خانه > تازه ها > چگونه هوش مصنوعی صنعت خودرو سازی را متحول خواهد کرد؟
هوش مصنوعی در صنعت خودرو سازی

چگونه هوش مصنوعی صنعت خودرو سازی را متحول خواهد کرد؟

از خودروهای بدون راننده گرفته تا روبات های موجود در کف کارخانه ، هوش مصنوعی در حال متحول کردن صنعت خودرو است. در اینجا مراحلی که شرکتهای هوشمند برای بهره مندی از فرصت هایی که هوش مصنوعی پیش پای آن ها میگذارد را بررسی میکنیم.

طی دو دهه آینده، هوش مصنوعی  (AI) خودرو های خودران را جزء خودرو های پرطرفدار در بازار خواهد کرد. در آن واحد، هوش مصنوعی بیشتر جنبه های فرآیند تولید خودکار را از تحقیق و طراحی گرفته تا مدیریت پروژه و عملکردهای پشتیبانی کسب و کار، تغییر خواهد داد. این تغییرات به سرعت در حال رخ دادن می باشند. تولید کنندگان باید با منابع ارزش آفرین آشنا باشند و سپس شروع به توسعه قابلیت های تحلیلی لازم و ایجاد فرهنگی آماده برای پذیرش هوش مصنوعی در داخل محیط خود کنند. آینده (صنایع) تاکنون توسط هوش مصنوعی اتوماتیک و خودکار شده است.

هوش مصنوعی (2)

انستیتوی جهانی مک کینزی دریافت که رباتیک و فناوری های هوش مصنوعی مانند یادگیری ماشین (که به کامپیوتر امکان یادگیری بدون برنامه نویسی صریح را می دهد) پیشرفت کرده اند تا جایی که امکان اتوماسیون سازی مشاغل در ایالات متحده و آلمان حداقل ۳۰ درصد از ۶۰ درصد مشاغل موجود می باشد. اقتصادهای بسیار توسعه یافته با تولید ناخالص داخلی بالا و جمعیتی که به سرعت در حال پیر شدن می باشد به زودی به اتوماسیون مبتنی بر هوش مصنوعی متکی خواهند شد تا بتوانند از دستاوردهای آن برای دستیابی به اهداف خود در زمینه تولید ناخالص داخلی بهره مند شوند. به عنوان مثال ، در آلمان، انتظار میرود که هوش مصنوعی، بخش قابل توجهی از اتوماسیون صنعتی را فعال کند و تا سال ۲۰۳۰ حداکثر ۴ درصد تولید ناخالص داخلی را افزایش دهد.

 البته بسیاری از روبات ها و ماشین آلات در حال حاضر در کارخانه های خودروسازی در سرتاسر جهان مشغول کار هستند، اما این ماشین ها به طور کلی مجموعه ای از اقدامات را در تعداد محدودی از سناریوها طبق قوانین و مقررات انجام می دهند. هوش مصنوعی متفاوت از این عمل میکند. پیشرفت در قدرت محاسباتی باعث می شود ماشین آلات مهارت هایی که مختص انسان بود را بدست آورند. مهارت هایی چون توانایی درک و سازماندهی داده های بدون ساختار مانند عکس و گفتار، به رسمیت شناختن الگوهای و یادگیری از تجربیات گذشته و چگونگی بهبود عملکرد آینده.

عملکرد هوش مصنوعی از این هم بهتر خواهد شد. پیشرفت در تحقیقات در حوزه الگوریتم، همراه با سخت افزار رایانه ای به طور فزاینده ای  به AI اجازه می دهد تا استقلال و خلاقیت خود را نشان دهد. دستگاه های مبتنی بر هوش مصنوعی فقط قوانین را رعایت نمی کنند، آنها روش هایی را برای ایجاد راه حل برای مشکلات پیچیده در یک شرایط معین پیدا خواهند کرد. هوش مصنوعی پیروزی های مشهوری را بر انسان های معروف و قدرتمند به دست آورده است— Deep Blue ، Watson و AlphaGo  ،که توسط Google  DeepMindتوسعه یافته اند، رقیبان انسانی را در شطرنج شکست دادند و این برتری در صنعت نیز احساس میشود.

