المقدمة
مع تزايد اعتماد الأنظمة الهندسية على البرمجيات، وترابطها، واستقلاليتها، وتعدد تخصصاتها، تواجه المؤسسات تحديات غير مسبوقة في إدارة المتطلبات، والهياكل، والواجهات، والمحاكاة، وأنشطة التحقق، والتزامات الامتثال طوال دورة حياة المنتج.
غالباً ما تواجه أساليب هندسة النظم التقليدية التي تركز على الوثائق صعوبة في الحفاظ على الاتساق والتتبع والتعاون والشفافية بين الفرق العاملة في المجالات الميكانيكية والكهربائية والبرمجية والسلامة والأمن السيبراني والتشغيلية.
برزت هندسة الأنظمة القائمة على النماذج (MBSE) كمنهجية ثورية تستبدل الوثائق المنفصلة بنماذج أنظمة متكاملة تُشكل المصدر الموثوق للمعلومات الهندسية. واليوم، يُعزز الذكاء الاصطناعي (AI) من فعالية هندسة الأنظمة القائمة على النماذج من خلال إدخال الأتمتة الذكية، والتحليلات التنبؤية، والتتبع الآلي، وتوليد النماذج، ودعم اتخاذ القرارات في جميع أنحاء منظومة الهندسة الرقمية.
بدءًا من تحليل المتطلبات القائم على معالجة اللغة الطبيعية (NLP) وصولًا إلى توليد نماذج SysML، والتوائم الرقمية، وتخطيط التحقق، وإدارة الامتثال، وتحسين الهندسة، يُحدث الذكاء الاصطناعي تغييرًا جذريًا في كيفية تصميم المؤسسات وتطويرها والتحقق من صحتها وصيانتها للأنظمة المعقدة. يدمج هندسة الأنظمة القائمة على النماذج (MBSE) المدعومة بالذكاء الاصطناعي التعلم الآلي ومعالجة اللغة الطبيعية ونماذج اللغة الكبيرة (LLMs) والذكاء الاصطناعي التوليدي مباشرةً في سير عمل هندسة الأنظمة لأتمتة الأنشطة المتكررة مع تحسين جودة الهندسة وعملية اتخاذ القرارات.
يستكشف هذا الدليل كيف يُحدث الذكاء الاصطناعي تحولاً في هندسة الأنظمة القائمة على النماذج، والفوائد التي يقدمها، وحالات الاستخدام الرئيسية، وتحديات التنفيذ، والتطبيقات الصناعية، واعتبارات الامتثال، وأفضل الممارسات من أجل اعتماد ناجح.
ما هو الذكاء الاصطناعي في هندسة الأنظمة القائمة على النماذج (MBSE)؟
يشير الذكاء الاصطناعي في هندسة الأنظمة القائمة على النماذج إلى دمج تقنيات الذكاء الاصطناعي - بما في ذلك التعلم الآلي (ML) ومعالجة اللغة الطبيعية (NLP) والذكاء الاصطناعي التوليدي ونماذج اللغة الكبيرة (LLMs) ومخططات المعرفة والتحليلات التنبؤية - في سير عمل هندسة الأنظمة القائمة على النماذج لأتمتة الأنشطة الهندسية وتحسين جودة النموذج وتعزيز إمكانية التتبع وتسريع عملية صنع القرار.
يركز هندسة الأنظمة القائمة على النماذج التقليدية على إنشاء نماذج النظام وصيانتها والتي تحدد ما يلي:
- متطلبات الدراسة
- أبنية
- واجهات
- السلوك
- القيود
- طرق التحقق
- أنشطة التحقق
تعمل تقنيات الذكاء الاصطناعي على توسيع هذه القدرات من خلال العمل كمساعد هندسي ذكي قادر على:
- تحليل كميات كبيرة من البيانات الهندسية
- الكشف عن المتطلبات المفقودة
- تحديد التناقضات والصراعات
- توليد نماذج النظام وتحسينها
- أتمتة إنشاء إمكانية التتبع
- التنبؤ بالمخاطر الهندسية
- دعم أنشطة الامتثال
- تحسين تخطيط التحقق والتدقيق
بدلاً من استبدال مهندسي الأنظمة، يعزز الذكاء الاصطناعي الخبرة البشرية من خلال أتمتة المهام المتكررة وتمكين المهندسين من التركيز على تحسين البنية، ودراسات المفاضلة، والابتكار، والقرارات الحاسمة للمهمة.
