La industria de la automoción se enfrenta al reto crucial de aumentar el valor del producto mediante la electrificación y la inteligencia, lo que requiere esfuerzos adicionales más allá del valor estándar de los vehículos tradicionales. El uso eficiente de los recursos repercutirá directamente en el valor del producto y en la sostenibilidad del negocio. En el vertiginoso mundo actual, comprender la evolución de las necesidades de los clientes es crucial para la entrega puntual de los productos. Una de las iniciativas consistió en implementar un Advanced Expert System (A-ES) para transferir los conocimientos de los ingenieros expertos a los más jóvenes, empezando por el proceso de revisión para el desarrollo de vehículos anticolisión. El trabajo de simulación de colisiones, crucial para este proceso, a menudo llevaba más de un día por simulación, y los errores exigían una importante reelaboración. El A-ES racionalizó las tareas sencillas, liberando tiempo para la creación de valor. Sin embargo, los conocimientos de modelado para el A-ES requerían mucho tiempo, ya que se necesitaban 400 horas para crear un modelo de conocimientos para solo dos o tres componentes de entre más de 20 000 piezas de automóviles, lo que suponía un reto para una mayor implementación empresarial.
Con el fin de mejorar la eficiencia del modelado del conocimiento, IBM propuso utilizar la IA generativa para extraer y basar el conocimiento en materiales de Microsoft PowerPoint que contuvieran conocimientos dispersos dentro de la empresa. Los técnicos cualificados de Honda han dejado valiosos conocimientos en documentos de PowerPoint, que son ricos en diagramas y gráficos pero escasos en texto, lo que dificulta la reutilización basada en IA. IBM sugirió aplicar un gran modelo multimodal (LMM) para convertir el contenido de gráficos y diagramas en texto, mejorando así la reutilización de los conocimientos en materiales PowerPoint ricos en IA. El almacenamiento de los conocimientos textuales en una base de datos permite una utilización de los mismos similar a la búsqueda por generación aumentada de recuperación (RAG). Una prueba piloto de IBM watsonx.ai realizada entre noviembre y diciembre de 2023 validó la viabilidad de este enfoque.
Con el A-ES convencional, un ingeniero experto tardaría tres años en crear un manual y un año en crear un modelo a partir del manual. El ahorro de horas-mano de obra conseguido mediante el A-ES fue del 30 % para el desarrollo y del 50 % para la planificación/gestión. Gracias a la IA generativa, la documentación técnica de Honda puede modelarse ahora como frases, lo que reduce el tiempo de modelado de tres años a uno. Este enfoque amplía las áreas de utilización de documentos y aumenta la eficiencia empresarial. IBM demostró la cobertura completa desde la validación del valor hasta la entrega y el funcionamiento, junto con el concepto de modelo de infraestructura de watsonx.ai. Mediante la aplicación de LMM y LLM, IBM garantizó la viabilidad del proyecto, lo que dio lugar a proyectos de prueba de concepto y a futuras actividades de desarrollo de la producción.
Honda (enlace externo a ibm.com) es un conglomerado multinacional público japonés fabricante de automóviles, motocicletas y equipos a batería, con sede en Minato (Tokio), en Japón. Desde 1959, es el primer fabricante de motocicletas, con una producción de 400 millones en 2019. También es el mayor fabricante de motores de combustión interna, con más de 14 millones de motores anuales. Honda se convirtió en el segundo fabricante de automóviles de Japón en 2001 y fue el octavo a nivel mundial en 2015.
© Copyright IBM Corporation 2024. IBM, el logotipo de IBM y watsonx.ai son marcas comerciales o marcas registradas de IBM Corp. en EE. UU. y/o en otros países. Este documento está actualizado a la fecha inicial de publicación y puede ser modificado por IBM en cualquier momento. No todas las ofertas están disponibles en todos los países en los que opera IBM.
Se presentan ejemplos de clientes para ilustrar cómo esos clientes han utilizado los productos de IBM y los resultados que podrían haber logrado. El desempeño, los costes, los ahorros reales u otros resultados en sus entornos operativos podrían variar.