شرکت هایی مانند تسلا و گوگل در حال حاضر از فناوری های هوش مصنوعی در وسایل نقلیه خودران خود استفاده می کنند و این در حالی است که تعداد زیادی از استارت آپ ها به دنبال راه هایی برای گسترش استفاده های این چنینی از هوش مصنوعی هستند. تا سال ۲۰۳۰ ، خودرو های خود ران می توانند ۱۰ تا ۱۵ درصد از فروش ماشین های جدید را به خود اختصاص دهند. تولید کنندگان قطعات و تأمین کنندگان خودرو در حال حاضر در حال تلاش و سرمایه گذاری در خودرو های خودران و هوش مصنوعی هستند که آن ها را در صنعت توانمند تر کند.

خودرو

هوش مصنوعی فقط وسایل نقلیه و خودرو ها را تغییر نمی دهد، بلکه کل فرآیند نحوه ساخت آنها را نیز تغییر می دهد. به طور فزاینده ، برنامه های مبتنی بر هوش مصنوعی با استفاده از دستگاه ها و حسگرهای متصل به اینترنت اشیاء  (IoT) پشتیبانی می شوند.  از آنجا که شرکت به سرعت به دنبال این هستند تا هوش مصنوعی را برای کارهای صنعتی با ارزش بالا از قبیل نگهداری، پیش بینی یا بهینه سازی عملکرد به کار گیرند، سرمایه گذاران نیز به سرعت در حال سرمایه گذاری در فناوری های هوش مصنوعی هستند. تجزیه و تحلیل های حاصل از شرکت ردیابی سرمایه گذاری Tracxn نشان داده است که استارت آپ های مرتبط با هوش مصنوعی توانسته اند تقریبا ۶ میلیارد دلار بودجه تنها در سال ۲۰۱۶ جمع آوری کنند.

شش حوزه ای که هوش مصنوعی روند تولید خودرو را در آن ها متحول خواهد کرد.

در بسیاری از مراحل تولید، هوش مصنوعی بر اساس توانایی خود در درک محیط، تجزیه و تحلیل داده ها ، نتیجه گیری و یادگیری حاصل از تجربه های گذشته برای دستیابی به پیشرفت های مداوم، نتایج مورد نظر را به دست خواهد آورد.

در اینجا به شش روشی که هوش مصنوعی می تواند توسط آن ها بخش تولید خودرو را بهبود بخشد اشاره خواهد شد:

۱-خرابی کمتر تجهیزات.

اگر یک ماشین به طور غیر منتظره در خط مونتاژ خودرو خراب شود، هزینه های حاصل از آن می تواند فاجعه بار باشد. کارمندانی که به سبب خرابی آن دستگاه بیکار شده اند نمی توانند کار خود را تکمیل کنند. روند فعالیت های یک کارخانه میتواند کاملا بهم بریزد. الگوریتم های مبتنی بر هوش مصنوعی می توانند انبوهی از داده ها را از حسگرهای لرزش و منابع دیگر شناسایی کنند، ناهنجاری ها را تشخیص دهند، خطاها را از سر و صدای پس زمینه تشخیص دهند ، مشکل را تشخیص داده و پیش بینی کنند که آیا وقوع یک خرابی قریب الوقوع است یا نه. شرکت هایی مانند KONUX داده های حسگر را به سیستم هوش مصنوعی تغذیه می کنند و از آن ها برای بهبود عملکرد سیستم ، بهینه سازی برنامه ریزی تعمیر و نگهداری و افزایش چرخه عمر دارایی استفاده میشود.

تاثیر استفاده از هوش مصنوعی در این حوزه بیش از ۲۰ درصد در دسترس بودن تجهیزات، ۲۵ درصد هزینه بازرسی کمتر و ۱۰ درصد کاهش کل هزینه های نگهداری سالانه می باشد.

۲-داشتن کارمندانی مولد از طریق همکاری ربات و انسان.

