Il settore automobilistico si trova di fronte a un'importante sfida nel miglioramento del valore dei prodotti tramite elettrificazione e intelligence, che richiede sforzi aggiuntivi oltre il valore standard dei veicoli tradizionali. Un utilizzo efficiente delle risorse avrà un impatto diretto sul valore del prodotto e sulla sostenibilità dell'azienda. Nel mondo frenetico di oggi, comprendere le mutevoli esigenze dei clienti è fondamentale per una consegna tempestiva dei prodotti. Un'iniziativa prevedeva l'implementazione di un Advanced Expert System (A-ES) per trasferire le conoscenze degli ingegneri più qualificati a quelli più giovani, a cominciare dal processo di revisione per lo sviluppo di veicoli anti-collisione. I crash test, fondamentali per questo processo, spesso richiedevano più di un giorno per ogni simulazione e, in caso di errori, erano necessarie rilavorazioni ingenti. A-ES ha snellito le attività più semplici, liberando tempo per la creazione del valore. Tuttavia, la modellazione del know-how per A-ES era estremamente lunga, e richiedeva 400 ore per creare un modello di conoscenze per appena due o tre delle oltre 20.000 parti di un'automobile. Si trattava di un ostacolo verso una più ampia implementazione aziendale.
Per migliorare l'efficienza della modellazione delle conoscenze, IBM ha proposto l'utilizzo dell'AI generativa per estrarre e creare database dalle conoscenze nei materiali PowerPoint, contenenti il know-how di tutta l'azienda. Gli esperti tecnici di Honda hanno lasciato importanti conoscenze nei documenti PowerPoint, che abbondano di diagrammi e grafici ma hanno pochi testi, il che rende difficile il riutilizzo basato sull'AI. IBM ha suggerito l'applicazione di un modello multi-modale di grandi dimensioni (LMM) per convertire i contenuti di grafici e diagrammi in testo, migliorando il riutilizzo delle conoscenze provenienti da questi materiali PowerPoint ricchi di AI. Salvare il know-how testuale in un database permette di utilizzare le conoscenze in modo simile alla retrieval augmented generation (RAG). Una pilot IBM® watsonx.ai condotta tra novembre e dicembre del 2023 ha convalidato la fattibilità di questo approccio.
Con l'A-ES convenzionale, un ingegnere esperto impiegava tre anni per creare un manuale e uno per creare un modello da quel manuale. Il risparmio di ore di lavoro e personale ottenuto da A-ES è stato del 30% per lo sviluppo e del 50% per la pianificazione/gestione. Utilizzando l'AI generativa, la documentazione tecnica di Honda ora può essere modellata sotto forma di frasi, riducendo il tempo di modellazione da tre anni a uno. Questo approccio espande le aree di utilizzo dei documenti e migliora l'efficienza aziendale. IBM ha dimostrato una copertura completa, dalla convalida del valore alla consegna e alle operazioni, oltre al concetto di modello infrastrutturale di watsonx.ai. Applicando LLM e LLM, IBM garantisce la fattibilità dei progetti, portando a progetti proof-of-concept e ad abilità di sviluppo produttivo per il futuro.
Honda (link esterno a ibm.com) è una multinazionale giapponese che produce automobili, moto e attrezzature alimentate a batteria, con sede a Minato, Tokyo (Giappone). Dal 1959 è il primo produttore di motocicli, con una produzione di oltre 400 milioni a tutto il 2019. È anche il più importante produttore di motori a combustione, con oltre 14 milioni di motori prodotti ogni anno. Honda è diventata la seconda casa automobilistica più grande del Giappone nel 2001, e l'ottava a livello mondiale nel 2015.
Legale
© Copyright IBM Corporation 2024. IBM, il logo IBM e watsonx.ai sono marchi o marchi registrati di IBM Corp. negli Stati Uniti e/o in altri paesi. Le informazioni contenute nel presente documento sono aggiornate alla data della prima pubblicazione e possono essere modificate da IBM senza preavviso. Non tutte le offerte sono disponibili in ogni paese in cui opera IBM.
Gli esempi relativi ai clienti sono presentati a scopo illustrativo di come tali clienti abbiano usato i prodotti IBM e dei risultati che possono aver conseguito. Prestazioni, costi, risparmio o altri risultati effettivi possono variare in altri ambienti operativi.