AI y Big Data pueden ayudar a los OEM a construir vehículos más seguros y evitar retiros

0
3
AI y Big Data pueden ayudar a los OEM a construir vehículos más seguros y evitar retiros

El análisis de datos avanzado y el aprendizaje automático permitirán a los OEM analizar datos del mundo real sobre cómo se comportan los vehículos en circunstancias de conducción específicas, escribe Ron Soreanu

Treinta días tiene junio, dice el viejo refrán. Pero en junio de 2022, los fabricantes de vehículos emitieron 31 retiros en los EE. UU., lo que representa un promedio de más de uno por día. Los retiros fueron realizados por casi todos los fabricantes de automóviles nacionales y extranjeros, desde Fiat-Chrysler hasta Hyundai, Porsche y Lamborghini, y los retiros individuales involucraron números que iban desde 2.9 millones de vehículos hasta solo uno, por cuestiones que van desde la integridad del hardware hasta problemas de software en las computadoras del vehículo. . Simplemente fue un mes típico para los fabricantes de automóviles, que han estado emitiendo retiros al mismo ritmo durante años.

¿Hay alguna forma de salir de este dilema de recuperación recurrente? ¿Cómo es que después de fabricar vehículos durante casi un siglo, los fabricantes de automóviles todavía no lo están haciendo bien? Pero está surgiendo una solución, o al menos una parcial: la tecnología moderna en forma de inteligencia artificial (IA) en el futuro podrá ayudar a los fabricantes a construir vehículos mejores y más seguros, reduciendo la probabilidad de tener que retirar del mercado. Con análisis de datos avanzados y aprendizaje automático, los OEM podrán analizar grandes cantidades de datos del mundo real sobre cómo se comportan los vehículos en circunstancias específicas de conducción, teniendo en cuenta el impacto del clima, las condiciones de la carretera, los hábitos del conductor, el desgaste y las roturas. otros factores que podrían afectar el rendimiento de un vehículo. Si bien existen muchos desafíos, incluido el ajuste del proceso de producción y las preocupaciones sobre la privacidad, los OEM deberían tomar más medidas para incorporar estos datos en el diseño y la construcción de vehículos.

¿Cómo es que después de fabricar vehículos durante casi un siglo, los fabricantes de automóviles todavía no lo están haciendo bien?

El primer paso es aprovechar y utilizar los Big Data recopilados por la gran cantidad de sensores en los vehículos modernos, especialmente con el auge de los vehículos autónomos y semiautónomos conectados. Esto, junto con la información sobre el clima, el tráfico, el estado de la carretera en sí, además de los datos recopilados por los talleres de reparación sobre problemas físicos y operativos específicos, puede ofrecer información valiosa sobre el funcionamiento y el rendimiento del vehículo. Esto permitirá a los fabricantes comprender mejor cómo evitar problemas que podrían provocar una retirada. Podrían usar estos datos e información del mundo real para ayudarlos con cosas como diseñar mejores piezas o la mejor manera de escribir o actualizar el software del vehículo. Eventualmente, los sistemas de producción automatizados que actúan sobre los datos podrían cambiar rápidamente los procesos de fabricación para mejorar los productos que salen de la línea de ensamblaje.

Y si bien esta es una visión para el futuro, la mayoría de los automóviles aún no cuentan con el conjunto avanzado de sensores necesarios para este tipo de análisis, los sistemas inteligentes de inteligencia artificial ya están realizando este tipo de análisis preventivo predictivo en una amplia variedad de áreas, desde la medicina hasta la reparación de máquinas. . Los OEM, por supuesto, ya usan algunos datos para estos fines, pero la ventaja de los sistemas avanzados de análisis de datos es que pueden participar en el aprendizaje automático, perfeccionando su conocimiento de lo que hace que un vehículo funcione, y lo que puede impedir que funcione, para construir un modelo que los OEM pueden usar para ayudar a eliminar problemas.

Ya está claro que el análisis de datos funciona. En 2012, GM usó una base de datos que rastreaba las piezas utilizadas en sus automóviles y recopilaba registros de fabricación de los proveedores para localizar una pieza defectuosa en algunos de sus modelos Chevy Volt. Como resultado de la investigación, GM pudo evitar un retiro masivo del mercado, aportando solo cuatro voltios para el servicio, con la aprobación de la NHTSA. Los investigadores de GM tardaron un mes en analizar los datos para llegar a una conclusión, y en una era anterior al despliegue generalizado de sensores, aplicaciones y otras fuentes de recopilación de datos, en un momento en que los sistemas de IA eran menos avanzados que ellos son ahora Si GM pudo limitar el retiro hace una década, la tecnología actual debería ser suficiente para evitar el retiro de decenas de miles de vehículos y ahorrar a las empresas millones de dólares. Y los datos podrían usarse para mejorar el proceso de fabricación, reduciendo la cantidad de retiros en general.

