Az autók mesterséges intelligenciája 3. rész

A mesterséges intelligencia a gyárakban is tud segíteni, átveszi az emberektől az unalmas és veszélyes munkafolyamatokat.

Gyártás

2018-ban 70 millió autót készült, így nem csoda, ha a gyártók növelni szeretnék a gyártás hatékonyságát a nagyobb volumenű gépesítéssel. A mesterséges intelligencia nem csak az utakon, de a gyárakban is hatalmas változást tud elérni.
Habár a robotokat alkalmazó és automatizációt bevezető cég alapvetően egy profit-orientált szervezet, a technológia a tulajdonosok számára csak évtizedek alatt térül(t) meg. A robotika azonnal haszonélvezői a dolgozók, akiktől a gépek átveszik az unalmas, repetitív, piszkos, illetve veszélyes munkákat. Évtizedek óta jelen vannak a robotok a gyártásban, de még nem dolgoztak az emberekkel úgy, mint ahogy manapság.

Nem csak azokat a feladatokat látják el, amik emberek számára kivitelezhetetlenek volnának (például több száz kilós dolgok emelése, festékréteg vastagságának mérése, préselés), hanem azokat is, amik végül is elvégeztethetők emberekkel is, csak nem hatékonyan vagy nagy kockázat mellett. Azokban a térségekben, ahol a munkaerőhiány egy akut probléma (Nyugat-Európa), egy ilyen jellegű beruházás akár hónapok alatt megtérülhet. Emellett a mai járványhelyzet tekintetében olyan munkák elvégzését, amik távolról, online nem kivitelezhetők, is meg kell valahogy oldani gyárleállás nélkül. Egy ilyen lépés hosszútávon is megoldja a munkaerőhiányt.

Amellett, hogy a robotok alacsonyabb hibaaránnyal dolgoznak, arra is alkalmasak, hogy prognosztizálják, detektálják a hibákat a gépi tanulás segítségével és megoldást is kidolgozzanak. Ilyen jellegű mérések végzésére már korábban is használtak robotokat, de csak a high-tech iparágakban, de ma már szinte mindenütt, illetve a mérések alanya nem csak gépi munka lehet. A DataRPM gépi tanulás technológiája képes a munkások mozdulatait és viselkedési mintázatait elemezni és abból kiszámolni a várható hatékonysági fokot és hiba-rátát. Ez az információ azért hasznos, mert még ha a hiba nem is kiküszöbölhető, annak kezelésére, enyhítésére fel lehet készülni.

A cég szenzorokat alkalmaz, hogy optimalizálja a rendelkezésre álló erőforrásokat. A technika csökkenti a leállások előfordulását, növeli az eszközök élettartamát és javítja az operációs hatékonyságot és kapacitás-kihasználtságot. A brit motorgyártó cég következő célja, hogy górcső alá vegye ehhez hasonlóan a külső adottságokat is és azokkal is adekvátan tudjon kalkulálni és felkészülni azok behatásaira.

Vezető-asszisztens

Az egy dolog, ha az embernek van egy olyan autója, ami képes magától leparkolni úgy, hogy közben 5-10 km/órával halad. Az viszont már egy más kategória, amikor az ember 100 km/órával halad az autópályán és a mesterséges intelligencia felismer közlekedési helyzeteket – vészhelyzeteket, - amiket egy ember nem lenne képes a másodperc tört része alatt feldolgozni és lereagálni. Sőt képes is legyen az AI beavatkozni, amit már ADAS-nak hív az iparág ettől a ponttól (advanced driver-assistance system=fejlett vezető-asszisztens rendszer).

Sok ADAS szerű funkciója van az autóknak, ilyen például az automatikus fék, éberség-figyelő, sávelhagyásra figyelmeztető szenzor, biztonságiöv feszítő mechanika stb. De ezek egy rendszerré integrálása még nem egy kiforrott dolog, illetve ezek még nem a karambolok elkerülését célozzák, csak figyelmeztetnek vagy védelmezik az utasokat; nem proaktívan megelőznek, hanem „csak” reaktívan felkészülnek. Az integrálás feladata elsősorban a nagy gyártók kihívása, akik rálátással rendelkeznek az egész rendszerre, legyen szó a beszállítói kapacitásokról vagy magáról az autóik felépítésiről és képességeiről.

Forrás: builtin.com