استارتاپی برای برطرف کردن بزرگترین مشکل در خودروها به وسیله یادگیری ماشین (Machine Learning)

چهار درسی که حتی موفق‌ترین کارآفرینان هم به سختی می‌آموزند
۲۳ خرداد ۱۳۹۸
بهترین داستان‌های بازاریابی دیجیتال در چین( میِ ۲۰۱۹)
۶ تیر ۱۳۹۸

مدت زمان مطالعه : ۶ دقیقه

 

 

پیشبینی شده بود که اگر در گذشته هنری فورد (Henry Ford) از مشتریان بالقوه خود در مورد یک وسیله نقلیۀ موتوری سوال می‌پرسید،  آن ها احتمالا در جواب به او می‌گفتند که تمرکز خود را روی مهیا کردن یک اسب سریع تر بگذارد.

صنعت تولید خودرو امروزه با یک مشکل کنترل کیفیت مواجه است. نقص عملکرد در سیستم خودرو به تنهایی عامل صدها مرگ و حادثه در چند سال گذشته بوده است. بیش از ۳۰۰ مرگ و میر مرتبط با سیستم استقرار کیسه هوا بوده است، همچنین حدود ۱۰۰ نفر به علت شتاب ناخواسته خودرو جان خود را از دست داده­اند، و این لیست از حوادث همچنان وسیع تر خواهد شد.

بعضی از این موارد منجر به انجام تحقیقات سطح بالا و ایجاد توافقنامه­های محرمانه شد. مشخص شد که دلیل اصلی این اتفاقات این است که رویه های آزمایش فعلی سازندگان همچنان وابسته به تئوری ((اسب ها)) می‌باشد (اشاره به کوته فکری مشتریان هنری فورد)، و شرکت های مرتبط به اشتباه به دنبال یک اسب سریع تر می‌گردند، درحالی که نیاز حقیقی استفاده از موتورها می‌باشد!

خودرو های مدرن به شدت به سیستم های الکترونیکی وابسته می‌باشند، که همچنین باعث افزایش مشکلات پیچیده و بی‌سابقه‌ای در این زمینه شده است. در یک فعالیت برای مقابله با این مشکلات، سازندگان تلاش می‌کنند تا داده های بیشتری را جمع آوری کرده، روش های تست دقیق ایجاد کرده، و مهندسانی را برای شناسایی و رفع این سری مشکلات آموزش می‌دهند.

هرگونه اختلال در آزمایش نهایی باعث توقف در تولید خواهد شد، در این حین مهندسان به سرعت برای شناسایی (اغلب به صورت دستی) علت مشکل به عنوان عامل شکست اقدام می‌کنند. در بعضی موارد، اختلال در مرحله آزمایش مشخص نمی‌شود، و به خودروی داخل بازار صدمه خواهد زد و منجر به نقص بیمه، نقص ادعای ضمانت نامه، آسیب دیدگی و حتی مرگ خواهد شد.

پس آیا راه حلی برای این که این ((اسب های)) کم ارزش را با ((خودرو های پیشرفته)) جا به جا کنیم( یا به عبارتی یک راه حل خودکار، هوشمندانه و کارآمد را برای ورود صنعت به عصر جدیدی از کنترل کیفیت ارائه کنیم) وجود دارد؟ فناوری امروزه به گونه ای می‌باشد که ماشین ها را برای یادگیری از مشاهدات تنظیم می‌کند، درست مانند انسان ها، حتی بهتر! به این فکر کنید که چه می‌شود اگر ما قدرت یک اسب(بخار) را به صد اسب افزایش دهیم در حالی که راننده سالم بماند؟

 

 

 

 

 

 

 

یادگیری ماشین، ابزاری برای نجات

 

در شیوه سنتی، نرم افزار به صورت صریح برای پاسخگویی به اهداف خاص و بر اساس یک مدل از پیش تعیین شده برنامه نویسی می‌‌شد. همزمان با این که سیستم حمل و نقل پیچیده تر شد، عملا ممکن شد تا بشر رفتار لحظه‌ای هر جزء را مدل کند.

گرتا(Greta Cutulenco) مدیر اجرایی (CEO) و تیمش تحت عنوان (( Acerta )) چهار سال را صرف پیاده سازی یادگیری ماشین به منظور تشخیص ناهنجاری در سیستم کردند. تکنولوژی آن ها بر اساس این حقیقت که نقص های شدید غالبا توسط رفتارهای کوچک غیر طبیعی داده ها قابل تشخیص می‌باشند، ایجاد شده است. این نرم افزار طراحی شده است تا حجم های عظیم داده را اسکن کرده، و سپس در مورد داده های آتی پیشبینی کند.

