'Auto-DSM. Il espère également que les futurs chercheurs exploreront l'intégration de DSM avec d'autres flux de conception, tels que la planification des tâches.
