هوش مصنوعی برای طراحی و فرآیندهای مهندسی پیام بگذارید

مهندسی الگوریتم محور

با پیچیده‌تر شدن محصولات فرآیندهای طراحی و مهندسی باید تکامل یابند و به شرکت‌ها کمک کنند تا تقاضای بازار برای ایجاد طرح‌های نوآورانه را در جدول زمانی بسیار سریع‌تری برآورده کند. ظهور انواع جدید مواد، افزایش فشارهای قانونی در مورد بهره‌وری، پایداری، سبک‌سازی و استفاده از روش‌های تولید جدید مانند چاپ سه‌بعدی چالش‌های جدیدی در مهندسی ایجاد کرده است. فرآیندهای طراحی سنتی، مهندسان را در بررسی کامل فضای طراحی و ارائه راه‌حل‌های سریع با چالش‌های نوظهور دشوار می‌سازد. سازمان‌ها باید بتوانند به سرعت تکرار کنند، به سرعت آن تکرارها را آزمایش و تأیید کنند، و سپس به مهندسان غیر متخصص اجازه دهند تا آن طرح‌ها را تحلیل و شبیه‌سازی کنند تا بتوانند به پیش بروند.

فناوری‌هایی مانند هوش مصنوعی (AI) و یادگیری ماشین (ML) می‌توانند به تسریع فرآیندهای طراحی و شبیه‌سازی کمک کنند و به مهندسان کمک کنند تا راه‌حل‌های جدیدی کشف کنند، از حجم زیادی از داده‌های شبیه‌سازی موجود بهره‌برداری کنند، و طراحی‌های نهایی را بهبود بخشند. فروشندگان نرم‌افزارهای طراحی و شبیه‌سازی، شروع به ادغام AI و ML در راه‌حل‌های خود کرده‌اند تا با بهره‌گیری از ایستگاه‌های کاری مهندسی جدید که مجهز به GPUهای مدرن هستند، ارتقاء چشمگیری در قدرت محاسباتی ارائه می‌دهند.

در این مقاله، توضیح خواهیم داد که چگونه هوش مصنوعی AI در راه‌حل‌ها و فرآیندهای کاری طراحی و مهندسی ادغام می‌شود و چگونه ایستگاه‌های کاری(ورک استیشن ها) و راه‌حل‌های محاسباتی با عملکرد بالا (HPC) جدید به مهندسان امکان می‌دهند تا به طور مؤثر از این قابلیت‌ها بهره‌برداری کنند.

استفاده‌ از هوش مصنوعی AI در مهندسی

هوش مصنوعی در حال حاضر در چرخه طراحی از طریق راه‌حل‌های مبتنی بر الگوریتم مانند طراحی مولد، استفاده از مدل‌های کاهش‌یافته برای تأیید سریع، تسریع فرآیندهای شبیه‌سازی، ایجاد محیط‌های مجازی و دوقلوهای دیجیتال، و حتی بهبود آموزش و پشتیبانی نرم‌افزار مورد استفاده قرار می‌گیرد.
در زمینه AI، چند اصطلاح کلیدی وجود دارد که گاهی به جای یکدیگر استفاده می‌شوند، اما درک آنها مهم است:

• هوش مصنوعی(Artificial intelligence): توانمندسازی کامپیوترها برای حل وظایف با تقلید از هوش و عملکردهای شناختی انسان.
• یادگیری ماشین(Machine Learning): زیرمجموعه‌ای از AI که شامل آموزش کامپیوتر برای حل یک مشکل خاص است. این سیستم‌ها تلاش می‌کنند تا خطای پیش‌بینی را در پیگیری اهداف خاص به حداقل برسانند.
• یادگیری عمیق(Deep Learning): زیرمجموعه‌ای از یادگیری ماشین که از شبکه‌های عصبی برای حل مشکلات استفاده می‌کند. یادگیری عمیق نیازمند حجم زیادی از داده‌ها است.
• هوش مصنوعی مولد(Generative AI): زیرمجموعه‌ای از یادگیری عمیق که از شبکه‌های عصبی برای درک زمینه از داده‌هایی مانند متن، تصاویر، نرم‌افزارهای کامپیوتری و غیره استفاده می‌کند تا محتوای جدیدی ایجاد کند که مشابه محتوای تولید شده توسط انسان است. ChatGPT احتمالاً معروف‌ترین نمونه از هوش مصنوعی مولد است.

