您是否知说念，生成式 AI（GenAI）不错匡助工程师在几秒钟内会诊汽车故障，甚而在开荒出现问题之前展望潜在失效？GenAI 正在通过加快数据分析和算法开发，让这些场景从想象走向履行，使工程师未必充分阐明专科学问，挖掘可实践的瞻念察。

工程团队每年都会产生数 TB 级的数据。凭证 Gartner 的估算，其中多达 80% 属于非结构化数据。就业记载、商推敲文和期间东说念主员记载中蕴含着关节的组织学问，但由于风景不一致，难以有用认识。GenAI 用具未必匡助工程师整合结构化与非结构化数据，杀青已往难以大鸿沟开展的分析使命。对工程师而言，这意味着更快速的故障排查、更高效的规划历程以及更快的期间发现。

工程师在使用 GenAI 时的盲区

尽管 GenAI 在重塑工程使命方面具有高度活泼性，但其材插手工程师平日使用方式之间仍存在差距。很多工程师仍将 GenAI 主要用于编写基础代码或生成文档，而不是将其应用于更高等的工程历程。

为更好地了解工程师对 GenAI 的魄力过火本色应用情况，MathWorks 于 2025 年 12 月在酬酢媒体上进行了一项非发达投票。反馈后果揭示了多项遑急瞻念察，包括：

83% 的工程师至少每月使用一次 GenAI，其中最常见的应用场景是“编写代码”和“文档与讲述生成”。 工程师对 GenAI 的最大担忧是其与现存使命历程的整合（46%）。在领有六年以上教育的工程师中，这一比例更是升至 75%。张开剩余80%

这些数据标明，大多数工程师也曾在使用 GenAI，但尚未将其应用于策略性工程任务。但愿擢升 GenAI 使用材干的工程师应试虑将其用于准备和分析非结构化数据。

哄骗就业手册、工程文档和维修记载构建面向期间东说念主员的聊天佑手

汽车故障排查常常需要在不同品牌和车型中会诊复杂问题。尽管大谈话模子（LLM）包含大都公开的汽车学问，但它们空泛细节丰富的品牌专属信息。为弥合这一差距，塔塔汽车的工程师接收了一种名为检索增强生成（RAG）的 GenAI 期间，将 LLM 的通用学问与里面独到数据勾通，从而生成具有高下文针对性的提议。

工程师哄骗 RAG 开发了一个具备高下文感知材干的聊天佑手，未必检索里面文档并基于这些内容生成故障排查复兴。他们使用 MATLAB® 构建了 RAG 使命历程，使其应用（称为 ServiceSage）不错搜索就业手册、工程文档和维修记载。当期间东说念主员向 ServiceSage 发问时，问题会被升沉为 GenAI 能知道的数值示意，系统随后查找最预计的文档。由于 RAG 实践的是语义搜索，问题的具体措辞并不关节，它会凭证预计意见进行忖度。预计文档随后被输入 AI 模子，模子将其与通用学问勾通，生成明晰、可知道的回答。

这种方法具有资本效益且可扩张，无需进行腾贵的模子再教师，并能处理大都此前未被充分哄骗的文本数据。借助该方法，团队未必快速识别根底原因，提供高下文预计的引导，并诽谤维修周期。通过 GenAI，工程师不错高效分析大都文本数据，并将其融入故障排查历程中。

哄骗大众与历史科研贵寓推动食物科学发现

科学商讨常常触及进步数十年、来自多个地区的大都论文，想要系统梳理某一主题的总计商讨或找出其中潜在预计，若无先进用具险些不可能。哥本哈根大学的食物科学商讨东说念主员在分析庞大贵寓寻找主题关联时靠近这一挑战。LLM 天然未必回首单篇文献，但难以在海量数据中梳理全体关联。为处分该问题，OD体育商讨东说念主员在使用 LLM 前，将 GenAI 与传统期间相勾通——如文本预处理与清洗、信息索求等——为非结构化文本建造结构。

