Inovace s umělou inteligencí v automobilovém sektoru: Hrozí zavedeným společnostem stagnace?
Pod záři reflektorů s nezbytným zelený přechod provozovat,automobilový průmysl vypadá v plném proudu. Očekáváme hodně od připojené auto, autonomní řízení, elektromobil nebo sdílení aut pro naši budoucí mobilitu.
Pro inovovat a zachovat si konkurenceschopnost, by se toto odvětví mohlo spolehnout zejména na velká data a technologieumělá inteligence (AI). Někteří noví účastníci jako např Tesla zdá se, že to integrovali dobře a už to udělali úspěšně přijali tyto technologie. Ale co historické společnosti v tomto sektoru, které se musí vypořádat se složitostí svých systémů?
Je pravda, že výrobci a dodavatelé do AI v posledních letech hodně investovali, jak ukazuje projekt. Valeo.ai nebo partnerství Renault-Google et Stellantis-SoundHound. S jakým cílem však? Jsou to přístupy radikální inovace, zpochybňování architektury vozidel, jak ji známe, nebo spíše automatizace úkolů a zlepšování toho, co již existuje?
Pro zajištění udržitelnosti tohoto klíčového odvětví pro francouzskou ekonomiku je i nadále zásadní porozumění inovačním procesům kolem dat v automobilovém světě. Z toho vychází náš tým výzkumníků Vzdělávání TBS a Centrum vědeckého řízení (CGS) de Pařížská báňská škola – PSL, V Roce nedávná studie. Vychází z analýzy více než 46 000 patentů od 19 největších hráčů v oboru az kampaně rozhovorů s přihlašovateli 22 patentů souvisejících s technologiemi AI.
Tím, že se snažíme poodhrnout závoj inovačních postupů v tomto sektoru, ukazujeme, že se zdá, že byla skutečně zvolena možnost „zlepšit, co již existuje“. Pokud se zdá, že umožňuje řídit náklady v krátkodobém horizontu a učit se krok za krokem, může tento přístup omezit inovační potenciál těchto společností. Zejména proto, že artikulace aktérů podél hodnotových řetězců je zapojena a také přináší svůj podíl brzd, když si každý myslí, že je na někom jiném, aby inovoval.
Pečlivé vyučení inženýrů
Člověk by si myslel, že integrace AI bude nezbytným předpokladem pro návrh nových vozidel. Zdá se však, že jej inženýři využívají především k řešení problémů, které se objeví v posledních fázích vývoje produktu: zlepšení pohodlí cestujících při testování vozidel, řešení problémů se senzory nebo ještě překvapivěji při vyjednávání s výrobci zařízení.
Společnosti v tomto odvětví tak při integraci těchto technologií zaujímají progresivní a opatrný přístup. Nejprve se aplikují na stávající asistenční systémy pro řidiče (ADAS) a poté se postupně vyvíjejí. Pokud je tento způsob práce překvapivý, má tu výhodu, že umožňuje týmům postupně se učit a přizpůsobovat AI a zároveň se vyhnout zpochybňování architektury vozu. To by mohlo vést k výraznému zvýšení výrobních nákladů. Jako odborný inženýr v adaptivní tempomat systémy :
"Asi před 3 až 4 lety jsme si mysleli, že v příštích letech budeme mít autonomní vozidla... Dnes tomu tak stále není. Momentálně pracujeme na vývoji nových funkcí, o kterých se dá říct, že toho moc není narušení."
Další odborník na brzdové systémy ADAS pokračuje:
"Není to nutně nedostatek cti pro AI, ale... AI má tendenci řešit problémy, které již existují, ne problémy, které neexistují. Dokonalé autonomní vozidlo není nic jiného než řidič."
Nedostatečná kvalita dat
To vše má však zjevné limity z hlediska inovačního potenciálu. Naše práce odhaluje zejména problémy bohatosti dat. Vozidla jich sice sbírají gigantické množství, ale aby byly použitelné, musely by být například označeny. Expert na autonomní vozidla nám vysvětlil:
„Moje týmy mají za sebou hodiny a hodiny nepřetržitého testování, ale pokud chcete vytvořit algoritmus pro vícesměrný pohyb, potřebujete, aby se někdo díval na kameru, když k tomuto pohybu dochází, tedy na každém kroku, aby si všiml, že v databázi, a je to velmi časově náročné. »
Další překážka spočívá v technické schopnosti křížového odkazování na data z různých zdrojů (vizuální, radarové, zvukové atd.) za účelem například rozhodování v algoritmické logice. Tyto technologie jsou stále ve vývoji.
Tyto prvky se zdají problematické, pokud jde o udržení konkurenceschopnosti jak na globálním trhu, kde působí noví hráči jako Tesla, ale také na novém trhu mobility s ohledem na vývoj, například v oblasti létajících taxíků. vyhlášena na rok 2030. Je nutné inovovat nabídkou radikálně nových funkcí nebo řešením nových potřeb spotřebitelů.
Záležitosti, které jsou také organizační
Je to tedy otázka rozvoje odborných znalostí inženýrů v oblasti datových věd a někteří mají navíc velkou touhu dozvědět se více. Nestačí tedy vyvinout novou entitu s vědci s údaji, ale spíše zajistit postupné zvyšování dovedností inženýrů na místě. Jak zdůrazňuje jeden z dotazovaných, odborník na řízení autonomních vozidel:
„Nevyvíjíme patent tak, že si říkáme „vytváříme patent na AI““.
I když je nutné rozvíjet tyto dovednosti související s datovými vědami, musí být také lépe uznávány, aby povzbudili inženýry, aby dokončili své předchozí odborné znalosti. To vyžaduje práci s cílem identifikovat tyto „komunity umělé inteligence“ kromě těch, které jsou konkrétně rekrutovány vědci s údajia kteří se nemusí nutně identifikovat jako přispěvatelé. To je také vysvětleno definicí umělé inteligence, která je někdy omezující, například omezená pouze na použití neuronových sítí, pokud existuje široká typologie možných technologií.
Další organizační překážkou je vztah mezi výrobci vozidel a výrobci originálního vybavení (OEM). V celém hodnotovém řetězci, od subdodavatelů po montážníky, se zdá, že aktéři mezi sebou zatím především přenášejí odpovědnost za inovace prostřednictvím AI. Zdá se, že každá z nich přijímá podobné inovační strategie. Dotazovaný u výrobce vysvětluje následovně:
"Za vývoj inteligentní části senzoru jsou zodpovědní spíše dodavatelé. Jsou to spotřebitelé metod AI."
Les buňky odborníků na metody řízení inovací ve výzkumných a vývojových odděleních společností (Design Thinking, Metodika CKatd.) hrají klíčovou roli při vdechování nového života inovacím s daty.
Zavedené společnosti v automobilovém průmyslu proto musí najít rovnováhu mezi zkoumáním nových možností a využíváním svých stávajících dovedností. Současný inkrementální přístup má tu výhodu, že poskytuje rychlé výsledky a postupně si týmy zvyká na tyto nové technologie. Způsob, jakým je v současnosti implementován, však brání přijetí radikálnějších přístupů a vzniku skutečně originálních technologických inovací, které firmám umožní zůstat konkurenceschopné na globálním trhu.
Quentin Plantec, profesor managementu strategie a inovací, Vzdělávání TBS; Benoit Weill, Profesore, Doly Paříž; Marie-Alix Deval, učitel-výzkumník, Doly Paříž et Sophie Hoogeová, Profesor věd o managementu, Doly Paříž
Tento článek je publikován z Konverzace pod licencí Creative Commons. Čístpůvodní článek.
