En la industria automovilística, explorando el modo en que las empresas aplican las tecnologías de ciencia e ingeniería de datos para transformar los medios de transporte, las compañías a su vez tratan de resolver los enfoques para recopilar datos desde distintos sensores y otras fuentes, así como para crear las canalizaciones de datos adecuadas para satisfacer las necesidades de entrenamiento e inferencia.
Casos de uso de inteligencia artificial en automoción
Incluso si nos centramos en un solo sector, como la automoción, el número de posibles casos de uso de inteligencia artificial es increíblemente grande. NetApp divide la IA en automoción en cuatro segmentos con múltiples casos de uso en cada segmento: conducción autónoma, vehículos conectados, movilidad como servicio y fabricación inteligente
Por supuesto, hay zonas comunes entre algunos de estos segmentos, y el éxito en un área puede rendir beneficios en otra. Por ejemplo, la conducción autónoma podría ser un elemento esencial de una estrategia de movilidad como servicio. También hay muchos requisitos en común entre todos los segmentos, como la integración de la infraestructura, la gestión de datos avanzada y el cumplimento de normativas, seguridad y privacidad.
Conducción autónoma
Cuando pensamos en la inteligencia artificial en automoción, el «auto conducción» es el primer caso de uso que nos viene a la mente. Con la conducción autónoma total como el Santo Grial del sector, la mayoría de las empresas, ya están ofreciendo sistemas avanzados de asistencia al conductor (ADAS) cada vez más sofisticados como trampolín hacia una autonomía de nivel 5. Pero los retos para lograr la conducción autónoma total son significativos. Cada coche que I+D pone en marcha genera una montaña de datos (una media de 1 TB hora/coche). La acumulación de cientos de petabytes a exabite de datos que puede esperarse del progreso de los proyectos de conducción autónoma presenta importantes retos:
- ¿Cómo crear una canalización que mueva los datos eficientemente desde los vehículos para entrenar la red neural?
- ¿Cómo preparar (calidad y resolución de imagen) y etiquetar los datos eficazmente para el entrenamiento de la red neural?
- ¿Cuánto almacenamiento y computación serán necesarios para entrenar la red neural? ¿Debe entrenarse el clúster en el entorno local o en el cloud?
- ¿Cómo calcular correctamente el tamaño de la infraestructura para las canalizaciones de datos y clústeres de entrenamiento, incluidas las necesidades de almacenamiento, ancho de banda de red y capacidad de computación?
Vehículos conectados 
Cada vez más, esperamos que todos nuestros dispositivos estén conectados y sean inteligentes, como los smartphones. Los coches y otros vehículos se están transformando rápidamente en dispositivos conectados y hay un gran número de casos de uso de IA inmediatos en los coches conectados: asistentes personales y operaciones activadas por voz, TTelemática y mantenimiento predictivo e Infoocio y recomendaciones.
Hoy día los coches utilizan conexiones wifi y de datos para cargar y descargar entretenimiento, navegación y datos operativos. En el futuro, también veremos coches que se conectan entre sí, a nuestras casas y a la infraestructura. Audi ya ha introducido tecnología que conecta los coches a la infraestructura de los semáforos, lo que permite a los conductores de determinadas ciudades sincronizar su conducción para evitar los semáforos en rojo.
Esta es solo una de las múltiples oportunidades de utilizar los datos de los coches conectados. Si bien no todos los casos de uso requieren inteligencia artificial, sí requieren de mantenimiento predictivo.
Movilidad como servicio
En el futuro, el modelo de tener un coche en propiedad podría cambiar a otras formas de transporte compartido en las áreas urbanas de mayor densidad. Las compañías de automóviles deberán convertirse en empresas de movilidad para abordar estos cambios en las demandas de los consumidores. Muchas empresas automovilísticas ya están diversificándose, adquiriendo compañías de motocicletas y bicicletas de uso compartido y creando servicios de entrega.
Los problemas del aprendizaje automático y el aprendizaje profundo en los modelos de movilidad como servicio son radicalmente diferentes a los que se presentan en la conducción autónoma:
- ¿Cómo se predice la demanda de los clientes?
- ¿Como se puede optimizar la eficiencia de la flota y minimizar los tiempos de espera de los clientes?
- ¿Cómo pueden fijarse los precios dinámicamente en función de la demanda?
- ¿Cómo puede garantizarse la seguridad física de los pasajeros?
- ¿Cómo proteger los datos de los clientes, evitar el fraude y encontrar un equilibrio entre privacidad y comodidad?
Desde el punto de vista de la infraestructura, estos problemas requieren diferentes estrategias y pueden necesitar algoritmos inteligentes en el dispositivo del consumidor (smartphone), el vehículo y en el cloud, además de una gestión de datos seguros a largo plazo para el cumplimiento normativo.
Fabricación inteligente
La industria automovilística tiene mucho en qué pensar. Las compañías deben buscar modos de aumentar la eficiencia operativa para liberar capital para inversiones como las descritas anteriormente. El Internet de las cosas industrial (IoT) y las tecnologías industriales 4.0 son la clave para facilitar el negocio, automatizar y optimizar los procesos de fabricación y aumentar la eficiencia en la cadena de suministro.
Los casos de uso habituales de fabricación comprenden:
- Mayor uso de la visión computarizada para detección de anomalías
- Control de procesos para mejorar la calidad y reducir los residuos
- Mantenimiento predictivo para maximizar la productividad del equipo de fabricación
Manel Picalló
Consulting solutions engineer de NetApp España