 پیشرفت در بینایی رایانه ای منجر به پیشرفت روبات های مشارکت کننده و آگاه از محیط می شود. قدرت محاسبات بیشتر و الگوریتم های بهتر منجر به توسعه روبات های انعطاف پذیر با کارکرد های عمومی می شود که می توانند ضمن واکنش به تغییرات در محیط خود با تنظیمات کمتر، در کنار انسان کار کنند. به عنوان مثال ، Rethink Robotics در حال طراحی روبات های مشارکت کننده در کار است که یک مربی انسانی می تواند با گرفتن بازوی ربات و هدایت آن از طریق حرکات مورد نظر مانند گرفتن و رها کردن اشیاء، به راحتی آن را برنامه ریزی کند.

روبات های مشارکت کننده با کاهش نیاز به محوطه هایی که فقط ربات میتواند در آن ها فعالیت کند، طراحی کارخانه را ساده تر خواهند کرد. از آنجا که آموزش این روبات ها ساده تر خواهد بود، شرکت ها در هزینه های توسعه و استقرار خود میتوانند پس انداز کنند. روبات های مشارکتی می توانند در انجام کارهایی که کاملاً به صورت خودکار انجام نمیشوند، کمک کنند و به طور بالقوه تا ۲۰ درصد بهره وری را افزایش دهند.

۳-مشکلات کمتر در حوزه کیفیت.

فرآیند های کنترل کیفیت مانند بازرسی از بدنه رنگ شده خودرو، توسط کارگران انسانی انجام می شود. این روش مستعد خطا بوده و نسبتاً کند است. اما حتی روش های خودکار به دلیل وجود متغیرهای بیشمار در محیط  می توانند نتیجه بخش نباشند. اگر نورپردازی کاملاً مناسب نباشد یا محصول فقط کمی خارج از محدوده مشخص برای بازرسی نصب شود، روش فعلی می تواند نتایج نادرستی به همراه داشته باشد. در مقابل ، کنترل کیفی بصری با قابلیت هوش مصنوعی می تواند این مشکلات را فیلتر کند تا فقط روی نقص ها تمرکز شود. سیستم هوش مصنوعی مدام یاد می گیرد که تجزیه و تحلیل خود را بر اساس بازخورد های دریافتی بهبود بخشد. با استفاده از این روش ها ، سخت افزار مجهز به هوش مصنوعی می تواند از لحاظ بصری کنترل کیفیت بهتری را در محصولات مختلفی مانند قطعات ماشین کاری شده، بدنه ی نقاشی شده خودرو، سطوح فلزی بافت دار و سایر موارد بازرسی ارائه دهد.

دستگاه های مجهز به هوش مصنوعی می توانند نقص ها را تا ۹۰ درصد با دقت بیشتری نسبت به انسان تشخیص دهند. بینش حاصل از آزمایش های کیفیت مبتنی بر هوش مصنوعی نیز می تواند برای تجزیه و تحلیل علل اصلی نقص و بهبود فرایندهای کلی تولید استفاده شود. افزایش بازده در بازرسی کیفیت بصری تا ۵۰ درصد امکان پذیر است.

۴-زنجیره های تامین ناب.

پیش بینی دقیق برای دستیابی به یک انطباق نزدیک بین عرضه و تقاضا بسیار مهم است، اما سیستم های پیش بینی و تدارکات سنتی توسط انبوهی از داده ها و تعداد فزاینده ای از عوامل تأثیرگذار، مانند ذخیره بسیاری از وسایل با حجم کم و سیستم تولید لحظه ای  (just-in-time) موجودی های اضافی را از بین می برد احاطه شده اند. سیستم های هوش مصنوعی می توانند با استفاده از یادگیری ماشین برای پیش بینی دقیق تر تقاضا، این چالش ها را برطرف کنند. زنجیره های تأمین مبتنی بر هوش مصنوعی انعطاف پذیری لازم را برای سازگاری و پاسخ دادن به تغییرات در ترکیب محصول یا رویدادهای پیش بینی نشده را دارند و داده های تقریباً واقعی را در مورد تبلیغات، قیمت ها و حتی پیش بینی های هوا درج می کنند. سرانجام ، هوش مصنوعی به سیستمهای خودتنظیم کاملاً خودکار اجازه می دهد تصمیمات مدیریت زنجیره تأمین را بطور خودکار بگیرند، مسیرها و حجمها را تنظیم کنند تا تقاضای پیش بینی شده را برآورده سازند. در حالی که برخی از شرکت ها در تلاشند تا ابزارهای پیش بینی و تدارکات را در داخل شرکت خود توسعه دهند، برخی دیگر به سمت فروشندگانی مانند Blue Yonder روی می آورند، که تکنیک های هوش مصنوعی را ارائه می دهند که ضمن تنظیم همزمان قیمت، می توانند بهینه سازی فرآیندهای پیش بینی و تدارکات را انجام دهند.

