Zpět

Vzhledem k tomu, že se automobilový průmysl stává stále přeplněnějším a výrobci automobilů a dodavatelé se snaží získat větší podíl na vývoji budoucích řešení mobility, je identifikace inteligentních inovací pro urychlení výzkumu a vývoje zásadní pro získání konkurenční výhody.

Vývoj produktů se digitalizuje více než kdy jindy, což přináší možnosti nasazení pokročilého softwaru umělé inteligence (AI). Nedávný průzkum společnosti Forrester zjistil, že více než dvě třetiny (67 %) osob s rozhodovací pravomocí v oblasti inženýrství pociťují tlak na zavedení umělé inteligence do svých inženýrských pracovních postupů, aby neztratily konkurenční výhodu. A to proto, že nástroje AI nabízejí širokou škálu výhod pro odblokování rychlejšího vývoje produktů a kvalitnějších řešení. Urychlují časově náročné ověřovací fáze a umožňují současné trénování více samoučících se modelů AI – které se zlepšují a stávají se hodnotnějšími, když jsou zásobovány větším množstvím dat a inženýr je správně zasadí do kontextu.

Identifikace správných dat a jejich nejlepšího využití v inženýrském pracovním postupu však může být časově velmi náročná. Datoví vědci – z nichž mnozí nejsou experty na inženýrské domény – totiž nemají dostatečné znalosti testovacích postupů, aby se mohli efektivně zaměřit na existující soubory dat, které lze využít pomocí umělé inteligence, což vede ke zbytečným investicím času a zdrojů.

To znamená, že organizace musí posílit své systémy správy dat pro identifikaci užitečných dat, příslušného testovacího nebo inženýrského kontextu nebo vybavit své týmy pro vývoj produktů správnými nástroji, aby mohly data, kontext a software AI samy efektivně využívat. Teprve pak bude schopnost AI zlepšovat vývoj produktů skutečně zvyšovat efektivitu celého inženýrského pracovního postupu, a tím účinně napomáhat lepším inovacím produktů.

Výzkum ukázal, že i když vedoucí představitelé chápou potenciál umělé inteligence, jen malé procento jejich inženýrských týmů používá strojové učení k analýze příčin na základě historických nebo dokonce aktuálních testovacích dat. V celém procesu výzkumu a vývoje se totiž stále používají moderní simulační metody založené na fyzice nebo osvědčené postupy testování hardwaru z roku 2000. I když má organizace datovou strategii, může být pro inženýry stále obtížné správně identifikovat správná historická data z těchto starších systémů, která mohou inženýři využít, aniž by narušili stávající pracovní postupy.

Pro plné využití potenciálu umělé inteligence k vylepšení vývoje produktů jsou nakonec rozhodující data a jejich správný kontext související s produktem/testem. Přesnost modelů AI závisí nejen na množství, ale také na kvalitě dat. Výrobci produktů proto musí vynaložit čas a úsilí na pochopení dat, kterými disponují, zvážit složitost problému, který chtějí pomocí AI vyřešit, a počet datových bodů v průběhu procesu, které budou muset získat. Pokročilé nástroje, jako je AI, nemají nahradit tradiční inženýrské programy, ale využít cenná existující data k rozšíření procesu inženýrství a testování a zajistit přesné a spolehlivé výsledky v kratším čase.

Umělá inteligence má obrovský potenciál, který pomáhá podnikům v automobilovém průmyslu předvídat trendy a dosahovat smysluplných řešení. Pokud tedy inženýři získají prostředky, které jim umožní porozumět datům, jež mají na dosah ruky, a zjistí, jak je co nejlépe aplikovat na stávající pracovní postupy a jak je efektivně vložit do modelu AI, může to odemknout rychlejší cestu k inovacím a poskytnout organizaci konkurenční výhodu.

Nikdo nezná hodnotu inženýrských znalostí a souvisejících dat lépe než samotní inženýři, ale nakonec nevědí, co nevědí. Umělá inteligence může odhalit skutečnou hodnotu dat pro podnik.

 

Zdroj: automotiveworld.com