موج جدید نوآوری در خودروها

به گزارش مجله ماشین، امروزه خودروهای نرم‌افزارمحور حجم عظیمی از داده‌ها را از حسگرها و سیستم‌های کنترلی خود تولید می‌کنند. هر خودروی متصل می‌تواند در هر ساعت تا ۲۵ گیگابایت داده ارسال کند؛ یعنی بیش از ۱۰۰ ترابایت در سال برای هر خودرو. اما بخش زیادی از این داده‌ها هنوز پراکنده است و استفاده‌ی مؤثر از آن‌ها دشوار.

هوش مصنوعی به داده ساختارمند نیاز دارد

چالش اصلی دیگر هوش مصنوعی نیست، بلکه آماده‌سازی داده‌ها برای استفاده از آن است. هر بخش خودرو اطلاعاتی تولید می‌کند، اما با زبان خاص خود. این ناهماهنگی باعث می‌شود تحلیل داده‌ها و به‌کارگیری هوش مصنوعی پرهزینه و زمان‌بر باشد.

نسل جدید پلتفرم‌های داده‌محور با استانداردسازی و هم‌زمان‌سازی داده‌ها این مشکل را حل کرده‌اند. این سیستم‌ها داده‌های خودرو را برای مدل‌های هوش مصنوعی آماده می‌کنند تا بتوان آن‌ها را روی مدل‌های مختلف خودرو بدون بازنویسی مجدد به‌کار گرفت. نتیجه؟ کاهش زمان توسعه از چند ماه به چند هفته و صرفه‌جویی چشمگیر در هزینه‌ها.

هوشمندی از کارخانه تا جاده

نمونه‌های واقعی مانند Sonatus AI Director و AI Technician نشان داده‌اند که این رویکرد تا چه اندازه مؤثر است. برای مثال، شرکت Qnovo توانسته با استفاده از این فناوری، زمان لازم برای ادغام نرم‌افزارهای هوشمند مدیریت باتری را از چند ماه به چند روز کاهش دهد و نظارت بلادرنگ بر سلامت باتری را در خودروهای برقی فراهم کند.

خودروهایی که یاد می‌گیرند و بهتر می‌شوند

امروزه هوش مصنوعی فقط در تولید یا رانندگی کاربرد ندارد؛ بلکه در سراسر چرخه عمر خودرو فعال است. سیستم‌هایی مانند AI Director و AI Technician با همکاری یکدیگر، داده‌ها را تحلیل و مدل‌ها را به‌صورت خودکار به‌روزرسانی می‌کنند. این چرخه‌ی هوشمند «مشاهده، تحلیل و اقدام» باعث می‌شود خودرو به یک موجود زنده‌ی دیجیتال تبدیل شود — همیشه در حال یادگیری، بهبود و واکنش سریع‌تر به مشکلات.

آینده‌ی خودروهای داده‌محور

کارشناسان پیش‌بینی می‌کنند تا سال ۲۰۳۰ بیش از ۸۰ درصد خودروهای جدید نرم‌افزارمحور خواهند بود.
این تحول به معنای تغییر کامل نگاه خودروسازان است: خودرو باید از ابتدا بر پایه‌ی داده طراحی شود.

در دنیای آینده، موفق‌ترین خودروسازان آن‌هایی خواهند بود که بتوانند داده‌ها را بهتر سازمان‌دهی کنند و از آن برای توسعه‌ی سریع‌تر، کاهش هزینه‌ها و بهبود ایمنی بهره ببرند.

راه رسیدن به «تحرک هوشمند» از افزایش داده‌ها آغاز نمی‌شود، بلکه از آماده‌سازی هوشمندانه‌ی داده‌ها برای هدایت هوش مصنوعی شروع می‌شود.