لماذا يُعدّ الذكاء الاصطناعي مهماً في هندسة الأنظمة القائمة على النماذج الحديثة؟
تزايد تعقيد النظام
تحتوي المنتجات الحديثة على:
- ملايين أسطر البرامج
- آلاف الواجهات
- التفاعلات السيبرانية الفيزيائية المعقدة
- الذكاء الاصطناعي المدمج والاستقلالية
- متطلبات واسعة النطاق للسلامة والأمن السيبراني
أصبحت إدارة هذه العلاقات يدوياً أمراً غير مستدام على نحو متزايد.
متطلبات الانفجار
غالباً ما تتضمن البرامج الكبيرة في مجالات الطيران والفضاء، والسيارات، والدفاع، والسكك الحديدية، والأجهزة الطبية ما يلي:
- عشرات الآلاف من المتطلبات
- آلاف الحالات التجريبية
- تحليلات متعددة للمخاطر
- التزامات امتثال عديدة
تُمكّن تقنيات الذكاء الاصطناعي المهندسين من معالجة هذه البيانات وتصنيفها والتحقق من صحتها وربطها تلقائيًا.
التحول الرقمي في الهندسة
تتبنى المنظمات بشكل متزايد ما يلي:
- خيوط رقمية
- التوائم الرقمية
- مبسي
- هندسة أنظمة الأنظمة
- النظم البيئية للهندسة الرقمية
يُطلق الذكاء الاصطناعي قيمة إضافية من خلال جعل مجموعات البيانات الهندسية هذه ذكية وقابلة للبحث وقابلة للتنفيذ.
دورات تطوير أسرع
يطلب السوق:
- ابتكار أسرع
- جودة أعلى
- تكاليف أقل
- ثقة أكبر في الامتثال
تُمكّن هندسة الأنظمة القائمة على النماذج المدعومة بالذكاء الاصطناعي المؤسسات من تلبية هذه التوقعات من خلال الأتمتة والمساعدة الذكية.
كيف يدعم الذكاء الاصطناعي دورة حياة هندسة الأنظمة القائمة على النماذج
الذكاء الاصطناعي لهندسة المتطلبات
لا تزال هندسة المتطلبات واحدة من أكثر تطبيقات الذكاء الاصطناعي قيمة في هندسة الأنظمة القائمة على النماذج.
تاريخياً، كان المهندسون يراجعون ما يلي يدوياً:
- مواصفات المتطلبات
- الكتيبات الفنية
- مدخلات أصحاب المصلحة
- المعايير التنظيمية
- وثائق العقد
هذه العملية بطيئة ومكلفة وعرضة للأخطاء.
استخلاص المتطلبات باستخدام معالجة اللغة الطبيعية
تُمكّن معالجة اللغة الطبيعية المؤسسات من القيام بما يلي تلقائياً:
- استخلاص المتطلبات من المستندات
- تصنيف المتطلبات
- تحديد التكرارات
- تصنيف المتطلبات
- اكتشاف التناقضات
- إعداد متطلبات النمذجة
يقلل الذكاء الاصطناعي بشكل كبير من الجهد المطلوب لتحويل المعلومات الهندسية الخام إلى متطلبات منظمة.
تحليل جودة المتطلبات المدعوم بالذكاء الاصطناعي
يمكن للذكاء الاصطناعي تحديد ما يلي:
- لغة غامضة
- معايير القبول المفقودة
- متطلبات غير قابلة للتحقق
- مصطلحات ضعيفة
- تصريحات متضاربة
على سبيل المثال، يمكن للذكاء الاصطناعي أن يصنف كلمات مثل:
- سريعة
- وموثوقة
- فعّالة
- سهل الاستعمال
وتقديم بدائل قابلة للقياس والاختبار.
يؤدي ذلك إلى تحسين جودة المتطلبات قبل بدء أنشطة التصميم والنمذجة.
الذكاء الاصطناعي لتطوير بنية النظام
تحدد بنية النظام كيفية تفاعل المكونات لتحقيق أهداف المهمة.
يساعد الذكاء الاصطناعي المهندسين المعماريين من خلال:
- تحديد أنماط البنية
- اقتراح بدائل تصميمية
- تقييم المفاضلات
- الكشف عن تعارضات التبعية
- دعم تحسين البنية
تساعد هذه القدرات المؤسسات على إنشاء بنى أنظمة أكثر قوة وقابلية للتوسع.
