(Kiemelt kép: Unsplash)
Általában minden személyautó több mint 30.000 autóalkatrészből készül. A minőség, a biztonság és a gyors gyártás biztosítása érdekében a gyártási célok elérése érdekében a gyártósoron az embernél nagyobb pontossággal dolgozó robotokat alkalmaznak. Emellett néhány autógyár a minőségellenőrzés fokozására a Computer Vision technológiát használja szabványként, például a festési folyamatban, melyet gyakran találtak a fő problémának, és számos ügyfél állította, és a belső zajvizsgálat, mely csökkentheti a termelési költséghatékonyságot. Az értékesítési folyamat során a vezető luxusautó-szalonok mesterséges intelligenciát használtak arra, hogy az ügyfelek számára álomautókat hozzanak létre, például a belső és külső kialakítás, a motor és a meghajtási rendszer kiválasztása a több mint 10 millió specifikáció és választási lehetőség közül, melyek többnyire megfelelnek az ügyfelek igényeinek. Ezáltal hozzájárul az ügyfélélmény, az értékesítés növekedéséhez és a márkahűség fokozásához, valamint a pozitív szájpropaganda növekedéséhez.
A mesterséges intelligencia egyik legmenőbb, ha nem a legmenőbb alkalmazása az autonóm vezetés. Tavalyig az autonóm vezetési rendszerek számítottak a világ legfejlettebb mesterséges intelligencia modelljeinek. De ennek ellenére messze a legkevésbé megbízható modellek a világon. És ez a bizalmi probléma nemhogy nem csökken, ahogy a modellek egyre jobbak lesznek, hanem csak a tavalyi évhez képest 55%-ra nőtt, és például az amerikaiaknak már csak 9%-a bízik bennük. A bizalmatlanság számos oka közül az egyik leggyakrabban említett ok a modellek döntéseinek átláthatatlansága. Most a Wayve, egy erre az ágazatra szakosodott brit vállalat bejelentette a LINGO-1 modelljét, egy VLA (Vision-Language-Action) modellt, mely képes megmagyarázni és megindokolni az autonóm vezetési rendszer által végrehajtott vezetési műveletek mögött álló döntéseket. A modell valós megfigyelésekre reagál, és képes megjósolni, hogy ezek alapján milyen lépéseket fog tenni az autó.
Az átláthatóság problémája
Egyszerűen fogalmazva, a jelenlegi autonóm vezetési rendszerek messze vannak attól, amire a legtöbb ember gondolna, amikor autonóm járművekről beszél. A Society of Automotive Engineers, azaz a SAE szerint az autonóm vezetésnek hat szintje van, 0-tól 5-ig. Az 5-ös szint azt jelenti, hogy az autó teljes mértékben irányít, és a helyzettől függetlenül felelős. A 0-tól 2-ig terjedő szinteknél az ember még mindig felelős a vezetésért. Ha autonóm vezetésű járművekre gondolunk, szinte mindenkinek a Tesla jut eszébe. A Tesla azonban a mai napig a 2-es szinten ragadt, és csak az autók egy jelentősen szűk csoportjának sikerült a 3-as szintre lépnie, amit nemrég a Mercedes EQS szedánja és S-osztálya ért el. A 3. szint azt jelenti, hogy néhány nagyon speciális helyzetben az autó teljesen autonóm üzemmódba kapcsolható. De ez még messze van a céltól.
A legtöbbször az emberek bizalmi problémái sokkal kevésbé racionálisak, mint gondolnánk. Leggyakrabban pusztán irracionális félelemről van szó, mint ahogy az emberek félnek a repülőgépektől, holott messze ez a legbiztonságosabb közlekedési rendszer. A számok magukért beszélnek. 1:1,2 millióhoz az esélye annak, hogy valaki meghal egy repülőgép-szerencsétlenségben. Ez a szám 1:5000-hez csökken, ha autókról beszélünk. Következésképpen a „beszélő autó” mögött álló elképzelés nem csak az autóbalesetek csökkentéséről szól, hanem arról is, hogy az embereknek az autó döntéseinek átláthatóbbá tételével az irányítás érzését adjuk. De hogyan is működik ez?
Látásmód, nyelvi és vezetési modell is
A Lingo-1 egy háromféle adattípuson kiképzett mesterséges intelligenciamodell: nyelvi adatok, képek adatai és vezetési adatok. Ráadásul ezeket az adattípusokat a roadcraft módszerrel hangolták össze, ugyanazzal a módszerrel, amit a vezetésoktatók évtizedek óta használnak: vezetés közben hangosan elmondják, hogy mit fognak csinálni, hogy a tanuló utánzással tanulhasson. Így a Wayve összeállított egy olyan adathalmazt, melyet az útjaikat kommentáló szakértő sofőrök építettek fel, szinkronizálva a nyelvet, a képeket és a testet öltött adatokat (érzékelők, működtetők), hogy a modell megértse a köztük lévő összefüggéseket. Az eredmény egy olyan modell, mely valós időben veszi fel a testet öltési adatokat, és képes vizuális kérdésválaszolásra olyan feladatokban, mint az észlelés, tervezés, kontrafaktumok (több lehetséges „mi lenne, ha” forgatókönyvre való következtetés) és így tovább. Más szóval, a LINGO-1 egy olyan modell, mely képes értelmezni a vezetési helyzeteket és következtetni róluk. Mindez nagyszerű, de vajon tényleg működik?
Kommentelés és csevegés
Szerencsénkre a modellt már tesztelték valós forgatókönyvekben, ahol a modell okosan értelmezi az előtte álló helyzeteket, és megmagyarázza a mögötte álló döntéseket. De ahogy korábban említettük, azt is le tudja írni, amit lát. Ezek a képességek nemcsak arra adnak neki lehetőséget, hogy megmagyarázza a döntéseit, hanem arra is, hogy javítsa a modell megértését az előre nem látható helyzetekben. Mivel a nyelv árnyalatokkal képes jobban leírni a nyílt tájat, a modell a nyelvi reprezentációit felhasználhatja arra, hogy új vezetési helyzetekre általánosíthasson. Valójában a végcél egy olyan modell létrehozása, mely növeli az autonóm vezetés alapmodelljének képességeit, olyan javasolt architektúrákban, mint ahol a nyelvi modell magyarázatai beépülnek a vezetési „irányelvekbe” (a döntéshozó rendszerbe), hogy gazdagítsák a kontextust és javítsák az eredményt. Bár nem tették közzé, hogyan építették fel a modellt, egyértelmű, hogy az egy LLM és egy képkódoló kombinációján alapul. Igen, látunk már multimodális modelleket képkódoló nélkül, mint például az Adept Fuyu, de ez egy nagyon új, és valahogy a gyakorlatban még nem igazán hatékony architektúra. Figyelembe véve azt is, hogy ez a nyelvi modell nem a Wayve alapmodellje, és figyelembe véve, hogy milyen drága az ilyen modellek építése („csak” 258 millió dollárt gyűjtöttek, ami csekély összeg, ha versenyezni akarunk a világ OpenAI-ival és Anthropic-jával, melyek minden páratlan hónapban milliárdokat gyűjtenek), valószínűleg a beoltási módszert választották, előre betanított képkódolót és LLM-et használva a modell felépítéséhez.
Új hajnal az autók számára?
Mindent egybevetve, a mesterséges intelligencia ismét bebizonyította, hogy annak, hogy mit építhetünk vele, csak a képzelet szab határt. Hogy ez valóban a jövő autóinak egyik jellemzője lesz-e, azt csak az idő fogja megmondani, de a Lingo-1 hozzájárulása ezen is túlmutat, hiszen bebizonyította, hogy az LLM-ek nemcsak többféle adatot tudnak megfelelően felhasználni a szójósláshoz, hanem az LLM-ek a vezetési műveletek mögötti érvelés javítására is felhasználhatók, és ezáltal az autonóm vezetési rendszerek minőségének javítására.
