بازیگران بازار خودرو عادت به رقابت شدید دارند؛ آنچه که آنها با آن آشنایی ندارند رقابت با غول های فناوری است که ناگهان وارد تمام مراحل صنعت اتومبیل سازی سنتی و محافظه کار شده اند. راه حل های مبتنی بر هوش مصنوعی و نرم افزارهای با کارایی بالا، به جای طراحیهای درجه یک و برندهای شناخته شده ، در حال حاضر موجب تمایز در موفقیت هستند. و اولین چالش در اینجا این است که چگونه خودروسازان سنتی می توانند فرایندهای خود را با فناوریهای نوآورانه که امروزه مورد تقاضا هستند، به ویژه هوش مصنوعی در وسایل نقلیه ، تکمیل کنند؟ همچنین، آیا هوش مصنوعی پاسخی برای مشکلات صنعت خودرو است؟ بیایید دلایل، چالش ها و امکانات استفاده از فناوری هوش مصنوعی توسط OEM ها را باز کنیم.
در این مقاله ، ما بحث خواهیم کرد که:
چگونه هوش مصنوعی در حال حاضر صنعت خودرو را به چالش می کشد؟
چالش های اصلی اتخاذ راه حل های خودرویی هوش مصنوعی در اتومبیل های نسل بعدی چیست؟
برندهای اتومبیل چگونه از هوش مصنوعی در وسایل نقلیه استفاده می کنند؟
فروشندگان فناوری اطلاعات و استارتاپ چگونه به OEM ها کمک می کنند تا از چالش های هوش مصنوعی عبور کنند.
هوش مصنوعی در وسایل نقلیه: چگونه هوش مصنوعی در حال حاضر صنعت خودرو را به چالش می کشد؟
علاقه انفجاری بازار خودرو به توسعه هوش مصنوعی با سرمایه گذاری هایی که در فناوری نوین می بینیم اثبات می شود. آمار تخمین می زند كه بازار سخت افزار ، نرم افزار و خدمات خودرو تا سال 2025 به تقریبا 27 میلیارد دلار صعود كند.
همگان در مورد وسایل نقلیه خودران و آینده بدون راننده اتفاق نظر دارند و سطح 3 خودرانها در واقع در جریانند. با این حال، حتی خوش بینانه ترین پیش بینی ها اذعان دارند که تا زمان تولید انبوه خودروهای نسل آینده حداقل یک دهه دیگر باقی مانده است. اگر این درست باشد، این همه پول به کجا می رود؟ پیاده سازی هوش مصنوعی در صنعت خودرو فقط به قابلیت های خودران محدود نمی شود. بیشتر راه حل های هوش مصنوعی در سیستم های اتومبیل، حول سیستم های پیشرفته کمک راننده (ADAS)، ترکیبی از رایانش لبه ای و دستگاه های اینترنت اشیا، تشخیص صدا و موارد دیگر ساخته شده است. البته ، زمینه های مشترک مانند تعمیر و نگهداری خودرو ، زنجیره تامین و بازاریابی نیز در این امر دخیل هستند.
آیا ممکن است وسایل نقلیه مدرن و جدید از هوش مصنوعی استفاده نکنند ، همچنان وسیله حمل و نقل کلاسیک باشند و همچنان رقابتی باقی بمانند؟ همانطور که از آمار سرمایه گذاری و تغییر فضای رقبای خودرو می بینیم، چنین به نظر نمی رسد. تقاضای فعلی از بازار نسل هزاره و Z تجربه کاربری استثنایی است: سریع ، بی عیب و نقص و در دسترس. این باعث می شود که دیگر اتومبیل را صرفاً وسیله ای برای حمل و نقل ندانیم و به مفهوم رایانه ای روی چرخ (متحرک) فکر کنیم. خودروسازان سنتی یا باید خود را منطبق کنند یا بازارشان از دست بدهند. این بدان معنا نیست که آنها لزوماً باید AV (فناوری مبتنی بر ارتباط صوتی و تصوری مصرف کننده با وسیله مورد استفاده) بسازند، اما اطمینان از داشتن تجربه کاربری عالی توسط الگوریتم های ML (یادگیری ماشین) و AI (هوش مصنوعی) یک امر ضروری است.
در حالی که اهمیت اتخاذ هوش مصنوعی در سیستم های اتومبیل اثبات شده است ، اجرای آن در سطح سازمانی کاملاً چالش برانگیز است و فرایند آن بسیار کندتر از حد انتظار است. گزارش Capgemini در سال 2018 بیان می کند که سهم شرکت های خودروسازی مستقر در هوش مصنوعی ، در مقایسه از سال 2017 تنها 3٪ رشد کرده است.
اگر صادقانه بگوییم، چندین چالش برای هوش مصنوعی وجود دارد؛ از جمله سیستم های قدیمی موجود در حال استفاده و عدم آموزش در مورد داده ها و مهارت ها. شما نمی توانید بدون هوش مصنوعی زندگی کنید اما برای سازگاری با آن دست و پا می زنید – این روش مدرن در صنعت خودرو است. ما هر دو نوع شرکتهای بزرگ تولید کننده قطعات خودرو برای خطوط تولید و رهبران طراحی و تولید و مونتاژ قطعات خوروسازان را در بین مشتریان خود داریم، بنابراین این نگرانی ها قابل درک است. با این حال ، تشخیص مشکل اولین قدم برای حل آن است. حالا باید تلاش کنیم چالشهای پذیرش هوش مصنوعی را تشخیص دهیم و دلایل احتمالی وجود این مشکلات را بررسی کنیم.