الذكاء الاصطناعي لتوليد نماذج SysML
يُعد توليد النماذج الآلي أحد أكثر التطبيقات الواعدة لهندسة الأنظمة القائمة على النماذج المدعومة بالذكاء الاصطناعي.
تقليديًا، كان المهندسون يترجمون المتطلبات يدويًا إلى:
- استخدم مخططات الحالة
- مخططات النشاط
- آلات الدولة
- مخططات تعريف الكتل
- مخططات الكتل الداخلية
غالباً ما تصبح هذه العملية عائقاً.
يمكن للذكاء الاصطناعي التوليدي وبرامج التعلم مدى الحياة أن:
- تحويل المتطلبات إلى مخططات SysML
- توليد نماذج هيكلية
- اقتراح نماذج سلوكية
- إنشاء تعريفات الواجهة
- التوصية بتحسينات النموذج
هذا يقلل بشكل كبير من جهد النمذجة اليدوية.
مساعدو SysML المدعومون بالذكاء الاصطناعي
تُمكّن أنظمة SysML الحديثة للذكاء الاصطناعي المساعد المهندسين من:
- تفاعل باستخدام اللغة الطبيعية
- إنشاء النماذج تلقائيًا
- استكشف البدائل المعمارية
- تحسين هياكل النموذج بشكل متكرر
يقضي المهندسون وقتاً أقل في رسم المخططات ووقتاً أطول في تحسين سلوك النظام وجودة التصميم.
الذكاء الاصطناعي لإدارة التتبع
تُعدّ إمكانية التتبع أمراً أساسياً لنجاح هندسة النظم.
يجب على المنظمات الحفاظ على العلاقات بين:
- متطلبات الدراسة
- الموديلات
- لمخاطر
- اختبارات
- أدوات التحقق
- أدلة الامتثال
تُعدّ إمكانية التتبع اليدوي مكلفة وعرضة للأخطاء.
التتبع الآلي
يمكن للذكاء الاصطناعي أن يقوم تلقائيًا بما يلي:
- إنشاء روابط التتبع
- التحقق من صحة العلاقات
- الكشف عن السلاسل المقطوعة
- تحديد القطع الأثرية اليتيمة
- اكتشف التبعيات الخفية
تحليل التأثير الذكي
عندما تتغير المتطلبات، يمكن للذكاء الاصطناعي تحديد ما يلي على الفور:
- الطرازات المتأثرة
- مكونات العمارة
- أنشطة التحقق
- حالات الاختبار
- أدلة الامتثال
يؤدي هذا إلى تحسين كفاءة إدارة التغيير بشكل كبير.
الذكاء الاصطناعي للتحقق والتدقيق
غالباً ما تستهلك عمليات التحقق والتدقيق موارد هندسية كبيرة.
يدعم الذكاء الاصطناعي عمليات التحقق والتدقيق من خلال:
- تحديد ثغرات التحقق
- التوصية بحالات الاختبار
- إعطاء الأولوية لأنشطة الاختبار
- تحسين تحليل التغطية
- التنبؤ بالمناطق المعرضة للعيوب
تساهم هذه القدرات في زيادة كفاءة الاختبار مع تقليل مخاطر الجودة.
الذكاء الاصطناعي، والخيوط الرقمية، والتوائم الرقمية
يربط الخيط الرقمي المعلومات الهندسية عبر دورة الحياة.
يعزز الذكاء الاصطناعي مبادرات الخيط الرقمي من خلال:
- اكتشاف العلاقة
- التحقق المستمر
- أتمتة تحليل الأثر
- ربط القطع الأثرية عبر المجالات
هندسة أنظمة التوأم الرقمي
تتعلم التوائم الرقمية المدعومة بالذكاء الاصطناعي باستمرار من:
- بيانات جهاز الاستشعار
- المعلومات التشغيلية
- مخرجات المحاكاة
- مقاييس الأداء
يمكن لهذه الأنظمة أن:
- التنبؤ بالفشل
- كشف الشذوذ
- تحسين العمليات
- تحسين تخطيط الصيانة
يربط الذكاء الاصطناعي بين الأنظمة المادية والافتراضية من خلال تحديث النماذج باستمرار باستخدام بيانات من العالم الحقيقي.