در دنیای مهندسی، فناوری‌های ذکر شده در حال حاضر در طیف وسیعی از راه‌حل‌های طراحی به کمک رایانه (CAD)، شبیه‌سازی به کمک رایانه (CAE) و تولید به کمک رایانه (CAM) به کار گرفته می‌شوند تا بخش‌های مختلف چرخه طراحی را بهینه ‌و خودکار کنند. در اکثر موارد، این راه‌حل‌ها از حجم عظیمی از داده‌های موجود در زمینه طراحی و شبیه‌سازی بهره می‌گیرند تا به مهندسان در شناسایی سریع بهترین طرح‌ها، تحلیل و اعتبارسنجی آن‌ها و بهینه‌سازی تولید کمک کنند. استفاده از این ابزارهای مبتنی بر هوش مصنوعی و یادگیری ماشین می‌تواند وظایف را در کل چرخه طراحی ساده‌سازی کند و به مهندسان کمک کند تا فضای طراحی را سریع‌تر بررسی کنند، طرح‌های بهتر را با سرعت بیشتری خلق کنند و از مجموعه داده‌های موجود برای استنتاج و تحلیل سریع بهره ببرند. چندین مورد استفاده خاص در هر دو حوزه CAD و شبیه‌سازی وجود دارد که این مزایا را به تصویر می‌کشد.

هوش مصنوعی برای طراحی محصول (AI for Product Design)

در سناریوهای طراحی و CAD، هوش مصنوعی از طریق ظهور ابزارهای طراحی تولیدکننده، تأثیر خود را گذاشته است. این نرم‌افزار (که توسط اکثر فروشندگان راه‌حل‌های اصلی CAD ارائه می‌شود) با استفاده از هوش مصنوعی و یادگیری ماشین، مجموعه‌ای از گزینه‌های طراحی بهینه را بر اساس محدودیت‌های از پیش تعریف‌شده ایجاد می‌کند. ابزارهای طراحی تولیدکننده نیاز دارند که مهندسان از ابتدا این محدودیت‌ها را تعریف کنند (که می‌تواند شامل هر چیزی از عملکرد حرارتی و استحکام تا گزینه‌های مواد و حتی فرآیندهای خاص تولید باشد)، و به این نرم‌افزار امکان می‌دهد تا صدها یا حتی هزاران گزینه را برای ارزیابی ایجاد کند. سپس این گزینه‌ها را می‌توان با تنظیم دقیق محدودیت‌ها محدود کرد. طراحی تولیدکننده همزمان دامنه فضای طراحی را گسترش می‌دهد و در عین حال رسیدن طراحان به راه‌حل نهایی را با سرعت بیشتری ممکن می‌سازد.

در حوزه طراحی الکترونیکی به کمک رایانه (ECAD)، برخی از شرکت‌ها همچنین ابزارهای نرم‌افزاری مبتنی بر هوش مصنوعی را توسعه داده‌اند که به طراحان اجازه می‌دهد طراحی بردهای مدار چاپی (PCB) را تسریع کنند. این ابزارها با استفاده از داده‌های طرح‌های گذشته، به خودکارسازی طراحی جایگذاری و مسیر‌یابی برای بردهای مدار چاپی کمک می‌کنند که باعث بهبود بهره‌وری می‌شود.

قابل تصور است که ابزارهای مبتنی بر هوش مصنوعی در آینده بتوانند از دستورات زبان طبیعی برای ایجاد چندین تکرار از یک طرح خاص استفاده کنند. چنین سیستم‌هایی می‌توانند برای مفاهیم طراحی سطح بالا یا برای کمک به مهندسان در یافتن روش‌های جدید برای مثال، کاهش وزن در یک جزء یا سیستم استفاده شوند.

ابزارهای رندرینگ و تجسم هدایت‌شده توسط هوش مصنوعی نیز در حال ظهور هستند. برای مثال، انویدیا هوش مصنوعی از مدل متن به تصویر Stable Diffusion استفاده می‌کند تا به کاربران امکان ایجاد طرح‌ها و تصاویر دوبعدی با استفاده از دستورات متنی را بدهد. Depix Technologies، یک استارت‌آپ جدید، ابزاری را ارائه می‌دهد که به کاربران امکان می‌دهد تصاویر پانوراما و بک‌‌پلِیت‌های با دامنه دینامیکی بالا (HDR) را با استفاده از دستورات متنی ساده ایجاد کنند.

قابلیت‌های هوش مصنوعی همچنین می‌تواند به فرآیند تولید نیز سرایت کند. طراحی تولیدکننده برای کمک به کاربران در استفاده از تولید افزودنی (پرینت سه بعدی) باارزش تلقی می‌شود، زیرا آن‌ها می‌توانند اشکال و شبکه‌هایی را ایجاد کنند که در محیط ماشینکاری یا قالب‌گیری امکان‌‌پذیر نباشد. از آنجایی که فناوری هوش مصنوعی قادر به ارزیابی مجموعه داده‌های بزرگ و شناسایی الگوها است، این فناوری می‌تواند برای خودکارسازی تنظیمات پرینترهای سه بعدی با پیش‌بینی الگوهای تغییر شکل برای یک ماده و فرآیند چاپ خاص استفاده شود.

همچنین شرکت‌هایی در زمینه تولید به کمک رایانه (CAM) و تولید وجود دارند که از هوش مصنوعی برای برنامه‌نویسی ماشین‌های فرز CNC و سیستم‌های تولید رباتیک استفاده می‌کنند که می‌تواند در راه‌اندازی این سیستم‌ها صرفه‌جویی قابل توجهی در زمان داشته باشد.

هوش مصنوعی برای شبیه‌سازی (AI for Simulation)

راه‌حل‌های هوش مصنوعی که از شتاب‌دهنده‌های گرافیکی (GPU) استفاده می‌کنند، می‌توانند مزایای بیشتری را در زمینه‌ی بهبود بهره‌وری و کیفیت طراحی به ارمغان آورند. تحلیل و شبیه‌سازی به طور سنتی گلوگاهی در چرخه‌ی طراحی بوده‌اند، به ویژه با بزرگ‌تر و پیچیده‌تر شدن مدل‌ها، برخی از این پیشرفت‌ها با هدف آسان‌تر کردن استفاده از ابزارهای شبیه‌سازی انجام می‌شوند. برای مثال، شرکت‌های نرم‌افزاری شبیه‌سازی در حال آزمایش ابزارهای زبان طبیعی به سبک چت‌گپت هستند تا رابط کاربری را بهبود بخشند و دسترسی به نرم‌افزارهای شبیه‌سازی را گسترش دهند. کاربران بالقوه می‌توانند حتی بدون داشتن تسلط بر یک حل‌گر خاص، از طریق دستورات متنی برای اجرای شبیه‌سازی استفاده کنند. این کار می‌تواند به مهندسان در صرفه‌جویی زمانی که صرف یادگیری نرم‌افزار جدید می‌کنند، کمک کند. یک شرکت به نام Ansys، از یک ابزار پشتیبانی فنی مبتنی بر چت‌گپت (AnsysGPT) برای مدیریت درخواست‌های رایج پشتیبانی مشتری رونمایی کرده است. حتی گزارش‌هایی از کاربران وجود دارد که از چت‌گپت برای نوشتن برنامه‌های جاوا جهت اجرای وظایف خاص شبیه‌سازی بدون نیاز به برنامه‌نویسی استفاده کرده‌اند.

با این حال، استفاده از مدل‌های با مرتبه‌ی تقلیل‌یافته (ROMs) برای ارزیابی سریع در طول فرآیند طراحی، بدون نیاز به استفاده از حل‌گر برای یک شبیه‌سازی کامل، جایی است که هوش مصنوعی واقعا کاربردی می‌شود. یک مدل ROM که با استفاده از داده‌های شبیه‌سازی‌های دقیق موجود ساخته شده باشد، می‌تواند تحلیل را تقریباً در زمان واقعی ارائه دهد و به مهندسان اجازه دهد تا به سرعت یک مدل را ارزیابی و اصلاح کنند. این رویکرد نیازمند دسترسی به مقدار کافی داده‌ی آموزشی مرتبط با تغییرات جدید در محصولات یا طرح‌های موجود است. با این حال، مدل‌های ROM همچنین می‌توانند پاسخ‌هایی را برای موارد مشابه خارج از محدوده داده‌های شبیه‌سازی اولیه ارائه دهند. اکثر ارائه‌دهندگان اصلی نرم‌افزار شبیه‌سازی در حال بررسی یا آزمایش فعالانه‌ی ویژگی‌های هوش مصنوعی برای مجموعه نرم‌افزاری خود هستند. با این حال، حداقل سه محصول در حال حاضر وجود دارند که نمونه‌ای از چگونگی بهبود گردش کار توسط هوش مصنوعی هستند.