Digitális ikergyár az autóiparban
A kiskereskedelmi üzleteket és gyárakat klónozzák a virtuális világ számára, az ismertség és a hatékonyság érdekében. Most eljött az ideje az autóiparnak is, mely egyre inkább hajlandó a digitális ikergyárat is használni. Ez az innovatív technológia tökéletesen áthidalja a valós és a virtuális világot. Ez már most is megtörténik, például a BMW gyáraiban.
Ipar 4.0 és adatvezérelt technológia
A negyedik ipari forradalom megköveteli a fejlett adatvezérelt technológiák használatát. Ebbe beletartozik a digitális iker is. Ez egy olyan elképzelés, mely lehetővé teszi a termékek, szolgáltatások és teljes folyamatok szimulálását a hatékonyabb és gyorsabb minőségi megoldások létrehozása érdekében. Videók, képek, diagramok vagy más adatok felhasználásával a fejlett 3D-s térképezéshez egy új virtuális valóság jön létre. Ez a koncepció egyre inkább elterjedőben van a különböző piaci ágazatokban, köztük az autóiparban is. Nemcsak egyes járműalkatrészek, hanem már egész gyárak is létrejönnek a digitális térben. Ez utóbbi például a BMW-nél látható. De számos más ágazatban is alkalmazzák, nem csak az iparban mint olyanban. Például folynak kísérletek arra, hogy a technológiát a szívbetegek sebészeti kezelésében is alkalmazzák: így a digitális ikreket a belső szervek korszerű másolására és vizsgálatára használnák. Emellett lehetővé tennék akár olyan gépek prototípusainak gyorsabb fejlesztését is, mint a repülőgépek. Az építészeknek ezzel szemben egy ilyen forgatókönyv esetén már nem kell kizárólag a képzeletükre hagyatkozniuk, hanem felhőkarcolók tökéletesen reprodukált, centiméterre pontos modelljeit használhatják.
A digitális ikrek már most beléptek a gyárakba
Képzeljük csak el ezt a forgatókönyvet: egy gyártóüzem kapujának kinyitása. Egy autó ajtajának festékkel való bevonása. Munkások, akik szakaszról szakaszra haladva végzik a munkájukat. Csakhogy ezek csak nagyon is valósághű szimulációk. A munkások pedig valójában csak avatárok. Így foglalható össze a digitális iker gondolata az autóiparban. Egy különálló, átfogóan érzékelhető gyártási folyamatot hoz létre. A digitális iker az autóiparban magában foglalja a teljes autó virtuális másolatát és fizikai viselkedését, beleértve a szoftvert, az elektronikát, a mechanizmusokat. Emellett pedig képes az összes teljesítmény- és érzékelőadatot valós időben tárolni, valamint a konfigurációváltozásokat, a szerviztörténetet és a garanciális információkat is.
