Samochody podłączone do ładowarek są coraz powszechniejszym zjawiskiem na ulicach, a temat rezygnacji z napędów spalinowych na rzecz elektrycznych, cieszy się niesłabnącą popularnością. Jednak transformacja na rynku motoryzacyjnym to maraton, a nie wyścig, zatem tempo zmian różni się w zależności od producenta i regionu. Na przykład Walter Mertl, dyrektor finansowy BMW, ujawnił, że koncern notuje obecnie większy przyrost sprzedaży za sprawą samochodów elektrycznych (EV), a nie spalinowych.
Z około 100 milionami wierszy kodu i 1000 lub więcej chipami półprzewodnikowymi, cyfryzacja i komputeryzacja samochodów stanowią kolejne ważne kroki w rewolucji technologicznej, a ich znaczenie wciąż rośnie. Dzisiaj szacuje się już, że dla najnowocześniejszych pojazdów autonomicznych napisano około 300 milionów wierszy kodu, a jeden tylko pojazd elektryczny potrzebuje około 3000 chipów.
Ten wykładniczy postęp w obszarze cyfryzacji pojazdów skłania decydentów na rynku motoryzacyjnym do inwestowania w technologie mobilne najnowszej generacji, które wesprą pracowników fabryk i pozwolą im nie odstawać na rynku od konkurentów. Zgodnie z raportem Zebra Technologies na temat rynku motoryzacyjnego aż 78% osób decyzyjnych uważa, że aby zachować konkurencyjność w branży, ich organizacja powinna być bardziej innowacyjna. W związku z tym liderzy produkcji i dystrybucji w przemyśle samochodowym stawiają na cyfryzację i zwiększają odporność łańcucha dostaw. Jednocześnie inwestują środki w automatyzację, aby stworzyć ofertę, która pozwoli im się wyróżnić na tle konkurencji.
Patrząc na samochody wyjeżdżające z fabryki Volkswagena wyposażone w asystenta głosowego IDA czy ChatGPT albo auta BMW, które nawiązało współpracę z Amazon w celu wprowadzenia dużych modeli językowych (LLM) do ich inteligentnego asystenta osobistego, możemy przypuszczać, że nowy rozdział transformacji przemysłu motoryzacyjnego prawdopodobnie już się rozpoczął. Wciąż jest za wcześnie, aby powiedzieć, jak w dłuższej perspektywie generatywna sztuczna inteligencja wpłynie na sposób interakcji między kierowcami, samochodami i otoczeniem. Trudno jednak kryć entuzjazm, jaki wzbudzają możliwości związane z wykorzystaniem SI w sytuacjach wykraczających poza rozwiązania od BMW i Volkswagena.
Kierowcy mogliby na przykład korzystać ze spersonalizowanego asystenta SI, który pomagałby im w planowaniu podróży, ustawianiu przypomnień, znajdowaniu wolnego parkingu, zbierałby dane o przebiegu trasy, aktualizowałby ją w czasie rzeczywistym i rekomendowałby najbardziej optymalne drogi. Mógłby nawet zamówić kawę lub lunch gotowy do odbioru po dotarciu na najbliższą stację benzynową.
Coraz większe znaczenie sztucznej inteligencji w produkcji samochodów
Wprowadzenie generatywnej sztucznej inteligencji do samochodów zapowiada nową erę, w której SI będzie stanowić wartość dodaną zarówno dla konsumentów, jak i inżynierów, którzy dzięki postępowi również zyskują przewagę. Bowiem koncerny motoryzacyjne korzystają z wielu zastosowań sztucznej inteligencji, aby ich samochody spełniały najwyższe standardy i były atrakcyjne dla potencjalnych klientów. Podobne podejście dotyczy poprawy jakości i warunków pracy personelu zatrudnionego w fabrykach.
Jednym z wykorzystywanych rodzajów zaawansowanej sztucznej inteligencji jest tzw. głębokie uczenie (deep learning), które naśladuje ludzkie sieci neuronowe znajdujące się w mózgu. Badacze akademiccy i firmy technologiczne uważają, że głębokie uczenie może wspomóc koncerny motoryzacyjne w prowadzeniu sprawnej kontroli wizyjnej produkowanych części, z którą nie radzą sobie tradycyjne narzędzia. Tradycyjne systemy wizyjne są wykorzystywane do weryfikowania jakości i kontroli na końcu linii produkcyjnej. Służą do rozpoznawania części, wykonywania pomiarów, weryfikacji obecności elementów na linii produkcyjnej, metrologii i kontroli porowatości. Z drugiej strony, używanie takich narzędzi wiąże się z wyzwaniami, których skutki mogą być odczuwalne dopiero w długim terminie. Chodzi między innymi o czas potrzebny na szkolenie z ich obsługi, wysokie koszty użytkowania i konserwacji, trudności związane z interoperacyjnością czy wyzwania dotyczące obsługi złożonych scenariuszy użytkowania.
Jednak sytuacja w branży samochodowej się zmienia, co widać w opublikowanym niedawno raporcie firmy Zebra, z którego wynika, że 56% liderów branży motoryzacyjnej w Wielkiej Brytanii i 43% w Niemczech deklaruje, że w projektach związanych z widzeniem maszynowym wykorzystuje sztuczną inteligencję, np. głębokie uczenie. Ponadto, średnio 20% ankietowanych zarówno w Wielkiej Brytanii, jak i w Niemczech twierdzi, że co prawda nie korzysta jeszcze ze sztucznej inteligencji, ale chcieliby poszerzyć swoją wiedzę na ten temat lub już planują zakup narzędzi SI.
Sztuczna inteligencja w postaci głębokiego uczenia maszynowego zamkniętego w obiektywach kamer do systemów kontroli wizyjnej zapewnia nieosiągalny dotąd poziom dokładności, jakości i weryfikacji zgodności. W efekcie połączone wysiłki inżynierów, programistów, analityków danych z najnowszymi narzędziami korzystającymi z technologii deep learning przekładają się na unowocześnienie produkcji samochodów.
Systemy wizyjne oparte na głębokim uczeniu mogą znaleźć zastosowanie w produkcji wysokowydajnych półprzewodników, odpowiadać za inspekcję krzemowych płyt, dopasowywanie wzorów, sortowanie układów scalonych, kostkowanie płytek, weryfikację jakości pasty lutowniczej, metrologię i kontrolę 3D. W związku z tym wysokie standardy pracy z tymi narzędziami są potrzebne bardziej niż kiedykolwiek, aby zasilać wszystko, od generatywnej sztucznej inteligencji, po samochody korzystające z tego typu rozwiązań. Widzenie maszynowe trenowane z wykorzystaniem deep learning może również przynieść korzyści w procesie produkcji baterii do pojazdów elektrycznych, usprawniając kontrolę powlekania anod i katod, sprawdzanie pozycji zakładki elektrody, równe ułożenie warstw baterii, odczytywanie numerów seryjnych i kodów oraz weryfikację montażu, w miarę postępów branży w zakresie elektryfikacji.
W czasach, gdy producenci mierzą się z wyzwaniami w postaci zatrudniania i zatrzymywania wykwalifikowanych pracowników, gotowe do użycia narzędzia oparte na algorytmach głębokiego uczenia są prawdziwym przełomem w dziedzinie usprawniania pracy. Przykładowo, narzędzie do optycznego rozpoznawania znaków (OCR) oparte na deep learning może być dostarczane użytkownikowi końcowemu z gotowymi do użycia sieciami neuronowymi, które zostały już wstępnie wytrenowane przy użyciu tysięcy różnych próbek obrazów, zapewniając tym samym wysoką dokładność od razu po wyjęciu z pudełka, nawet przy bardzo trudnych scenariuszach użytkowania.
Użytkownicy mogą zatem tworzyć niezawodne aplikacje OCR w zaledwie kilku prostych krokach, bez konieczności posiadania specjalistycznej wiedzy o maszynowych systemach wizyjnych. Takie rozwiązanie stanowi przykład podejścia niskopoziomowego (low-code/no-code), które nie wymaga od użytkownika umiejętności programowania, co świadczy o demokratyzacji sztucznej inteligencji i umożliwia większej liczbie pracowników swobodne korzystanie z oferowanych przez nią rozwiązań.
W ciągu najbliższych pięciu lat 33% decydentów w brytyjskim przemyśle motoryzacyjnym i 29% w niemieckim chce zautomatyzować ponad połowę swoich procesów kontroli wizyjnej za pomocą maszynowych systemów wizyjnych. Cel ten byłby trudny do osiągnięcia bez dostępu do najnowocześniejszych systemów wizyjnych.
Sztuczna inteligencja, niezależnie od tego, czy jest to głębokie uczenie, czy generatywna sztuczna inteligencja, stanowi wartość dla konsumentów i decydentów odpowiedzialnych za rozwój produkcji. SI umożliwia jeszcze precyzyjniejszą kontrolę wizyjną zasobów, wspiera coraz lepiej poinformowanych i wyposażonych pracowników oraz daje nowe możliwości, jeśli chodzi o automatyzację zarówno powtarzalnych, jak i bardziej złożonych zadań. Zatem wykwalifikowane zespoły inżynierów mogą swoją wiedzą i doświadczeniem wspierać algorytmy w podejmowaniu decyzji, pracując tym samym w modelu human-in-the-loop (HITL), poświęcając jednocześnie więcej czasu na realizowanie strategii produkcyjnej i operacyjnej w kierunku nadchodzącej transformacji.
Więcej informacji na temat głębokiego uczenia maszynowego można znaleźć tutaj.
Stephan Pottel, kierownik działu produkcji, Zebra Technologies