در سال ۲۰۲۳، شرکت Altair راه‌حل physicsAI خود را برای پیش‌بینی سریع رفتار فیزیکی با استفاده از مدل‌های CAD و توری‌های مش (Mesh) معرفی کرد. این راه‌حل نه تنها بدون نیاز به حل‌گر شبیه‌سازی نتایج سریعی ارائه می‌دهد، بلکه از شتاب‌دهنده‌های گرافیکی نیز بهره می‌برد و می‌تواند در محیط ایستگاه کاری رومیزی مورد استفاده قرار گیرد. physicsAI با استفاده از فرآیندی به نام یادگیری عمیق هندسی، به مهندسان امکان می‌دهد تا طرح‌ها را ارزیابی و در عرض چند ثانیه در مورد عملکرد آن‌ها پیش‌بینی کنند. داده‌های شبیه‌سازی به راه‌حل داده می‌شود و سپس برای آموزش یک مدل هوش مصنوعی جهت تست نتایج خاص استفاده می‌شود. سپس کاربران می‌توانند عملکرد آن را با تست‌های مهندسی رایانه‌ای شناخته‌شده (CAE) مقایسه کنند تا به مدل‌های هوش مصنوعی اعتماد پیدا کنند. با دسترسی به این ابزار در محیط Altair Hyperworks، کاربران می‌توانند صدها برابر سریع‌تر از اجرای یک حل‌گر سنتی، فیزیک‌های مختلف (مانند پیش‌بینی CFD یا تاب‌بردگی) را بررسی کنند.

به گفته‌ی Altair، مدل‌های کوچک‌تر physicsAI را می‌توان به طور مستقیم روی لپ‌تاپ یا کامپیوتر رومیزی ایجاد و آموزش داد. این شرکت می‌گوید مدل‌های بزرگ‌تر و پیچیده‌تر را بهتر است با استفاده از منابع رایانش ابری با کارایی بالا (HPC) مدیریت کرد. در هر صورت، فرآیندهای یادگیری عمیق در قلب این راه‌حل، از معماری موازی بالای پردازنده‌های گرافیکی (GPU) بهره می‌برند. بر اساس داده‌های معیار Altair و NVIDIA، physicsAI در مقایسه با یک پردازنده مرکزی لپ‌تاپ ۸ هسته‌ای، روی یک پردازنده گرافیکی NVIDIA A100 با ۴۰ گیگابایت حافظه، سرعت ۱۴ برابری را تجربه کرده است. استفاده از یک ایستگاه کاری با پردازنده گرافیکی NVIDIA RTX™ A4000 سرعت ۸ برابری را برای آموزش مدل‌های physicsAI فراهم می‌کند.

شرکت مونولیتِک هوش مصنوعی (Monolith AI) یک پلتفرم هوش مصنوعی ساخته که به مهندسان کمک می‌کند تا از داده‌های تست و شبیه‌سازی موجود برای حل مسائل پیچیده استفاده کنند. این شرکت همچنین عضوی از برنامه‌ی جهانی استارت‌آپ‌های انویدیا به نام «NVIDIA Inception» است و محصولاتش از شتاب‌دهنده‌های گرافیکی (GPU) بهره می‌برند.