رویکردهای مبتنی بر هوش مصنوعی می توانند خطاهای پیش بینی را ۳۰ تا ۵۰ درصد کاهش دهند. هوش مصنوعی می تواند موجودی های عمومی را ۲۰ تا ۵۰ درصد کاهش دهد، و با از بین بردن حمل و نقل های اضافی، انبارداری و مدیریت زنجیره تأمین کالاهای غیر ضروری، صرفه جویی در هزینه نگه داری در موجودی کل را ایجاد کند.

۵-مدیریت دقیق تر پروژه.

اندازه گیری پیشرفت تحقیق و توسعه یا درک اینکه چه زمان می توان یک پروژه را پایان داد تا بتوان منابع مورد نظر بیشتری را در سبد تحقیق و توسعه آزاد کرد دشوار است. در نتیجه، پروژه های با وضعیت نامشخص و متمایل به طولانی شدن احتمال از بین بردن بودجه، به باد دادن کل هزینه های تحقیق و توسعه، افزایش زمان ارائه محصول به بازار را دارا می باشند. روش های مبتنی بر هوش مصنوعی می توانند اولویت بندی پروژه تحقیق و توسعه را بهبود بخشند و عملکرد را در پروژه های فردی افزایش دهند، بنابراین بودجه را آزاد می کنند و بازده کلی را بالا تر می برند

۶-بهبود عملکردهای پشتیبانی تجاری.

عملکردهای پشتیبانی مشاغل مانند امور مالی ، منابع انسانی و فناوری اطلاعات در یک شرکت منابعی بسیار فشرده دارند که البته برای موفقیت شرکت حیاتی هستند. فشارهای هزینه و الزامات انعطاف پذیری، تقاضا ها برای دیجیتالی شدن فرآیند ها را افزایش میدهند. هوش مصنوعی پتانسیل بالایی در خودکارسازی اموری مانند IT یا امور مالی دارد که از قبل توسط سیستم های رایانه ای پشتیبانی می شده اند. به عنوان مثال، در یک پیشخوان سرویس فناوری اطلاعات، استراتژی ها و دانش حل مسئله کد شده (مانند پیکربندی سرور) می توانند در یک سیستم هوش مصنوعی تغذیه شوند، بنابراین می تواند به طور خودکار دانش مورد نیاز را برای ساختن یک فرایند حل مسئله متناسب با یکدیگر ترکیب کند. در این مرحله از یادگیری تقویتی استفاده می شود.

نرخ اتوماسیون تقریبا ۳۰ درصد در عملکرد های پشتیبانی تجاری پیش بینی می شود. به عنوان مثال در مورد اتوماسیون میز خدمات IT ، درجه ای از اتوماسیون حدود ۹۰ درصد امکان پذیر است. اتوماسیون با دقت و قوام بیشتر، افزایش مقیاس پذیری و سرعت و قابلیت ردیابی نتایج در تمام طول شبانه روز همراه است.

بیشتر بخوانید:

منبع mckinsey.com
0/5 ( 0 نظر )

درباره‌ی علی قلی زاده

همچنین ببینید

tensorflow

گوگل TensorBoard.dev و TensorFlow Enterprise را معرفی می کند!

گوگل کلود TensorFlow Enterprise را به چاپ رساند ، نسخه ای بهینه شده از چارچوب یادگیری ماشین منبع باز TensorFlow برای مشاغل بزرگ

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *