Industri otomotif menghadapi tantangan besar dalam meningkatkan nilai produk melalui elektrifikasi dan kecerdasan, yang membutuhkan upaya tambahan di luar nilai standar kendaraan tradisional. Penggunaan sumber daya yang efisien akan berdampak langsung pada nilai produk dan keberlanjutan bisnis. Di dunia masa kini yang serba cepat, memahami kebutuhan pelanggan yang terus berubah sangatlah penting untuk pengiriman produk tepat waktu. Salah satu inisiatif yang dilakukan adalah menerapkan Advanced Expert System (A-ES) untuk mentransfer pengetahuan para teknisi terampil kepada mereka yang lebih muda, dimulai dari proses peninjauan pengembangan kendaraan yang aman dari tabrakan. Pekerjaan simulasi kerusakan, yang sangat penting untuk proses ini, sering kali memakan waktu lebih dari satu hari per simulasi, dan kesalahan menuntut pengerjaan ulang besar-besaran. A-ES menyederhanakan tugas sederhana, menyediakan waktu untuk menciptakan nilai. Namun, pemodelan pengetahuan untuk A-ES memakan waktu lama, membutuhkan waktu 400 jam untuk membuat model pengetahuan hanya untuk dua hingga tiga komponen dari lebih dari 20.000 komponen mobil. Ini menimbulkan tantangan bagi penerapan bisnis yang lebih luas.
Untuk meningkatkan efisiensi pemodelan pengetahuan, IBM mengusulkan penggunaan AI generatif untuk mengekstrak dan membuat basis data pengetahuan dari materi Microsoft PowerPoint yang berisi pengetahuan yang tersebar di dalam perusahaan. Teknisi terampil Honda telah meninggalkan pengetahuan berharga dalam dokumen PowerPoint, yang kaya akan diagram dan grafik, tetapi sangat sedikit teks. Ini membuat penggunaan ulang berbasis AI sulit dilakukan. IBM menyarankan untuk menerapkan model multi-modal yang besar (LMM) untuk mengubah konten grafik dan diagram menjadi teks, sehingga dapat meningkatkan penggunaan kembali pengetahuan dalam materi PowerPoint yang didukung AI. Menyimpan pengetahuan tekstual dalam basis data memungkinkan pemanfaatan pengetahuan retrieval-augmented generation (RAG) yang mirip penelusuran. Proyek percontohan IBM® watsonx.ai™ yang dilakukan dari November hingga Desember 2023 memvalidasi kelayakan pendekatan ini.
Dengan A-ES konvensional, seorang teknisi terampil yang berpengalaman akan membutuhkan waktu tiga tahun untuk membuat buku pegangan dan satu tahun untuk membuat model dari buku pegangan. Penghematan jam kerja yang dicapai melalui A-ES adalah 30% untuk pengembangan dan 50% untuk perencanaan/manajemen. Dengan menggunakan AI generatif, dokumentasi teknis Honda sekarang dapat dimodelkan sebagai kalimat, sehingga mengurangi waktu pemodelan dari tiga tahun menjadi satu tahun. Pendekatan ini memperluas area pemanfaatan dokumen dan meningkatkan efisiensi bisnis. IBM mendemonstrasikan cakupan penuhnya, mulai dari validasi nilai hingga pengiriman dan operasi, bersama dengan konsep model infrastruktur watsonx.ai. Dengan menerapkan LMM dan LLM, IBM memastikan kelayakan proyek, yang menghasilkan proyek bukti konsep dan kegiatan pengembangan produksi di masa depan.
Honda (tautan berada di luar ibm.com) adalah sebuah perusahaan konglomerat multinasional asal Jepang yang memproduksi mobil, sepeda motor, dan peralatan bertenaga baterai, dengan kantor pusat di Minato, Tokyo, Jepang. Sejak 1959, perusahaan ini telah menjadi produsen sepeda motor teratas, menghasilkan 400 juta produk pada tahun 2019. Honda juga merupakan produsen mesin pembakaran internal terbesar, membuat lebih dari 14 juta mesin setiap tahun. Honda menjadi produsen mobil terbesar kedua di Jepang pada tahun 2001 dan merupakan yang kedelapan terbesar secara global pada tahun 2015.
Hukum
© Hak Cipta IBM Corporation 2024. IBM, logo IBM, dan watsonx.ai adalah merek dagang atau merek dagang terdaftar dari IBM Corp., di AS dan/atau negara lain. Ini adalah dokumen terbaru pada tanggal awal publikasi dan dapat diubah oleh IBM kapan saja. Tidak semua penawaran tersedia di setiap negara tempat IBM beroperasi.
Contoh klien disajikan sebagai ilustrasi tentang cara klien tersebut menggunakan produk IBM dan hasil yang mungkin telah mereka capai. Kinerja aktual, biaya, penghematan atau hasil lainnya di lingkungan operasi lain mungkin berbeda.