Όσο περισσότερα τα δεδομένα που στέλνει ένα όχημα, τόσο το καλύτερο.
Πώς από την ενημέρωση «σε πραγματικό χρόνο» φτάσαμε στην Τεχνητή Νοημοσύνη;
Η AI ως πυλώνας της προληπτικής συντήρησης.
Ένα μέλλον με φορτηγά… αυτοβελτίωσης.
Υπολογίζεται πως στις μέρες μας ένα τυπικό φορτηγό, με μικτό βάρος συνδυασμού π.χ. μέχρι 40-45 τόνους, είθισται να διαθέτει στον εξοπλισμό του περίπου 100 αισθητήρες, ήτοι το δεκαπλάσιο νούμερο σχεδόν από ένα smartphone.
Αντίστοιχα, αποτελεί επίσης αναμφισβήτητο γεγονός πως κάθε λεπτό που περνάει, το φορτηγό στέλνει γύρω στα 20 gigabytes δεδομένων. Που σημαίνει πως αν το παραπάνω νούμερο πολλαπλασιαστεί με τις ώρες λειτουργίας σε όλη τη διάρκεια «ζωής» του, τότε τα νούμερα ξεφεύγουν κατά πολύ.
Εντούτοις αυτό δεν είναι κακό… Τουναντίον, όπως επισημαίνουν σε κάθε ευκαιρία, οι ιθύνοντες τις αυτοκινητοβιομηχανίες βαρέων οχημάτων – και όχι μόνο – όσο περισσότερα είναι τα δεδομένα, τόσο περισσότερες είναι και οι ευκαιρίες για τις επιχειρήσεις του κλάδου.
Ο λόγος; Αποκτώντας βαθύτερη γνώση γύρω από πλεονεκτήματα και τα μειονεκτήματα του φορτηγού, γίνεται περισσότερο αντιληπτός ο τρόπος λειτουργίας του, βελτιστοποιώντας έτσι συνακόλουθα το κομμάτι των εμπορευματικών μεταφορών.
Πώς από την ενημέρωση «σε πραγματικό χρόνο» φτάσαμε στην Τεχνητή Νοημοσύνη;
Σε κάθε περίπτωση, η εξέλιξη των (δια)συνδεδεμένων φορτηγών από τις αρχές της δεκαετίας του 1990 μέχρι τις ημέρες μας έχει υπάρξει φρενήρης, με τον όγκο των δεδομένων που παράγονται να έχει αυξηθεί μεν, αλλά την πρόκληση να παραμένει αναλλοίωτη: να αξιοποιηθούν αυτά τα δεδομένα με τρόπο εποικοδομητικό για τους ιδιοκτήτες φορτηγών και για τις επιχειρήσεις εμπορευματικών μεταφορών.
Αν θα έπρεπε, μάλιστα, να προσδιορίσουμε πιο σχολαστικά την ιστορία των δεδομένων (data) και της συνδεσιμότητας στα φορτηγά, τότε θα μιλούσαμε για τέσσερις διαφορετικές φάσεις.
Το στάδιο της αντίδρασης στα πρωταρχικά πειραματικά εγχειρήματα, όπου τα δεδομένα εξετάζονταν για να προσδιοριστεί ό,τι είχε προηγηθεί, ήταν η πρώτη φάση. Ακολούθως, με την ανάπτυξη της συνδεσιμότητας, μπήκε στην εξίσωση η αξιολόγηση δεδομένων «σε πραγματικό χρόνο» (real time), για να ακολουθήσει μέσα στα τελευταία χρόνια η ενασχόληση αφενός με το τι θα συμβεί, αφετέρου με το πώς θα αποτραπεί.
Όσο για το τελευταίο στάδιο,
αυτό το αντικρίζουμε να ξεδιπλώνεται μπροστά μας και αφορά στην Τεχνητή Νοημοσύνη (AI). Όπου «Τεχνητή Νοημοσύνη», εδώ εννοούμε την αξιοποίηση των δεδομένων κατά τέτοιον τρόπο, που όχι απλώς να αποτρέπεται μια δυσάρεστη εξέλιξη, αλλά να γίνεται και με τρόπο που να βελτιώνονται οι υπηρεσίες.