چالش های پذیرش هوش مصنوعی در اتومبیل های هوشمند نسل بعدی
از ADAS (سیستمهای پیشرفته و هوشمند ناوبری) و سایر سیستم های مجهز به اینترنت اشیا، تا سیستم های پیشرفته AI برای قابلیت های خودران، برای ایجاد الگوریتم های AI تعداد زیادی از متخصصان، از مهندسان نرم افزار گرفته تا ارگان های دولتی درگیر شده اند. برخی از چالش های آنها قابل حل هستند و برای حل آنها فقط زمان لازم است، اما برخی از آنها بدون راه حل های مفید باقی مانده اند.
با شروع از داخل خودرو، مسائل اساسی حول و حوش سنسورها و سخت افزار و نرم افزارهای محاسباتی برای کمک به رانندگی و ایمنی بیشتر شکل گرفته اند. به عنوان مثال ، سنسورهایی که در حال حاضر در وسایل نقلیه هوشمند استفاده می شوند برای اطمینان هنوز از سطح بالایی از ایمنی کافی برخوردار نیستند. برای عملکرد مناسب در سرعت بالا یا دید محدود باید آنها را بهبود بخشید. در عین حال، قیمت لیدار (دید در شب) پیشرفته در حال حاضر بیش از حدی است که از نظر اقتصادی امکان پذیر باشد. قدرت محاسبه ECU هایی که نیاز به پردازش داده های ورودی بزرگ دارند و همزمان الگوریتم های پیچیده هوش مصنوعی (مانند CNN در زمان واقعی – CNN یک کلاس خاص از شبکه های عصبی است که در تحلیل داده های دیداری استفاده می شود) را محاسبه می کنند نیز موضوع دیگری است. این که چگونه می توانند با روند فزاینده پیشرانه های برقی و مصرف کم انرژی همسو شوند؟
از آنجا که در برابر ایجاد، آموزش و اعتبارسنجی الگوریتم های هوش مصنوعی بسیاری از موانع فنی و نظارتی قرار دارند، توسعه نرم افزار خود یک چالش است. در مورد هوش مصنوعی در اتومبیل های خودران ، مشکلات حل نشده ای وجود دارد، که مهندسان برای حل آن تلاش می کنند. در اینجا به تعداد کمی از آنها اشاره می شود :
مبهم بودن الگوریتم های ML
مشکل برای مقابله با خطاها
عدم امکان استفاده از تکنیک های Agile (واکنش سریع) در توسعه الگوریتم های AI
دوره های طولانی و بی شمار تست
حجم زیاد داده ها و تخصص مورد نیاز برای ساخت و استفاده از شبیه سازها
زمان و هزینه غیر قابل پیش بینی برای بازار
الگوریتم های هوش مصنوعی مانند یک جعبه سیاه کار می کنند – تعیین اینکه چرا برخی تصمیمات گرفته شده دشوار است. بنابراین، اعتبارسنجی عملکرد فقط از طریق موارد آزمایشی متعدد از نظر آماری امکان پذیر است. فروشندگان باتجربه نرم افزارهای AI روش های خود را برای اطمینان از کارایی و ارائه بهترین راه حل های ممکن برای این چالش ها دارند.
اگر پا را فراتر از توسعه نرم افزار بگذاریم، هوش مصنوعی سایر موارد را برآورده می کند. هیچ آیین نامه روشنی در مورد جمع آوری داده ها و حاکم بر روش های جدید حمل و نقل خودران وجود ندارد. و تعداد کمی از مقررات موجود به طور جدی بر رشد هوش مصنوعی تأثیر می گذارد. به عنوان مثال GDPR (قوانین حفاظت از اطلاعات) را در نظر بگیرید. این قوانین، تعهدات سختگیرانه ای را در قبال شرکتهایی که اطلاعات شخصی را جمع آوری و پردازش می کنند ، ایجاد می کند ، که متعاقباً در ایجاد الگوریتم های ML تأثیر می گذارد. حتی GDPR به صراحت به “تصمیم گیری فردی خودکار” و ایجاد پروفایل اشاره می کند که در واقع یک تصمیم AI است که بدون هیچ گونه مداخله انسانی گرفته شده است. روش هایی وجود دارد که هوش مصنوعی را با GDPR سازگار می کند ، اما به مهارت خاصی نیاز دارد که تعداد کمی از ارائه دهندگان نرم افزار خودرو دارای آن هستند.
نگرانی دیگری که در حال حاضر خودروسازان با آن روبرو هستند جلب اعتماد کاربر است. در حالی که ما تا حدی آماده هستیم که اطلاعات جمع آوری شده و پردازش شده ماشین در جاده به ما کمک کند، اما این مورد برای وسایل نقلیه خودران صدق نمی کند. تمایل مردم برای اعتماد به هوش مصنوعی با سرعت بسیار کندی در حال افزایش است: تعداد آنها از سال 2018 تا 2019 بدون تغییر بود و تنها 8 درصد نسبت به سال 2017 افزایش داشته است. در اینجا وضعیت اکنون نشان داده شده است: کاربران مدرن یک ماشین عملکردی، راحت، ایمن، دارای قابلیت های سرگرمی اضافی که در جاده تحت فرمانشان باشد را می خواهند که نه این که بر آنها مسلط باشد. خوشبختانه شرکت های OEM با همکاری فروشندگان سخت افزار و نرم افزار موفق به رفع این نیاز شده اند.