Los fabricantes de automóviles incorporarán cada vez más datos del mundo real sobre el rendimiento del vehículo en su proceso de diseño.

Pero el análisis de datos de IA para mejorar la ingeniería y los procesos aún no se ha convertido en un estándar entre los OEM. Si bien los fabricantes ya están utilizando IA en algunos procesos de producción, los OEM aún tienen que instituir sistemas que puedan actuar rápidamente sobre los datos recopilados de una gran cantidad de fuentes de datos, incluidos los sensores de automóviles conectados, lo que implicaría la interrupción del proceso de producción. Por lo tanto, junto con los sistemas de IA, los OEM tendrían que invertir en sistemas automatizados para actuar sobre los datos y cambiar rápidamente los procesos de producción para evitar problemas de producción.

Además de ese desafío logístico, un informe de McKinsey atribuye la adopción lenta del análisis de IA a varios factores, incluida la cultura tradicional del sector de fabricación de automóviles, donde los datos a menudo se almacenan en silos; pocos, si es que alguno, los OEM han podido desarrollar unidades de monetización de datos dedicadas y multifuncionales que podrían usar los datos producidos por IA de manera efectiva para cambiar los sistemas de producción e ingeniería. Los OEM también tienen dificultades para contratar el talento necesario para el análisis avanzado de datos y para asociarse con organizaciones externas, lo cual es esencial para aprovechar realmente los datos. Además, los OEM necesitarían el permiso de los consumidores, y muchos simplemente no están interesados ​​en proporcionar datos sobre sus hábitos de conducción o el estado del vehículo.

Junto con los sistemas de IA, los OEM tendrían que invertir en sistemas automatizados para actuar sobre los datos y cambiar rápidamente los procesos de producción para evitar problemas de producción.

Sin embargo, los datos que los OEM podrían recopilar potencialmente son demasiado valiosos como para pasarlos por alto y una vez que los fabricantes desarrollen los métodos correctos para recopilar y usar datos, podrán protegerse de problemas significativos e identificar más rápidamente los problemas mecánicos y de diseño que ocurren. . Los datos recopilados pueden incluir detalles sobre el estado de las piezas cuando se reparan los vehículos, así como su estado después de un accidente u otro incidente. Por ejemplo, si los talleres de reparación descubren que el 60% de los golpes de guardabarros resultan en un espejo del lado del pasajero roto, podría indicar que la forma en que está construido el vehículo lo hace más propicio para tal daño.

Los fabricantes también pueden usar este enfoque de diseño basado en datos para aumentar la confianza del consumidor. Las investigaciones muestran que los retiros del mercado grandes o muy publicitados perjudican las ventas no solo de una placa de identificación OEM específica, sino incluso de los vehículos fabricados por sus competidores en el mismo país; un retiro de Suzuki, por ejemplo, también afectará las ventas de Subaru. Al identificar los problemas y solucionarlos antes de que se requiera un retiro masivo, los OEM pueden mostrar a los consumidores que su control de calidad es lo suficientemente bueno como para detectar y solucionar los problemas antes de que se salgan de control. Y además, aumenta la confianza en la marca entre los consumidores en el mercado de autos usados, disipando las preocupaciones actuales entre los compradores de que los concesionarios no siempre envían los autos retirados al fabricante, sino que tratan de venderlos como vehículos usados.

Big Data ha tenido un gran impacto en docenas de industrias, y es hora de que los OEM usen Big Data para mejorar el proceso de fabricación, así como para aumentar la confianza del consumidor en sus marcas. Afortunadamente para ellos, gran parte de los datos que necesitan analizar ya se están recopilando y utilizando para diversos fines; todo lo que necesitan hacer ahora es incorporarlo al proceso de producción e implementar sistemas para actuar rápidamente. ¿Por qué no usar eso para ahorrarse a sí mismos, y a los consumidores, el problema de tener que lidiar con retiros del mercado y, en última instancia, producir vehículos mejores y más seguros?


Sobre el autor: Ron Soreanu es vicepresidente de operaciones de barranco IA

LEAVE A REPLY

Please enter your comment!
Please enter your name here