Ez a trend már most széles körben elterjedt. Például a német BMW gyárban. A vállalat által használt járműgyár virtuális háromdimenziós másolata a legapróbb részletekig reprodukált tér, amely egy képernyő vagy egy VR-szemüveg segítségével érhető el. Egyáltalán, miért „bíbelődünk” egy ilyen technológiával? Többek között legalábbis azért, hogy pénzt takarítsunk meg. A nem fizikai, virtuális erőforrások lehetővé teszik a futószalag alkatrészeinek tesztelését vagy javítását anélkül, hogy nehéz gépeket kellene mozgatni vagy működtetni. A gépi tanulási algoritmusok a robotok irányításában is segítenek. Ezek szimulált változatban képesek különböző összetett mozdulatokat tenni, hogy a folyamat a lehető legáramvonalasabb legyen. És mindezt anélkül, hogy energiát pazarolnának időigényes tesztekre. Emellett a robotok így új munkamódszereket tanulnak meg. A fejlett szoftverek szimulálják a munkások viselkedését is: mozgásútjaikat és cselekvéseiket. Ezáltal megpróbálják minimalizálni az esetleges ergonómiai problémákat. Frank Bachmann, a BMW gyárigazgatója szerint legalább 25 százalékkal csökkent a gyár működésének megtervezéséhez szükséges idő. A változások egyébként már most is zajlanak, hiszen még mielőtt az elektromos járművek hajtásrendszereinek egyes alkatrészei elhagynák a BMW gyárat, a teljes gyártási folyamatot már a regensburgi gyár virtuális változatában véglegesítik. Az említett előnyök olyannyira jól jönnek a BMW-nek, hogy a vállalat további ilyen típusú technológiákat kíván kifejleszteni. A hamarosan bevezetésre kerülő ikergyári modelljük várhatóan a magyarországi gyár másolata lesz, és ezt követően ez a világ más gyáraira is érvényes lesz.
Szinergikus együttműködés által vezérelt innováció
A BMW olyan autóipari óriás, mely nem egyedül, hanem a szoftveres megvalósításért felelős technológiai vállalatok megfelelő támogatásával támogatja és használja a jövő virtuális technológiáját. A német autómárka esetében a partner a chipgyártó vállalat, az Nvidia, melynek saját fejlesztésű Omniverse rendszerét használják. Ez lehetőséget nyújt a teljes gyártási folyamat szimulálására, figyelembe véve még olyan fizikai tényezőket is, mint a gravitáció. Nyilvánvalóan mindent fotorealisztikus részletesség keretében kell lebonyolítani. Ez a komplex virtuális környezet lehetővé teszi a változatos 3D modellek létrehozását. Abban az értelemben is innovatív, hogy az Omniverse nyílt fájlszabványa számos számítógéppel segített tervezőcsomaggal kompatibilis. Richard Kerris, az Nvidia Omniverse általános igazgatója a projektet „a valaha készült egyik legösszetettebb szimulációnak” nevezi. A megoldások azonban nem zárulnak le az Nvidia-nál, az autóipari vállalatok más technológiai megvalósítások kínálatából is választhatnak. És minden jel arra mutat, hogy egyre több ilyen ajánlat lesz. Az Amazon például 2021 novemberében mutatta be az AWS IoT TwinMaker nevű szolgáltatását, mely valós rendszerek digitális másolatait generálja az üzleti élet számára. A rendszerek és műveletek magával ragadó 3D-s nézete lehetővé teszi a hatékonyság optimalizálását, a termelés növelését és a teljesítmény javítását. Ugyanígy az Azure Digital Twins nevű platform-mint-szolgáltatás (PaaS) ajánlat is. Ez lehetővé teszi különböző környezetek, például épületek, gyárak, elektromos hálózatok, sőt egész városok digitális alapú modelljeinek létrehozását.
Hogyan használható a digitális iker fogalma az autóiparban?