شرکت کاتِکس (Kautex)، زیرمجموعه‌ای از شرکت تکسترون (Textron Inc.)، یک تامین‌کننده‌ی قطعات خودرو برای تعدادی از تولیدکنندگان اصلی تجهیزات جهان (OEM) است. این شرکت از راه‌حل مونولیتِک هوش مصنوعی برای کمک به مهندسان خود در کاهش صدای ناشی از لرزش سوخت در باک خودرو استفاده کرده است که در عین حال باعث کاهش هزینه‌های نمونه‌سازی و آزمایش نیز می‌شود. به طور سنتی، شرکتی مانند کاتِکس مجبور بود به صورت فیزیکی صدای لرزش سوخت در باک را تست و اندازه‌گیری کند یا از شبیه‌سازی برای تست مجازی تاثیر اجزای کاهش‌دهنده‌ی صدا استفاده کند. هر دو روش زمان‌بر و پرهزینه هستند. از آنجایی که این شرکت قبلا ده‌ها سال داده‌ی تست و شبیه‌سازی در اختیار داشت، توانست از مونولیتِک هوش مصنوعی برای ارزیابی مدل‌های جدید در مراحل اولیه‌ی طراحی استفاده کند که این امر به آن‌ها اجازه داد تا از تحلیل‌های پرهزینه و زمان‌بر مهندسی رایانه‌ای (CAE) اجتناب کنند. به دلیل حجم بالای داده‌های موجود، آن‌ها همچنین توانستند نتایج تحلیل هوش مصنوعی را با اطلاعات دنیای واقعی مقایسه کنند که به نتایج به دست آمده اعتماد ایجاد کرد.

شرکت نورال کانسِپت (Neural Concept)، یک استارت‌آپ سوئیسی و عضو برنامه‌ی NVIDIA Inception، نرم‌افزار یادگیری ماشین مبتنی بر ابر را ارائه می‌دهد که از شتاب‌دهنده‌های گرافیکی انویدیا بهره می‌برد. این شرکت توانست یک شبکه عصبی کانولوشنال را برای محاسبه‌ی ویژگی‌های آیرودینامیکی اشکال مختلف آموزش دهد، به عنوان مثال، برای محاسبه‌ی مش‌های چندضلعی و اشکال بهینه برای یک طراحی بدون دخالت جهت‌گیری انسانی.
مشتریان از این پلتفرم برای موارد زیر استفاده کرده‌اند:

• ساخت یک اپلیکیشن مبتنی بر هوش مصنوعی برای پیش‌بینی اینکه آیا پیکربندی خاصی از طراحی در یک شبیه‌سازی تصادف خودرو منجر به تماس باتری می‌شود.
• بهبود عملکرد طراحی جعبه‌ی ضربه (Crash Box) خودرو به میزان ۱۰% و در عین حال کوتاه‌تر کردن چرخه‌ی توسعه.
• پیش‌بینی سریع عملکرد طرح‌های جدید شیرهای یک‌طرفه در طیف وسیعی از فضاهای طراحی.
  هوش مصنوعی نه تنها امکان تحلیل سریع در مراحل اولیه‌ی طراحی را فراهم می‌کند، بلکه باعث می‌شود مهندسان بتوانند بدون نیاز به دانش یا آموزش گسترده، از حل‌گرهای شبیه‌سازی سنتی برای آن طرح‌ها استفاده کنند.

علاوه بر این، هوش مصنوعی برای تولید داده‌ی مصنوعی که به عنوان کلیدی برای آموزش سیستم‌های خودروهای خودران مطرح شده، ضروری است. از آنجایی که آموزش یک خودروی بدون راننده برای مثال، به میلیون‌ها ساعت داده‌ی عملکردی در سناریوهای بی‌شماری از خودرو نیاز دارد، داده‌ی مصنوعی که شرایط واقعی را بازتاب می‌دهد، می‌تواند به صورت مجازی این فرآیند را تسریع کند. به عنوان مثال، انویدیا پلتفرم NVIDIA DRIVE Sim™ (بر پایه‌ی NVIDIA Omniverse™) را برای اجرای شبیه‌سازی‌های چندحسیه‌ای در مقیاس بزرگ و با دقت فیزیکی بالا در یک محیط سه‌بعدی فراگیر ارائه می‌دهد. پلتفرم NVIDIA Omniverse Replicator داده‌ی مصنوعی برای این شبیه‌سازی‌ها تولید می‌کند. این نوع داده همچنین نیاز به پاکسازی و برچسب‌گذاری زمان‌بر داده‌ها را که در غیر این صورت برای استفاده از مجموعه داده‌های موجود ضروری است، از بین می‌برد.

در هر یک از این موارد استفاده، هوش مصنوعی با تسریع یا خودکارسازی وظایف و بهبود تحلیل داده‌ها، فعالیت‌های مهندسی را تقویت می‌کند و به طراحان و مهندسان زمان بیشتری برای ارزیابی و تنظیم دقیق کارشان می‌دهد. این فناوری به عنوان ابزاری دیگر عمل می‌کند که مهندسان می‌توانند از آن برای حذف موانع در فرآیند طراحی و ارائه‌ی بینش‌هایی که کشف آن‌ها با روش‌های سنتی دشوار است، استفاده کنند. با این حال، برای ارزیابی گزینه‌های طراحی و تصمیم‌گیری نهایی، هنوز به تخصص مهندسی خاص نیاز است.

ایستگاه‌های کاری آماده برای هوش مصنوعی AI

ابزارهای طراحی و شبیه‌سازی پیشرفته مبتنی بر AI به طور مؤثرتری روی ایستگاه‌های کاری مهندسی مجهز به جدیدترین GPUهای NVIDIA RTX™ عمل می‌کنند.

ایستگاه‌های کاری مهندسی آماده برای AI

Dell Technologies پیکربندی‌هایی از خط ایستگاه کاری خود ارائه می‌دهد که به طور خاص برای برنامه‌های AI و علوم داده هدف‌گذاری شده‌اند و منابع محاسباتی لازم را برای مهندسان فراهم می‌کنند تا با این ابزارها کار کنند. ایستگاه کاری Dell Precision 7960 می‌تواند با یک یا چند GPU NVIDIA RTX پیکربندی شود تا جریان‌های کاری مبتنی بر AI را امکان‌پذیر کند.

۷۹۶۰ که اخیراً بازطراحی شده، یک کامپیوتر تک‌سوکت است که تا یک CPU با ۵۶ هسته و یک شاسی بزرگ‌تر که می‌تواند تا چهار کارت گرافیک دوگانه را در خود جای دهد، ارائه می‌دهد. این به این معناست که کاربران می‌توانند تا چهار GPU NVIDIA RTX 6000 Ada Generation برای جریان‌های کاری CAE مبتنی بر AI و همچنین رندر و تجسم نصب کنند. NVIDIA RTX 6000 شامل ۴۸ گیگابایت حافظه گرافیکی است که به کاربران امکان می‌دهد با مجموعه داده‌های بزرگ کار کنند و وظایف شبیه‌سازی و رندر را روی مدل‌های بزرگ و پیچیده انجام دهند.
این نوع ایستگاه کاری، مجهز به یک یا چند GPU NVIDIA RTX، به مهندسان امکان می‌دهد تا با مدل‌ها و مجموعه داده‌های بزرگ که معمولاً در جریان‌های کاری مبتنی بر AI استفاده می‌شوند، درست روی دسکتاپ خود کار کنند. با امکان انجام آموزش مدل AI به صورت محلی و سپس استفاده از اعتبارسنجی سریع از طریق مدل‌های کاهش‌یافته در مراحل اولیه طراحی، ایستگاه‌های کاری مهندسی پیشرفته نقش کلیدی در تکامل سناریوهای طراحی و شبیه‌سازی قابل دسترس‌تر و خودکارتر ایفا می‌کنند.

نتیجه‌گیری

ابزارهای هوش مصنوعی و یادگیری ماشین می‌توانند فرآیندهای طراحی و شبیه‌سازی را بهبود و بهینه‌سازی کنند و به سازمان‌ها کمک کنند تا کارایی و ظرفیت تیم‌های مهندسی خود را افزایش دهند. در حالی که در هر سناریویی قابل استفاده نیست، تیم‌هایی که به میزان کافی داده‌های طراحی، شبیه‌سازی و تست قدیمی دسترسی دارند، می‌توانند از AI بهره‌برداری کنند تا فضای طراحی را گسترش دهند، بینش‌های مهندسی جدید کشف کنند، و فرآیند اعتبارسنجی و شبیه‌سازی را تسریع کنند تا به طراحی‌های بهتر با سرعت بیشتری برسند.
علاوه بر نیاز به داده‌ها برای آموزش این راه‌حل‌ها، شرکت‌ها نیز به منابع ایستگاه کاری و محاسباتی با عملکرد بالا نیاز دارند تا جریان‌های کاری پیشرفته مبتنی بر AI را پشتیبانی کنند. ایستگاه‌های کاری حرفه‌ای Dell Technologies و GPUهای NVIDIA RTX قدرت پردازشی لازم را برای مهندسان فراهم می‌کنند تا این ابزارهای نوظهور مبتنی بر AI را بپذیرند و از جریان‌های کاری طراحی در حال تکامل در آینده پشتیبانی کنند.