الذكاء الاصطناعي لتحليل التصميم متعدد التخصصات وتحسينه (MDAO)
تدمج MDAO مجالات هندسية متعددة لتحسين الأداء.
ومن الأمثلة على ذلك:
- الديناميكا الهوائية
- تحليل هيكلي
- الإدارة الحرارية
- هندسة الموثوقية
- تحسين التكلفة
يعزز الذكاء الاصطناعي تقنية MDAO من خلال:
- تسريع خوارزميات التحسين
- إنشاء نماذج بديلة
- استكشاف مساحات تصميم أكبر
- تحديد المقايضات المثلى
بإمكان المؤسسات تقليل الجهد الحسابي بشكل كبير مع تحسين نتائج الهندسة.
الفوائد الرئيسية للذكاء الاصطناعي في هندسة الأنظمة القائمة على النماذج
تحسين إنتاجية الهندسة
تعمل تقنيات الذكاء الاصطناعي على أتمتة الأنشطة الهندسية المتكررة، مما يسمح للفرق بالتركيز على الابتكار وقرارات التصميم.
جودة نموذج محسّنة
يُحدد التحليل المستمر أوجه عدم الاتساق والإغفال والتضارب قبل أن تصبح قضايا مكلفة.
دورات تطوير أسرع
تعمل الأتمتة على تسريع تحليل المتطلبات، والنمذجة، وإدارة التتبع، وتخطيط التحقق.
قرارات هندسية أفضل
تساعد الرؤى المدعومة بالذكاء الاصطناعي المهندسين على تقييم البدائل باستخدام التحليل القائم على البيانات.
إمكانية تتبع أقوى
تضمن إمكانية التتبع الآلي بقاء علاقات دورة الحياة دقيقة وكاملة.
تقليل المخاطر الهندسية
تساعد التحليلات التنبؤية في تحديد المشكلات المحتملة في وقت مبكر من عملية التطوير.
تحسين جاهزية الامتثال
يقوم الذكاء الاصطناعي باستمرار بالتحقق من التغطية وإمكانية التتبع وأدلة التحقق وفقًا للمتطلبات التنظيمية.
الذكاء الاصطناعي في هندسة الأنظمة القائمة على النماذج عبر مختلف الصناعات
الفضاء والدفاع
تستخدم المؤسسات هندسة الأنظمة القائمة على النماذج المدعومة بالذكاء الاصطناعي من أجل:
- إدارة الأنظمة بالغة الأهمية
- تحسين جاهزية الحصول على الشهادة
- تعزيز مبادرات الهندسة الرقمية
- تحليل البنى المعقدة
السيارات والأنظمة ذاتية القيادة
يدعم الذكاء الاصطناعي ما يلي:
- تطوير أنظمة مساعدة السائق المتقدمة (ADAS)
- هندسة المركبات ذاتية القيادة
- تحليل السلامة الوظيفية
- تحسين بنية المركبة
الأجهزة الطبية
تستخدم شركات الأجهزة الطبية هندسة الأنظمة القائمة على النماذج المدعومة بالذكاء الاصطناعي من أجل:
- تحسين إدارة المخاطر
- تسريع التنمية
- الحفاظ على إمكانية تتبع التصميم
- دعم الامتثال التنظيمي
السكك الحديدية والنقل
يساعد الذكاء الاصطناعي في:
- ضمان السلامة
- نظام التكامل
- تغيير الإدارة
- تخطيط التحقق
الأتمتة الصناعية
تستفيد المؤسسات من الذكاء الاصطناعي من أجل:
- تحسين الموثوقية
- إدارة التوائم الرقمية
- تمكين الصيانة التنبؤية
- تحسين أنظمة التحكم
الذكاء الاصطناعي لهندسة المتطلبات، والتتبع، والخيط الرقمي
لا تزال هندسة المتطلبات هي التطبيق الأعلى قيمة للذكاء الاصطناعي ضمن هندسة الأنظمة القائمة على النماذج.
تساعد تقنيات الذكاء الاصطناعي المؤسسات على:
- تحليل مستودعات المتطلبات الكبيرة
- اكتشاف العيوب
- حسن الجودة
- تصنيف المتطلبات
- تحليل أثر الدعم
- توصيات توليد التتبع
بالنسبة للبرامج التي تدير آلاف المتطلبات، يقلل الذكاء الاصطناعي بشكل كبير من جهد المراجعة مع تحسين الجودة.