Egyesek számára úgy tűnhet, hogy a digitális ikrek létrehozása az autóiparban felesleges „kütyüzés” vagy a mai MI-trendek vak követése. Végül is, miért szimulálnánk egy jármű létrehozását? Nem lenne jobb időt, energiát és erőforrásokat fordítani arra, hogy javítsuk azt, ami már folyamatban van? Nem jobb-e befektetni a VALÓDI gyártási eredményekbe? Mindez nem is olyan egyszerű. Különösen, ha felismerjük, hogy ez a technológia nem csak a járműfejlesztési szakasz virtualizálásáról szól. A digitális ikergyárak mögötti elképzelés nem annyira maguknak az autóknak a fejlesztésére összpontosít, hanem az egész széles ökoszisztémára. Arról van szó, hogy ellenőrzött környezetben hozzuk létre és tartsuk fenn a teljes gyártási környezetet: a logisztikát, az alkalmazottakat, a gépek telepítését és az egész értékláncot. Ding Zhao, a Carnegie Mellon Egyetem mesterséges intelligenciára és digitális szimulációkra szakosodott professzora szerint a szimulációk kulcsfontosságúak az ipar számára. Ez két okból is így van. Először is a veszélyes helyzetek szimulálásáról van szó. „Normális” körülmények között ez gyakran egyszerűen lehetetlen. Ugyanilyen lehetetlen a gépek több millió cikluson keresztül történő futtatása minden egyes alkalommal, csak azért, hogy az elemzéshez szükséges adatokat összegyűjtsék. A szimuláció ezért a gyártási folyamat teljes környezetét figyelembe veszi. Ez a probléma átfogó és mindenre kiterjedő szemlélete. Virtuális válasz a valós igények és a valós előnyök kérdésére. Ezek pedig számosak.
Prediktív karbantartás
A digitális iker a gyár termelékenységének fenntartásáért felelős embereknek fontos „fegyvert” ad a pénzügyi veszteségek elleni küzdelemhez. Ezt hívják prediktív karbantartásnak. Azzal, hogy megjósoljuk, mi fog következni, erőforrásokat takaríthatunk meg, és jobban megtervezhetjük a jövőbeli termelési és értékesítési tevékenységeket. Ez a termékteszteléstől, a karbantartási igények és a vonalfejlesztések meghatározásától a forgalomtervezésig terjed. Például különböző típusú alvázakat lehet tesztelni különböző időjárási körülmények között. Természetesen egy virtuális világban. Ráadásul az ilyen megoldásokat az ügyfelek azonnal tesztelhetik, akik így azonnal megoszthatják a termékkel kapcsolatos benyomásaikat. Így még azelőtt visszajelzést kaphat, hogy a megoldás a piacra kerülne. Az OEM-ek minden egyes VIN- és szoftverszámú jármű ikerszámait fenntarthatják, és vezeték nélkül végezhetnek frissítéseket (SOTA), vagy ideiglenesen engedélyezhetnek vagy letilthatnak egyes funkciókat. A szimulációban például olyan funkciókat is figyelhetnek, melyeket a járművezetők ritkán használnak. Ha valami nem működik, visszaléphet az ötlettől, még a megvalósítás előtt. Ezenkívül lehetőség van a gyárak infrastruktúrájának olyan konfigurálására is, hogy a dolgozókat távolról, a berendezések fizikai telepítése nélkül is ki lehessen képezni. Ez további lehetőségeket nyit meg egy márka nemzetközivé tételére. Ily módon egy amerikai gyártóvállalat még azelőtt kiképezhet egy új csapatot Japánban, hogy a cseresznyevirágok országában lévő üzem elkészülne.
A gyártási képességek javítása
Az itt leírt technológia nemcsak pénzben, hanem időben is hatalmas megtakarítást eredményez. A hagyományos autóiparban a vállalatoknak túl sokáig kell összpontosítaniuk az új funkciók vagy tervek ellenőrzésére. Mindezt azért, mert meg kell várniuk a gyártási folyamat befejezését. A digitális iker elhárítja ezt az akadályt. Könnyedén tesztelheti egy új funkciókkal és paraméterekkel rendelkező új gép hatását a gyártási teljesítményre. Ez egy gyors, mégis megbízható módja annak, hogy ellenőrizze egy innovatív projekt sikerét és teljesítményét.