Η AI ως πυλώνας της προληπτικής συντήρησης
Πάνω σε αυτό το τελευταίο, λοιπόν, θα μπορούσε να ειπωθεί πως η Τεχνητή Νοημοσύνη πάει σε άλλο επίπεδο το κομμάτι του προληπτικού service. Κι εξηγούμαστε…
Ένα από τα βασικά σημεία αναφοράς της συνδεσιμότητας είναι η έννοια της πρόβλεψης και της πρόληψης των βλαβών προτού αυτές συμβούν. Με την ανάλυση των τεράστιων ποσοτήτων δεδομένων που μπορούν να εξαχθούν από τα οχήματα και την αξιοποίηση της μηχανικής μάθησης, άλλωστε, είναι εφικτό να εντοπιστούν κάποια κοινά μοτίβα, αλλά και συνδυασμοί παραγόντων, που οδηγούν σε μια συγκεκριμένη βλάβη. Ακολούθως, αυτό μπορεί στη συνέχεια να εφαρμοστεί στη δημιουργία μοντέλων πρόβλεψης και πρόληψης παρόμοιων βλαβών σε άλλα οχήματα.
Εν ολίγοις και για να το κάνουμε εικόνα, όταν κάτι δεν πάει καλά στο φορτηγό αποστέλλεται μια ειδοποίηση στο αρμόδιο συνεργείο για ραντεβού με τον πελάτη, ώστε να διαγνωστεί η βλάβη και να αποφευχθεί μια απρογραμμάτιστη ζημιά. Κατά αυτό, τον τρόπο, από τη μια ο πελάτης γλιτώνει το κόστος μιας πιθανής βλάβης, από την άλλη η εταιρεία διατηρεί την υστεροφημία της, καθώς δε χρειάζεται να διακόψει τις υπηρεσίες της.
Για να αντιληφθεί κάποιος καλύτερα τη διαφορά δε, αξίζει να σημειώσουμε εδώ πως, σύμφωνα με μελέτες, από εκεί που το 2016 ο έλεγχος αποκλειστικά ενός εξαρτήματος, δηλαδή της μπαταρίας, χρειαζόταν μια ολόκληρη μέρα, φτάσαμε στις μέρες μας να υπάγονται σε έλεγχο 11 διαφορετικά εξαρτήματα, με την όλη διαδικασία να ολοκληρώνεται ανά 8 λεπτά.
Στο ίδιο πλαίσιο δε, έχει υπολογιστεί πως κάθε μήνα αποστέλλονται περίπου 4.000 ειδοποιήσεις, από τις οποίες εκτιμάται ότι το 77% αποτρέπει μια απρογραμμάτιστη βλάβη.
Ένα μέλλον με φορτηγά… αυτοβελτίωσης
Και το μέλλον; Λαμβάνοντας υπόψη πως η Τεχνητή Νοημοσύνη έχει τη δυνατότητα να αναλύει πολύ μεγαλύτερες ποσότητες δεδομένων, αυτό συνεπάγεται ότι είναι σε θέση να εντοπίζει αθέατα και άγνωστα μοτίβα.
Για να το θέσουμε απλά, με την ανάλυση δεδομένων, ακολουθείται μια προσέγγιση που βασίζεται σε υποθέσεις, όπου επιλέγονται οι παράμετροι που εικάζεται πως είναι σχετικές με το θέμα.
Αντίστοιχα, με μια προσέγγιση που έχει ως γνώμονα την τεχνητή νοημοσύνη όμως, εξετάζονται όλα τα διαθέσιμα δεδομένα από το φορτηγό, ανεξάρτητα από το αν είναι σχετικά με το θέμα ή όχι, εισάγοντας επιπλέον και άλλες πηγές δεδομένων, όπως π.χ. ο καιρός και οι συνθήκες μεταφοράς.
Τοιουτοτρόπως, η τεχνητή νοημοσύνη θα μπορούσε να ανοίξει το δρόμο για ακόμη πιο «έξυπνα» φορτηγά, που θα είναι σε θέση να διαγνώσουν και να επέμβουν στο λογισμικό τους, βελτιστοποιώντας έτσι τον χρόνο λειτουργίας και επιτρέποντας περισσότερες μεταφορές – κατά προτίμηση, με λιγότερες αρνητικές επιπτώσεις στο κλίμα.
