Eine Unterhaltung mit Ihrem Design führen mithilfe von digitalen Zwillingen und KI

So allgegenwärtig KI heutzutage auch zu sein scheint, gibt es eine ebenso große Verwirrung darüber, wie man die Technologie am besten nutzen kann. In Artikeln wie ChatGPT zur Analyse Ihrer Testdaten verwenden und Generative KI zum Schreiben und Ausführen von Embedded Code verwenden haben wir gesehen, wie KI, wie ChatGPT, uns nicht nur bei der Analyse von Daten unterstützen kann, sondern auch beim Schreiben von Code für uns. Für Elektroingenieure können die Analyse- und Code-Schreibkomponenten der generativen KI hilfreich sein, aber nicht immer spielverändernd. In diesem Artikel werden wir ein benutzerdefiniertes GPT erstellen, das es uns ermöglicht, „ein Gespräch mit unserem Design zu führen“. Wir werden einen „Digitalen Zwilling“ des Arty A7 Evaluierungsboards in ChatGPT erstellen, was uns die Möglichkeit gibt, mit Hilfe eines KI-Assistenten zu entwerfen, Fehler zu beheben und mit dem Board zu arbeiten.

Was ist ein Digitaler Zwilling?

Ein digitaler Zwilling ist ein virtuelles Modell, das ein reales Objekt widerspiegelt. Indem wir diesen digitalen Gegenpart erstellen, können wir das Verhalten des Objekts simulieren und testen, ohne das physische Element zu benötigen. Für das Arty A7 Evaluierungsboard bedeutet das Vorhandensein eines digitalen Zwillings, dass Sie Fehlerbehebung, Design und Arbeit mit dem Board virtuell durchführen können, ohne zuerst die tatsächliche Hardware handhaben zu müssen. Dies macht den Prozess effizienter und ermöglicht gründliche Tests und Designanpassungen. Offensichtlich sind dem, wie genau Ihr Modell ist und wie einfach es zu interagieren ist, keine Grenzen gesetzt. Um der Kürze und Einfachheit willen werden wir jedoch einen ziemlich primitiven digitalen Zwilling des Arty A7 erstellen, der uns bei Designfragen und der Fehlersuche unterstützen kann

Ein einfacher digitaler Zwilling mit RAG

Retrieval-Augmented Generation (RAG), vor allem bekannt durch die Veröffentlichung mit dem Titel Retrieval-Augmented Generation für wissensintensive NLP-Aufgaben, ist eine Methodik, bei der ein großes Sprachmodell (LLM) in Verbindung mit vorhandenen Daten (im Gegensatz zu Daten, die innerhalb des Modells gelernt werden) verwendet wird. Wenn ich beispielsweise ein LLM frage, wie viel mein Haus wert ist, kann es diese Frage möglicherweise genau beantworten oder auch nicht. Wenn ich ihm jedoch "Kontext" in Form meiner neuesten Grundsteuerrechnung gebe, sollte es das ziemlich leicht herausfinden können (da es mehr oder weniger nur natürliche Sprachverarbeitung verwendet). Kurz gesagt, verwendet RAG dasselbe Konzept, indem es dem LLM Kontext bereitstellt, um eine qualitativ hochwertigere Antwort zu generieren. Obwohl es schwer zu wissen ist, welche proprietären Systeme als Backend verwendet werden, kann man ziemlich sicher davon ausgehen, dass ein RAG-ähnlicher Ansatz ziemlich üblich ist, um einen digitalen Zwilling mit KI zu erstellen.

Erstellung eines benutzerdefinierten GPT mit Kontext

Wie wir in Den Aufbau eines KI-Lab-Assistenten und Die Verwendung generativer KI zum Schreiben und Ausführen von Embedded Code gesehen haben, können Sie benutzerdefinierte GPTs schreiben, um mit Webservern zu interagieren und Instrumente zu steuern, aber sie können auch Kontext enthalten, um als digitale Zwillinge zu fungieren. Die Einrichtung ist eigentlich sehr einfach. Mit der bezahlten Plus-Version von ChatGPT kann ich ein benutzerdefiniertes GPT erstellen, indem ich auf „Explore GPTs“ in der linken Seitenleiste klicke und dann oben rechts auf den Button „Create“ klicke. Hinweis: Zum Zeitpunkt des Schreibens dieses Artikels hat sich die Navigation zur Erstellung eines benutzerdefinierten GPT innerhalb der letzten 6 Monate fast 3 Mal geändert. Es könnte sinnvoll sein, die Dokumentation von OpenAI zu konsultieren, wie man ein benutzerdefiniertes GPT erstellt, falls diese Anweisungen veraltet sind.

Sobald ich auf die Seite navigiert habe, die mir die Option bietet, ein benutzerdefiniertes GPT zu erstellen, bin ich bereit, alle meine Parameter einzugeben und meinen „Kontext“ bereitzustellen.

Abbildung 1: Einrichtung des benutzerdefinierten GPT

Sie werden bemerken, dass ich meinem benutzerdefinierten GPT einen Namen, eine Beschreibung, einen Satz grundlegender Anweisungen und einen „Wissens“-Satz von Dateien gegeben habe. Diese Dateien bestehen aus meinem Arty A7:

• Schaltungsdesign
• Verschiedene Datenblätter der Chips auf der Platine
• Beispiel VHDL-Code
• FPGA Design-Beschränkungsdatei

Ich kann natürlich noch mehr Daten bereitstellen, wie die Stückliste, andere Design-Dokumente und noch mehr Datenblätter, aber das schien ausreichend, um mein Konzept zu beweisen.

Was kann es also tun?

Um eine schnelle Referenzsuche von unserem digitalen Zwilling durchzuführen, kann ich hier und da ein paar Sekunden sparen, indem ich es nach Komponenten auf der Platine frage. Zum Beispiel:

Abbildung 2: Abfrage eines Datenblatts

Und die Daten, die es aus dem Datenblatt gezogen hat, scheinen zu stimmen (obwohl es manchmal Tabellen in PDFs falsch interpretieren kann):

Abbildung 3: Spezifikationen aus dem Datenblatt

Obwohl trivial, spart dies doch Zeit, besonders wenn man die Sprachversion von ChatGPT verwendet. Wir können unserem benutzerdefinierten GPT auch mitteilen, dass der Oszillator nicht richtig funktioniert und ihn nach maßgeschneiderten Fehlerbehebungsvorschlägen für das spezifische Teil fragen:

Abbildung 4: Fehlerbehebung beim Oszillator

Je nach Ihrem Kenntnisstand kann diese Information hilfreich sein oder auch nicht. Wir können noch einen Schritt weitergehen und sie bitten, uns zum Beispiel dabei zu helfen, herauszufinden, warum der Flash-Speicher nicht reagiert. Eine komplexere Antwort würde die Datenblatt-Spezifikationen (ähnlich dem Oszillator) sowie Verweise auf den Code und Pin-Beschränkungen beinhalten. Wenn Sie dem Prompt noch mehr Kontext geben, wie Ihren modifizierten Code, wird dies ihm eine bessere Chance geben, Ihr Problem aufzudecken. Diese Beispiele, obwohl etwas trivial, demonstrieren die Fähigkeit und Kraft von LLMs und RAG, sehr schnell einen digitalen Zwilling zu erstellen. Der Prozess, den benutzerdefinierten GPT einzurichten, dauerte buchstäblich 5 Minuten (und das meiste davon war aufgrund von Upload-Zeiten). Dies ist nur der Anfang des digitalen Zwillingszeitalters und ich bin sicher, dass wir in den kommenden Jahren noch viele Durchbrüche sehen werden.

Schlussfolgerung

In diesem Artikel haben wir das Konzept der digitalen Zwillinge erforscht und wie man ein benutzerdefiniertes GPT erstellt, um mit dem Arty A7 Evaluierungsboard zu arbeiten und Probleme zu beheben. Durch die Nutzung von KI können wir virtuell mit unseren Entwürfen interagieren, was Zeit spart und die Effizienz steigert. Die Schritte, um Ihr eigenes benutzerdefiniertes GPT einzurichten, sind unkompliziert und können schnell durchgeführt werden. Jetzt, da Sie die Grundlagen verstehen, ist es an der Zeit, zu experimentieren und die Vorteile selbst zu sehen. Tauchen Sie ein, erstellen Sie Ihren digitalen Zwilling und beginnen Sie heute damit, Ihren Entwurfs- und Inbetriebnahmeprozess zu optimieren!