《Proceedings of the Design Society》：AI-supported variant management activities – insights from an industrial case study
编辑推荐：
变体管理面临着日益增长的复杂性，这对传统的基于规则的配置方法提出了挑战。本研究探讨了人工智能（AI）如何支持配置规则的生成：(1) 通过比较两种解决方案概念——一种基于Python的确定性方法和一种基于大语言模型（LLM）的方法。遵循结构化的早期人工智能系统开
变体管理面临着日益增长的复杂性，这对传统的基于规则的配置方法提出了挑战。本研究探讨了人工智能（AI）如何支持配置规则的生成：(1) 通过比较两种解决方案概念——一种基于Python的确定性方法和一种基于大语言模型（LLM）的方法。遵循结构化的早期人工智能系统开发方法，本研究调查了(2) 人工智能如何被系统地整合到变体管理中，以及(3) 两种方法之间的实施因素有何不同。结果揭示了透明度与效率之间明显的权衡。
**AI支持的变体管理：一项关于配置规则生成与结构化方法应用的工业案例研究解读**
**1. 研究背景与问题提出**
在工业产品开发（PD）领域，产品多样性和数据密集性不断上升，导致变体与复杂性管理面临日益严峻的挑战。为满足差异化的客户需求，企业必须在保持成本效益、质量和开发速度的同时，持续扩展其产品组合。产品架构日益模块化和数字化，但变体管理过程，特别是与配置、文档以及配置规则（CR）创建和维护相关的活动，在很大程度上仍然依赖人工、知识密集且由专家驱动。这导致管理和调整变体组合的成本大幅增加，同时错误和低效的可能性也随之增长。传统基于规则的方法在处理海量数据和复杂变体间依赖关系时显得力不从心。
人工智能的进步为支持甚至自动化此类基于规则和数据密集的活动提供了新的机遇。AI方法能够识别异构数据中的复杂模式和关系，可能促进配置规则的自动生成、验证和维护。然而，尽管工业界兴趣浓厚且投资巨大，许多AI项目由于缺乏流程整合、情境化不足以及利益相关者参与不够，未能产生可衡量的价值。因此，在工程领域成功实施AI需要结构化、透明和跨学科的方法，以确保领域目标、可用数据和技术可行性之间的一致性。在此背景下，如何将AI有效整合到变体管理，特别是配置规则的生成与修订中，成为一个亟待探索的实践与理论问题。本研究旨在通过一项工业案例研究，深入探讨AI在变体管理中的应用潜力，并评估一种结构化方法在早期AI系统开发中的效用。
**2. 研究设计与方法概述**
本研究采用定性、探索性-评估性研究设计，旨在实证检验一种结构化方法框架在变体管理背景下识别和开发AI用例的可行性与适用性。研究在一家大型商用车辆制造企业的工业环境中进行单案例研究，该企业产品组合变体丰富，产品可配置性高。应用领域聚焦于产品架构的文档化和维护，该领域当前依赖大量人工协调，且数据和IT结构分散。
研究团队由七名参与者组成，代表关键利益相关方，包括：三名具有深厚领域知识的领域专家（一名团队领导DTL和两名专家D1、D2）、一名兼具领域和AI知识的接口角色（IF，担任卡片负责人）、一名IT专家以及两名来自公司AI卓越中心（CoE-AI）的AI专家（AI1、AI2）。研究采用了Müller等人提出的AI系统开发方法框架，该框架通过透明和可追溯的程序将早期阶段（准备、构思、评估、优先级排序、执行）操作化。为支持这些阶段，研究应用了一套方法卡片：应用领域卡片（ADC）用于捕获领域背景和挑战；数据卡片（DC）用于记录数据状态；AI用例卡片（AIUCC）用于整合问题与数据视角，推导AI功能概念。研究过程包含两个迭代的构思周期，并采用半结构化访谈、研讨会和项目文档分析等多种方法进行数据收集与定性内容分析。