يعزز الذكاء الاصطناعي الترابط الرقمي من خلال:
- اكتشاف العلاقات الآلي
- التحقق المستمر من إمكانية التتبع
- الملاحة الذكية
- ربط القطع الأثرية عبر المجالات
تُعد هذه القدرات بالغة الأهمية لبرامج الهندسة واسعة النطاق حيث يكون التتبع اليدوي غير عملي.
الذكاء الاصطناعي لإدارة المخاطر والامتثال
يجب على الصناعات ذات الأهمية البالغة للسلامة إثبات امتثالها للعديد من المعايير.
يدعم الذكاء الاصطناعي الامتثال من خلال:
- تغطية متطلبات المراقبة
- الكشف عن ثغرات الامتثال
- تحديد التضاربات التنظيمية
- دعم عمليات التدقيق
- جمع الأدلة تلقائياً
تشمل المعايير الرئيسية ما يلي:
- ISO 26262
- هل -178 ج
- ARP4754A/B
- إيك شنومكس
- إيك شنومكس
- ISO 14971
- ضوابط تصميم إدارة الغذاء والدواء
- EN 50128
تساهم إمكانية التتبع والشفافية المدعومة بالذكاء الاصطناعي في تقليل جهد التحضير للتدقيق بشكل كبير.
الذكاء الاصطناعي القابل للتفسير (XAI) وهندسة الأنظمة القائمة على النماذج والموجهة بالأنطولوجيا
تحديات الهلوسة في برنامج الماجستير في القانون
تُعد نماذج اللغة الكبيرة قوية ولكنها قد تُنتج مخرجات غير صحيحة.
في الصناعات التي تتطلب معايير سلامة بالغة الأهمية، يمكن أن تؤدي الهلوسة إلى:
- متطلبات غير صحيحة
- بنى غير صالحة
- انتهاكات الامتثال
- مخاطر السلامة
لا يمكن التسامح مع هذه المخاطر في الأنظمة المعتمدة.
الذكاء الاصطناعي القابل للتفسير (XAI)
يضمن الذكاء الاصطناعي القابل للتفسير ما يلي:
- التوصيات شفافة
- القرارات قابلة للتدقيق
- يفهم المهندسون منطق الذكاء الاصطناعي
- يتم الاحتفاظ بإثباتات الاعتماد
هندسة البرمجيات القائمة على النماذج والموجهة بالأنطولوجيا
توفر الأنطولوجيات الهندسية ما يلي:
- القيود الرسمية
- قواعد خاصة بالمجال
- الحواجز التنظيمية
- الاتساق المنطقي
يساعد كل من الذكاء الاصطناعي القابل للتفسير (XAI) والأنطولوجيات معًا في ضمان بقاء الذكاء الاصطناعي جديرًا بالثقة في بيئات الهندسة الحساسة للسلامة.
تحديات تطبيق الذكاء الاصطناعي في هندسة البرمجيات القائمة على النماذج
مشاكل جودة البيانات
يتطلب الذكاء الاصطناعي ما يلي:
- متطلبات دقيقة
- نماذج جيدة التنظيم
- بيانات هندسية متسقة
جودة البيانات الرديئة تحد من الفعالية.
مخاوف تتعلق بإمكانية التفسير
يجب أن تظل القرارات الهندسية شفافة وقابلة للتدقيق.
متطلبات الحوكمة
تتطلب المخرجات التي يتم إنشاؤها بواسطة الذكاء الاصطناعي مراجعة وتحققًا بشريًا.
تعقيد التكامل
يجب على المؤسسات دمج الذكاء الاصطناعي مع:
- منصات هندسة الأنظمة القائمة على النماذج
- أدوات تحديد المتطلبات
- أنظمة ALM
- مستودعات الهندسة
أفضل الممارسات لتطبيق الذكاء الاصطناعي في هندسة البرمجيات القائمة على النماذج
ابدأ بحالات الاستخدام ذات القيمة العالية
ركز على:
- تحليل المتطلبات
- إدارة التتبع
- تخطيط التحقق
- تحليل التأثير
الحفاظ على العمليات التي تتضمن العنصر البشري
ينبغي للذكاء الاصطناعي أن يعزز الخبرة الهندسية، لا أن يحل محلها.
