Dans le domaine du design, l’utilisation de matrices de structure de design (DSM) s’avère être une approche essentielle pour modéliser et analyser les systèmes complexes. Cependant, la méthode traditionnelle de génération de ces matrices est souvent longue et coûteuse, nécessitant l’intervention d’experts à travers des enquêtes et des entretiens. Aujourd’hui, une nouvelle solution innovante, reposant sur un système sans code, promet d’automatiser cette tâche complexe. En utilisant un modèle de langage avancé, ce prototype révolutionne le processus en rendant la création de DSM plus rapide et accessible, pouvant ainsi favoriser une recherche plus innovante et efficace dans divers secteurs d’activité.
Dans le cadre de la modélisation de systèmes complexes, la matrice de structure de design (DSM) s’avère être un outil d’analyse visuel essentiel. Cependant, la méthode traditionnelle de création de ces matrices s’avère souvent compliquée et chronophage. Un nouveau prototype innovant, développée récemment, propose une solution sans code pour automatiser cette génération, rendant ainsi le processus plus rapide et accessible. Cet article explore cette avancée remarquable dans le domaine de la conception assistée par ordinateur.
Qu’est-ce qu’une matrice de structure de design ?
La notion de matrice de structure de design (DSM) représente un dispositif d’analyse visuel qui permet de modéliser les relations entre différents éléments d’un système. La DSM utilise une matrice carrée de taille NxN pour traiter ces interrelations, offrant ainsi un aperçu clair de la manière dont les composants d’un produit s’articulent entre eux. Habituellement, la génération de ces matrices repose sur des enquêtes et des interviews avec des experts, ce qui peut s’étendre sur plusieurs heures, voire des jours, augmentant considérablement le temps et les coûts associés.
Les enjeux du développement traditionnel des DSM
La méthode classique de création de DSM présente plusieurs inconvénients, notamment la nécessité d’une expertise pointue dans le domaine, la dépendance à des ressources humaines compliquées à mobiliser, et le risque d’erreurs lors de la collecte de données. Ce processus se caractérise par une lourdeur administrative et une inefficacité qui peuvent entraver le flux de travaux. En allégeant ce fardeau, il devient possible de stimuler la recherche innovante dans divers secteurs d’activité.
L’innovation d’Auto-DSM
Pour surmonter ces obstacles, une nouvelle approche a été proposée, baptisée Auto-DSM. Développée par le professeur Dr. Edwin Koh de l’Université de Technologie et de Design de Singapour (SUTD), cette méthode utilise un modèle linguistique de grande taille pour automatiser la génération de DSM. Dans son papier intitulé « Auto-DSM: Using a large language model to generate a design structure matrix« , Dr. Koh met en lumière comment cette méthode vise à accroître la productivité et à faciliter l’utilisation des DSM dans divers milieux professionnels.
La méthodologie d’Auto-DSM
Le fonctionnement d’Auto-DSM repose sur la fragmentation de données pertinentes d’un document en plusieurs parties appelées splits. Ces segments sont ensuite intégrés dans une base de données vectorielle. Pour générer une DSM, deux questions prédéfinies sont posées pour interroger cette base de données et récupérer les segments qui contiennent les informations nécessaires. La première question permet d’identifier les éléments du système à analyser, tandis que la seconde porte sur les relations établies entre ces éléments. Les réponses sont ensuite organisées pour former la matrice, permettant ainsi une visualisation rapide et efficace des interrelations.
Tests et résultats
Dr. Koh a testé la faisabilité de sa méthode sur un exemple concret d’un moteur diesel, en utilisant des qualités de données d’entrée variées. Les résultats ont mis en évidence que, par rapport à une implémentation de ChatGPT, Auto-DSM offre une meilleure complétude lors de la création de la DSM, bien que les données sur la correction n’aient pas produit de résultats concluants. L’analyse de l’« exactitude » a montré qu’Auto-DSM a atteint jusqu’à 77,3 % de précision, suggérant des marges d’amélioration avec l’intégration de données spécifiques à l’organisation.
Les avantages d’un prototype sans code
L’un des principaux atouts d’Auto-DSM réside dans sa rapidité de génération. En comparaison avec les méthodes précédentes, qui nécessitaient une préparation de données complexe, Auto-DSM réussit à produire une DSM en seulement quatre minutes pour un test impliquant 11 éléments. Dr. Koh met en avant l’intérêt considérable de cette approche pour les industries, en leur permettant de mettre en avant des idées tout en économisant des ressources précieuses. De plus, ce prototype sans code ouvre la voie à une utilisation par des organisations même sans personnel technique formé, offrant ainsi une première esquisse de DSM rapidement en cas de contraintes de temps.
Les perspectives d’avenir pour l’Auto-DSM
À l’avenir, Dr. Koh espère établir des collaborations avec des industries qui possèdent des données spécifiques afin de perfectionner encore davantage l’Auto-DSM. Il envisage également des recherches futures portant sur l’intégration de la DSM avec d’autres workflows de conception, tels que la planification de tâches, afin d’augmenter encore l’efficacité des processus de conception. Cela pourrait aboutir à une synergie optimisée entre la génération de matrices de structure et d’autres éléments clés du développement produit.
Plus d’informations : Edwin C.Y. Koh, Auto-DSM: Using a Large Language Model to generate a Design Structure Matrix, Natural Language Processing Journal (2024). DOI: 10.1016/j.nlp.2024.100103
EN BREF
|