یک الگوریتم تازه توسعه یافته که در توانایی خود مبنی بر شناسایی نقص ها و کاستی های پنهان در هر لحظه منحصر به فرد می‌باشد، به همراه درصد خطای ناچیز. این طرح فراتر از مدل های انسانی که می‌توانند اطلاعات غلطی را برای مهندسان فراهم کنند می‌باشد. این کار می‌تواند در نهایت میلیون ها دلار را در زمینه بازسازی، ضمانت و هزینه های خرابی حفظ کند و در بسیاری از موارد جان انسان ها را نجات دهد.

 

 

اختلال صنعت

 

تشخیص ناهنجاری های پیش بینی شده به عنوان پیچیده ترین نوع تحلیل و تجزیۀ داده ها در نظر گرفته می‌شود؛ تولید الگوریتمی که بتواند مشکلات را با قاطعیت پیش بینی کند یک چالش اساسی است.

بعضی از الگوریتم های عمومی یادگیری ماشین مانند DATARPM و UPTAKE می‌توانند در حال کار با انواع داده ها  بینش هایی را فراهم کنند. با این حال، این نمونه از راه حل ها به اندازه کافی برای رسیدگی به سیستم خودرو پویا نیستند و در صورت استفاده در داده های وسایل نقلیه، نرخ خطای مثبت و غیر قابل قبولی دارند.

برای مثال، وقتی که یک راننده دنده را بین پارکینگ، معکوس و درایو تغییر می‌دهد، هر سه تغییر در حالت خودرو اتفاق می‌افتد. یک الگوریتم عمومی  یادگیری ماشین به احتمال زیاد همه این تغییرات را به عنوان خرابی در نظر می‌گیرد، با این که مشخصا این طور نمی‌باشد.

در آیندۀ رانندگی مستقل و تولید کاملا اتوماتیک، سلامت وسیله نقلیه تنها در دست انسان نخواهد بود. Acerta به دنبال رهبری در نظارت خودرو از طریق الگوریتم های هوشمند می‌باشد. الگوریتم و مدل ها در انطباق مستقل و سریع خود با داده های تازه، توانایی منحصر به فردی دارند، حتی زمانی که مجموعه داده ها کوچک و نامتوازن باشند.

 

 

کارها چگونه پیش می‌روند؟

 

پلتفرم Acerta شامل استخراج هوشمند از ویژگی های داده های خام است. با تجزیه و تحلیل داده های ثبت شده، مهندسان Acerta قادر به حل الگوریتم هستند تا نه تنها داده های خام، بلکه ترکیبی از پارامترها و حتی تحولات داده ها را نیز بررسی کنند. آنها ترکیبات متفاوتی را برای برای پیدا کردن مشخصات خاص داده ها که بیشتر نشان دهنده مشکلات می‌باشند، بررسی می کنند. این باعث می‌شود پلتفرم آنها پویا و سازگار با هر سیستم و مدلی از خودروها باشد و به پیچیدگی سیستم بپردازد.

از آنجایی که اطلاعات سیگنال لحظه‌ای و آنی آنالیز می شوند، مهندسان می‌توانند شدت و نوع ناهنجاری را تشخیص دهند، حتی درون دسته داده های بسیار بزرگ. این کارها به یک کیفیت تولید بالا منجر خواهد شد، مدت زمان تولید را پایین خواهد آورد، کارایی را بالا خواهد برد و برند را شناخته شده تر خواهد کرد.

 

 

زمانبندی مهمترین چیز است

 

پیچیدگی روزافزون سیستم های وسایل نقلیه و حجم وسیعی از اطلاعات موجود، یک نیاز بسیار فوری برای اتوماسیون هوشمند تست کیفیت محصول ایجاد کرده است. تولیدکنندگان آینده قادر نخواهند بود به تجزیه و تحلیل اطلاعات به صورت دستی و یا راه حل های چند منظوره و عمومی هوش مصنوعی(AI) تکیه کنند.

با سیستم عامل هایی مانند Acerta که درآن سیستم های جمع آوری داده های موجود سازندگان خودرو به وسیله یک API اختصاصی و یک ابررایانه ادغام می‌شوند، اکنون می‌توانند از اسب های قدیمی خود جدا شوند و روی واگن های موتوری بپرند!

 

 

برای مطالعه منبع اینجا کنید.

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *