Innovare con l'intelligenza artificiale nel settore automobilistico: gli operatori storici rischiano lo stallo?
Sotto i riflettori con il necessario transizione verde operare, ilindustria automobilistica sembra in piena muta. Ci aspettiamo molto dal auto connessa, guida autonoma, veicolo elettrico o car sharing per la nostra mobilità futura.
Per innovare e rimanere competitivo, il settore potrebbe in particolare fare affidamento sul grandi dati e le tecnologie diintelligenza artificiale (IA). Alcuni nuovi entranti come Tesla sembra averlo integrato bene e lo ha già fatto adottato con successo queste tecnologie. Ma che dire delle aziende storiche del settore che devono fare i conti con la complessità dei propri impianti?
Certo, negli ultimi anni produttori e fornitori hanno investito molto nell'intelligenza artificiale, come dimostra il progetto. Valeo.ai o Partnership Renault-Google et Stellantis-SoundHound. Con quale obiettivo tuttavia? Si tratta di approcci di innovazione radicale, di messa in discussione dell'architettura dei veicoli così come la conosciamo o piuttosto di automatizzazione delle attività e miglioramento di ciò che già esiste?
Comprendere i processi di innovazione relativi ai dati nel mondo automobilistico rimane essenziale per garantire la sostenibilità di questo settore chiave per l'economia francese. Questo è ciò da cui parte il nostro team di ricercatori Istruzione TBS e Centro di gestione scientifica (CGS) de Scuola delle miniere di Parigi – PSL, In un studio recente. Si basa su un'analisi di oltre 46 brevetti dei 000 maggiori attori del settore, nonché su una campagna di interviste con i richiedenti di 19 brevetti relativi alle tecnologie AI.
Cercando di sollevare il velo sulle pratiche di innovazione in questo settore, dimostriamo che è proprio l'opzione "migliorare ciò che già esiste" che sembra essere stata scelta. Se sembra consentire di controllare i costi a breve termine e di imparare passo dopo passo, questo approccio può tuttavia limitare il potenziale di innovazione di queste aziende. Soprattutto perché l'articolazione degli attori lungo le catene del valore è coinvolta e porta anche la sua quota di freni quando tutti pensano che spetti a qualcun altro innovare.
Un attento apprendistato di ingegneri
Si sarebbe pensato che l'integrazione dell'IA sarebbe stata un prerequisito per la progettazione di nuovi veicoli. Tuttavia, gli ingegneri sembrano utilizzarla soprattutto per risolvere i problemi che emergono durante le ultime fasi di sviluppo del prodotto: migliorare il comfort dei passeggeri durante i test del veicolo, risolvere i problemi dei sensori o anche, cosa più sorprendente, negoziare con i produttori di apparecchiature.
Le aziende del settore stanno quindi adottando un approccio progressivo e cauto nell'integrazione di queste tecnologie. Vengono prima applicati ai sistemi di assistenza alla guida esistenti (ADAS) e poi sviluppati in più fasi. Se questo modo di fare è sorprendente, ha il merito di permettere ai team di apprendere e adattarsi gradualmente all'IA, evitando di mettere in discussione l'architettura della vettura. Ciò potrebbe comportare un aumento significativo dei costi di produzione. In qualità di ingegnere esperto in sistemi di controllo automatico della velocità adattivi :
"Circa 3 o 4 anni fa pensavamo che nei prossimi anni avremmo avuto veicoli autonomi... Oggi non è ancora così. Al momento stiamo lavorando allo sviluppo di nuove funzioni per le quali possiamo dire che non c'è molto interruzione."
Un altro esperto, in ADAS per impianti frenanti, continua:
"Non è necessariamente una mancanza d'onore per l'IA, ma... L'IA tende a risolvere problemi che già esistono, non problemi che non esistono. Il veicolo autonomo perfetto non è altro che un guidatore."