**3. 案例研究执行与核心发现**
**3.1. 迭代一：识别与初选AI用例**
在第一轮迭代中，研究人员通过流程分析，识别出产品架构规划部门内三个潜在的AI用例：1) AI支持的产品组合分析；2) AI支持的配置规则修订；3) AI支持的产品组合变更验证。经过评估，基于其管理复杂度、高实践相关性和为后续更高级AI计划提供早期洞察的潜力，“AI支持的配置规则修订与生成”用例被选中，进入下一轮详细阐述。
**3.2. 迭代二：详细阐述与解决方案设计**
第二轮迭代聚焦于对选定用例的详细阐述。分析发现，核心挑战在于将口语化的配置规则与公司数据库中超过15,000个特征值进行正确匹配。基于此，研究人员通过研讨会确定了两种解决方案：1) **非AI的Python方法**：一种确定性算法，通过比较文本字符串来自动替换口语化规则中的错误特征值。2) **LLM方法**：利用公司已有的大语言模型，通过提示词驱动来理解和修正口语化配置规则。研究定义了评估标准：C1（规则语义保留）、C2（特征值替换正确性）、C3（获得有效规则所需迭代次数）、C4（处理多个相似语义正确特征值时的透明度）。
**3.3. 执行与评估**
研究人员开发并评估了两种方案。Python原型使用确定性文本匹配，达到了技术就绪水平（TRL）4。LLM方案测试了ChatGPT 5.0、ChatGPT 4o和Llama 3.2-vision:11b三个模型。评估由领域专家根据预设标准进行。结果显示：Python方法在所有测试案例中表现一致，单次运行完成修正，且完全透明可追溯。ChatGPT 5.0和4o能成功替换所有特征值并保留语义，但需要多次迭代，尤其是对较长规则。Llama 3.2-vision:11b则表现出明显不一致性，在短规则中替换了错误但相似的值，在长规则中遗漏了一个特征值从而改变了规则含义，经过五次不成功尝试后实验终止。在透明度方面，仅ChatGPT 5.0对中等长度CR提供了替换步骤的推理，其他情况下LLM均未提供决策过程的透明度。
**3.4. 解决方案讨论**
对两种方法的比较分析揭示了显著的权衡。Python方法在开发、测试、集成和维护方面需要更大投入，对基础设施和专业技术（编程）要求高，但提供了更高的控制力、透明度、稳定性和可追溯性。LLM方法部署更快，对技术专长要求较低，通过提示词调整更灵活，并受益于供应商提供的基础设施而具有内在可扩展性，但其透明度有限，决策过程不透明，且随着规则变长错误率可能增加，在数据保护、提示词可重复性和治理方面也带来新挑战。研究指出，在工业环境中，结合确定性验证（Python）与生成式支持（LLM）的混合方法，是确保AI辅助配置规则管理可靠性和可扩展性的最优策略。
**4. 研究结论与未来方向**
本研究结论总结如下：人工智能可以通过将口语化特征值分配给预定义特征值来自动化修订口语化配置规则的过程。在研究中，这一目标通过LLM提示词和确定性Python方法均得以实现。两种LLM（ChatGPT 5.0和4o）提供了准确替换，但有时需要多次迭代且过程缺乏透明度。基于方法卡片的结构化方法，通过明确问题空间、数据空间和解决方案空间，改善了跨学科沟通，确保了决策的可追溯性。领域专家的早期参与保证了解决方案的相关性和数据现实性，降低了项目风险并加速了决策。这种方法提高了AI解决方案的领域对齐度，同时使其局限性和后续步骤变得透明。
未来工作应超越本单案例研究的局限，在其他领域和真实数据集上验证结果。当前结果处于TRL 4，未来应探索更高成熟度水平。需要进行自动化数据准备、更多数据的压力测试和泛化研究，同时研究将确定性验证与生成式AI相结合的混合方法，以实现工业应用中的可扩展性和透明度。