Hatékony adatkezelés
A virtuális szimulációs technológia lehetővé teszi a megbízható adatelemzést, mind a jelen, mind a múltban. Minden adat, a leállásokra vagy a konfigurációváltozásokra vonatkozó adatok valós időben kerülnek összegyűjtésre. Így pontosan láthatja, hogy mikor várható a gép leállása. És nem csak ezt. Ennek eredményeképpen a döntéshozó pozícióban lévő vezetők minimális pénzügyi veszteséggel tervezhetik a megszakítás nélküli termelést. Az autókereskedők pedig, mivel rálátásuk van egy-egy jármű szerviztörténetére, pontosan tudják, hogy mit forgalmaznak. Ennek alapján jobban előre láthatják az ügyfelek igényeit is, és javíthatják az ügyfelek elégedettségét az autó használata során. Fontos, hogy az összegyűjtött adatokat egyszerre több forrásból integrálják és egységesítik. Nem jelent problémát, hogy betekintést nyerjen a teljesítményadatokba, a vezetési viselkedési adatokba és a korábbi modellek archivált információiba.
Tökéletes kivitelezés
Egy új modell gyártása akár 5-6 évig is eltarthat, ezért akár egy apró figyelmetlenség is megzavarhatja egy vállalat stabilitását, különösen, ha a zászlóshajóról és a széles körben reklámozott modellről van szó. Imázs és pénzügyi okokból ma már különösen fontos, hogy a termék versenyképes, megbízható és tökéletesen kidolgozott legyen. Mi ebből az alapvető következtetés? Már egy apró mulasztás is ronthatja egy vállalat stabilitását, különösen, ha az a zászlóshajóját és széles körben reklámozott modelljét érinti. Különösen fontos, hogy a termék versenyképes, megbízható és tökéletesen kidolgozott legyen. A digitális iker, amely lehetővé teszi a teljesen virtuális környezetben történő tervezést és szimulációt, kedvez a minden részletében tökéletes termékek létrehozásának. A nagy teljesítményű renderelési és vizualizációs eszközök lehetővé teszik az anyagok és textúrák széles választékából való választást. És semmi sem áll a légáramlás vagy a hőkibocsátás optimalizálásának útjába. Minden részletet megtervez(het)ünk.
Miért érdemes digitális ikreket használni?
Számos előnye van a digitális iker használatának az autóiparban. Egy ilyen típusú szimuláció azt jelenti: a gyártási folyamat optimális megtervezését már a digitális másolás fázisában, nem pedig egy „élő szervezeten”. Idő- és pénzmegtakarítást. Azáltal, hogy „megelőzhetők” a jövőbeli gyártási problémák. A gyártósor-bővítési költségek jobb becslését. A gyártási folyamat minden egyes szakaszának könnyebb lesz az elemzése az úgynevezett „szűk keresztmetszetek” szempontjából. Gyorsabb, interaktívabb kommunikációt jelent(het) a járműtervezők, az érdekelt felek és a végfelhasználók között. Jobb ergonómiát ad az üzem valamennyi munkaállomásán. A termék viselkedésének meghatározása a teljes életciklus során egységesíthetővé válik. Így megkönnyíti a K+F munkát a bevált modellek újrafelhasználásának és a változások hatásának gyors értékelésével. Lehetőség nyújt az előző jármű generáció és az aktuális járműtervezés közötti összes adat digitális modellbe történő integrálására. Egyértelműen ez napjaink egyik legköltséghatékonyabb adatvezérelt gyártási koncepciója.
A digitális és a valós világ zökkenőmentesen összefonódik majd. A fizikai és virtuális változatok konvergenciája lehetőséget kínál a különböző kihívások leküzdésére, melyek ma már mindennaposak az autóipari értékláncban. A legerősebb óriások, élükön a BMW-vel, már tudják ezt. Minden jel arra mutat, hogy hamarosan az iparág minden gyártójának fontolóra kell vennie, hogy valamikor és valamilyen mértékben ilyen megoldásokba fektessen be. Mindenesetre a vállalat szempontjából ez nem áldozat, hanem esély a fejlődésre a konkurenciával szemben. És egy lehetőség számos mérhető jövendőbeli versenyelőny elérésére.