إرساء حوكمة بيانات قوية
ينبغي أن تكون البيانات الهندسية كالتالي:
- دقيق
- تعقبها
- منظم
- مداوم
إعطاء الأولوية للقدرة على التفسير
اختر حلول الذكاء الاصطناعي التي توفر استدلالاً شفافاً.
قياس النتائج باستمرار
المسار:
- متطلبات الجودة
- تغطية إمكانية التتبع
- كفاءة التحقق
- تقليل العيوب
كيف تدعم Visure هندسة الأنظمة القائمة على النماذج المدعومة بالذكاء الاصطناعي
توفر منصة Visure Requirements ALM أساسًا قويًا لهندسة الأنظمة القائمة على النماذج المدعومة بالذكاء الاصطناعي من خلال مساعدة المؤسسات على إدارة المتطلبات، والتتبع، والمخاطر، والاختبار، والامتثال، وأنشطة التحقق ضمن بيئة هندسية مركزية.
تشمل قدرات Visure المدعومة بالذكاء الاصطناعي ما يلي:
- تحليل المتطلبات بمساعدة الذكاء الاصطناعي
- تقييم جودة المتطلبات
- إمكانية التتبع الذكية
- أتمتة تحليل الأثر
- تعريف المخاطر
- دعم جاهزية الامتثال
من خلال برنامج Visure Quality Analyzer و Vivia AI Assistant، يمكن لفرق الهندسة استخراج المتطلبات تلقائيًا، وتقييمها وفقًا لأفضل الممارسات في الصناعة مثل إرشادات INCOSE، وتحديد الغموض، واكتشاف التعارضات، والحفاظ على إمكانية التتبع من البداية إلى النهاية طوال دورة الحياة.
يمكن للمنظمات أن تقوم بما يلي:
- تحسين جودة المتطلبات
- تعزيز إمكانية التتبع
- تسريع الامتثال
- تحسين التعاون الهندسي
- دعم مبادرات الهندسة الرقمية
- إدارة تعقيد النظام المتزايد
تُمكّن Visure المؤسسات من نشر سير عمل هندسة الأنظمة القائمة على النماذج (MBSE) المدعوم بالذكاء الاصطناعي بأمان مع الحفاظ على الرؤية والتحكم وإمكانية التتبع والتدقيق المطلوبة في الصناعات الخاضعة للتنظيم.
مستقبل الذكاء الاصطناعي في هندسة الأنظمة القائمة على النماذج
يشمل مستقبل هندسة الأنظمة القائمة على النماذج المدعومة بالذكاء الاصطناعي ما يلي:
- مساعدو الهندسة المستقلون
- نمذجة SysML التفاعلية
- خيوط رقمية ذكية
- التوائم الرقمية المدعومة بالذكاء الاصطناعي
- هندسة النظم التنبؤية
- إنشاء الامتثال تلقائيًا
- تحسين النموذج المتقدم
- دعم اتخاذ القرارات الهندسية في الوقت الفعلي
مع استمرار تطور الهندسة الرقمية، سيصبح الذكاء الاصطناعي قدرة أساسية في بيئات هندسة الأنظمة الحديثة.
خاتمة
يعمل الذكاء الاصطناعي على إحداث تحول سريع في هندسة الأنظمة القائمة على النماذج من خلال تعزيز هندسة المتطلبات، ونمذجة النظام، وتطوير البنية، والتتبع، والتحقق، والتحقق من الصحة، وإدارة المخاطر، وأنشطة الامتثال.
مع ازدياد اعتماد الأنظمة على البرمجيات، وترابطها، وتنظيمها، يوفر الذكاء الاصطناعي الأتمتة الذكية اللازمة لإدارة التعقيد المتزايد مع تحسين الجودة والإنتاجية واتخاذ القرارات.
تستطيع المؤسسات التي تجمع بين الذكاء الاصطناعي والحوكمة الرشيدة، والشفافية، والتتبع، والإشراف البشري، تحقيق فوائد جمة مع الحفاظ على الدقة المطلوبة في الصناعات الحيوية للسلامة. ومع استمرار تطور الهندسة الرقمية، ستصبح هندسة الأنظمة القائمة على النماذج المدعومة بالذكاء الاصطناعي ركيزة أساسية لهندسة الأنظمة من الجيل القادم، مما يساعد المؤسسات على تقديم أنظمة مبتكرة وموثوقة ومتوافقة ومرنة على نطاق واسع.