哥本哈根大学团队在通盘历程中屡次使用 GenAI，包括：

计帐并法子化了数千份风景不一致的 PDF 文献。 在元数据缺失机自动生成关节字。 将文本改变为词元（tokens），并标记相配长的词语，以识别隐讳在文中的化学物资称号。 将论文拆分为段落和关节字后构建学问图谱。图谱中的每个节点代表一个段落或化学称号，节点之间的荟萃则体现主题之间的关联。

随后，团队使用 MATLAB 对该数据集应用图论方法，识别各意见之间的关联旅途。接着，他们将这些结构化的文簿子集输入 LLM，由模子生成摘录并阐述不同主题之间的关联——这些关联若由东说念主工分析，可能需要数周时候。最终，他们构建了一套未必将散播商讨升沉为可实践瞻念察的历程，大幅加快了食物科学商讨的推动。

尽管 GenAI 带来了权贵价值——商讨东说念主员通过该历程从简了数天的东说念主工处理时候——但到手仍高度依赖东说念主工判断与手动使命。团队在将数据输入 GenAI 之前插足了数百小时进行实验与数据准备。通过反复检察，他们才细目将文本按段落进行切分最为有用，因为 GenAI 无法自手脚出这种判断。GenAI 的刚劲之处惟有在具备高质料数据和严谨工程方法的前提下材干充分阐明。

将珍贵数据升沉为前瞻性瞻念察

传统的展望性珍贵（PdM）主要依赖传感器的数值数据，用来追踪温度、振动、压力等变化，以捕捉开荒故障前的相配模式。很多组织还会网罗珍贵日记和期间东说念主员记载等文本信息，这些内容未必提供传感器无法捕捉的关节配景，例照旧障症状、维修过程以及可能的根因判断。

生成式 AI 匡助工程师处理来自开荒日记和就业记载的非结构化数据，从而校正展望性珍贵历程。

文本信息并不行取代传感器数据；工程师不错哄骗 GenAI 将其法子化，使其未必与传统信号协同使用。举例，GenAI 不错回首珍贵记载、协调不一致的术语，或标注关节事件（如组件故障或重叠出现的故障类型）。这些标注数据随后可与时候序传记感器数据对都，为 PdM 模子的开发提供更明晰的想法与高下文。

生成式 AI 匡助期间东说念主员将就业记载与传感器数据勾通，以更快速、更准确地完成汽车故障会诊。

{jz:field.toptypename/}

GenAI 还不错撑合手工程历程的其他门径。工程师不错使用它草拟和优化用于数据清洗、特征工程或探索性分析的代码，也不错用它评估不同的建模方法。然而，领域学问在通盘过程依然至关遑急。惟有教育丰富的工程师材干判断特征是否具有物理意旨、模子行径是否适合系统能源学，以及输出后果是否反应着实的故障模式或仅仅数据噪声。

与总计 PdM 方法雷同，基于 GenAI 的使命历程在部署前需要经过严格考据。一个在原型或小鸿沟测试荟萃流露讲究的模子，未必未必吩咐着实环境中的多变条目。工程师应使用具有代表性的数据集进行考据，对模子进行多工况压力测试，并加入细目性检察以确保其健壮性。这些最好实践适用于总计 PdM 方法，不管是否包含 GenAI，再次强调到手的 PdM 不仅依赖先进用具，更依赖塌实的工程判断。

工程师们仍只触及 GenAI 的上层

与任何用具雷同，GenAI 应在方法论引导下使用，而非被泛化应用于总计问题。当任务触及大都非结构化数据，或需要处理谈话运转的输入时，GenAI 的价值最为卓绝。工程师需要策略性地整合 GenAI，拓展领域专科学问，并念念考如安在本人的规划方法中切实应用这一用具。

作家：Seth DeLand， MathWorks 居品阛阓司理

发布于：北京市

• AI
• 工程师
• 匡助
• OD体育
• 生成