Dati di qualità insufficiente
Tutto ciò ha però evidenti limiti in termini di potenzialità di innovazione. Il nostro lavoro rivela in particolare problemi di ricchezza di dati. Sebbene i veicoli ne raccolgano un numero gigantesco, dovrebbero essere etichettati, ad esempio, per essere utilizzabili. Un esperto di veicoli autonomi ci ha spiegato:
"I miei team hanno ore e ore di test continui, ma se vuoi creare un algoritmo per il movimento multidirezionale, hai bisogno di qualcuno che guardi la telecamera quando si verifica quel movimento, cioè ad ogni svolta, per notare che nel database, ed è molto dispendioso in termini di tempo. »
Un altro ostacolo risiede nella capacità tecnica di incrociare dati provenienti da diverse fonti (visive, radar, sonore, ecc.) per prendere, ad esempio, una decisione in una logica algoritmica. Queste tecnologie sono ancora in fase di sviluppo.
Questi elementi sembrano problematici quando si tratta di rimanere competitivi sia sul mercato globale in cui operano nuovi player come Tesla, ma anche sul nuovo mercato della mobilità di fronte agli sviluppi, ad esempio nei taxi volanti. annunciato per il 2030. È necessario innovare offrendo funzionalità radicalmente nuove o rispondendo alle nuove esigenze dei consumatori.
Questioni che sono anche organizzative
Si tratta dunque di sviluppare le competenze degli ingegneri in atto attorno alle scienze dei dati, e alcuni hanno inoltre una gran voglia di saperne di più. Non è quindi sufficiente sviluppare una nuova entità con data scientist, ma piuttosto per garantire un graduale aumento delle competenze degli ingegneri in loco. Come sottolinea uno degli intervistati, esperto di guida di veicoli autonomi:
"Non sviluppiamo un brevetto dicendo a noi stessi "stiamo facendo un brevetto AI"".
Sebbene sia necessario sviluppare queste competenze relative alle scienze dei dati, devono anche essere meglio riconosciute per incoraggiare gli ingegneri a completare le loro competenze precedenti. Ciò richiede lavoro per identificare queste "comunità AI", al di là di quelle specificatamente reclutate come data scientist, e che non si identificano necessariamente come contributori. Ciò si spiega anche con una definizione di IA a volte restrittiva, ad esempio ristretta solo all'uso delle reti neurali, quando c'è un ampia tipologia di possibili tecnologie.
Un altro ostacolo organizzativo è il rapporto tra produttori di veicoli e produttori di apparecchiature originali (OEM). Lungo la catena del valore, dai subappaltatori agli assemblatori, gli attori, per il momento, sembrano soprattutto trasferirsi reciprocamente la responsabilità dell'innovazione attraverso l'IA. Ognuno sembra adottare strategie di innovazione simili. Un intervistato impiegato da un produttore spiega come segue:
"Sono piuttosto i fornitori i responsabili dello sviluppo della parte intelligente del sensore. Sono i consumatori dei metodi di intelligenza artificiale".
I cellule di esperti in metodi di gestione dell'innovazione nei dipartimenti di ricerca e sviluppo delle aziende (design thinking, Metodologia CK, ecc.) hanno un ruolo chiave da svolgere nel dare nuova vita all'innovazione con i dati.
Le aziende incumbent nel settore automobilistico devono quindi trovare un equilibrio tra l'esplorazione di nuove possibilità e lo sfruttamento delle competenze esistenti. L'attuale approccio incrementale ha il merito di fornire risultati rapidi e di abituare gradualmente i team a queste nuove tecnologie. Il modo in cui è attualmente implementato, tuttavia, ostacola l'adozione di approcci più radicali e l'emergere di innovazioni tecnologiche davvero originali che consentiranno alle aziende di rimanere competitive nel mercato globale.
Quentin Plantec, Professore di Strategia e Gestione dell'Innovazione, Istruzione TBS; Benoit Weill, Professore, Parigi mineraria; Marie-Alix Deval, docente-ricercatore, Parigi mineraria et Sophie Hoog, Professore di Scienze Gestionali, Parigi mineraria
Questo articolo è ripubblicato da The Conversation sotto licenza Creative Commons. Leggi ilarticolo originale.
