ИИ и качество в автосфере

Как красноречиво сказал губернатор штата Иллинойс Джей Би Прицкер во время вирусной речи на церемонии вручения дипломов в Северо-Западном университете этим летом: «Когда мы видим что-то отличное от нас, первая мысль, которая приходит в голову почти каждому, коренится либо в страхе, либо в осуждении, либо в том и другом. Такова эволюция. Мы выжили как вид благодаря тому, что с подозрением относимся к незнакомым вещам». Это можно сказать и о статьях в прессе, возможно, это также лежит в основе ряда политических акций, предпринятых на прошлой неделе с целью ограничения ИИ во всем мире (например, вице-президент США Камала Харрис «предупреждает, что «экзистенциальные угрозы» ИИ уже здесь»). Возможно, вы и сами относитесь к ИИ с недоверием и опаской.

Но если задуматься, то в нашем мире, ориентированном на технологии, ИИ имеет много положительных сторон, которые мы должны понимать, отмечать и защищать в условиях, когда политики нацелились на ограничения и регулирование. Например, качество автомобилей — которое, заметьте, может сильно влиять на функциональную безопасность и кибербезопасность транспортных средств, перевозящих ваших близких, — имеет множество аспектов, и три хороших примера, которые стоит понять: предиктивное обслуживание, проверка в конце линии и обнаружение аномалий.

Предиктивное обслуживание

Предиктивное обслуживание — это, по сути, обнаружение с помощью аналитики того, что в конечном итоге приведет к неисправности, и устранение ее до того, как это произойдет. Компьютеры не только выдают информацию и выявляют тенденции в данных, полученных от десятков датчиков, но и делают выводы о вероятных результатах и обучают себя будущим действиям. Подобное предиктивное обслуживание уже несколько десятилетий используется в аэрокосмической отрасли для оценки того, когда необходимо снять двигатели с самолетов (например, в 1940-х годах Королевские ВВС Великобритании переосмыслили плановое обслуживание самолетов Второй мировой войны с использованием подобных методов), что является очень дорогим и своевременным предложением с учетом «времени безотказной работы» парка.

Автомобильная промышленность начала использовать предиктивное обслуживание с 1990-х годов в основном в тяжелой технике. Компания Chevy утверждает, что в 2016 году она запустила первое в истории предупреждение водителя с использованием предиктивного обслуживания (PM). Прошло еще шесть лет, и к 2022 году объем рынка предиктивного обслуживания в автомобильной промышленности составил 18,9 млрд. долл. с совокупным годовым темпом роста (CAGR) 18,6% до 2032 года. Более того, эти цифры не включают в себя все те невыразимые затраты, которых можно избежать, такие как травмы, потеря производительности и т.д. из-за отказавших деталей, ставших причиной аварий, смертей и т.д.

Контроль в конце линии

Визуальный контроль как самого предприятия, так и деталей на нем существует с самого начала производства, однако доказано, что человеческий контроль эффективен лишь на 70-80%. Кроме того, камеры и датчики могут контролировать простые параметры, но они умны только настолько, насколько их программируют инженеры.

Искусственный интеллект может использовать набор данных о прошлых отказах и соответствующие данные датчиков, чтобы узнать, что приводит к простою, поломке детали или не совсем оптимальному завершению работы.

«Простои на производственных линиях в цехах обходятся чрезвычайно дорого», — утверждает Джим Келлер, генеральный директор AWS Global компании Quantphi. «У одного из наших заказчиков было пятнадцать взаимосвязанных основных причин отказов на линии, и он хотел точно предсказать, когда линия потребует технического обслуживания, что приведет к ее простою. Мы собрали данные с их датчиков, использовали искусственный интеллект и предоставили им прогнозы за 10 часов до потенциального простоя, чтобы они могли развернуть ресурсы для исправления ситуации, перенаправления линии или перенаправления ресурсов этой линии».

Обнаружение аномалий

Теоретически автомобиль должен точно знать, с какой скоростью он движется по шоссе, поскольку на нем установлено множество датчиков (например, датчик частоты вращения колес, GPS-позиционирование), которые измеряют скорость и передают данные по внутренней сети. Однако иногда эти скорости несколько отличаются из-за калибровки, но не настолько существенно, чтобы вызвать ложное срабатывание автоматического экстренного торможения.

Это при условии, что хакер не замаскировал вредоносное сообщение и не внедрил его удаленно в сеть автомобиля для создания аварийной ситуации. А для многих старых автомобилей, использующих устаревшую «сеть CAN», обычная кодировка не заметит разницы. Она просто ищет сообщение, которое было правильно отформатировано, и действует оперативно. И, что еще хуже, традиционные системы не сообщат производителям (или правоохранительным органам) об атаках.

Искусственный интеллект создает более надежную систему, которая ищет необычную комбинацию переменных и связанных с ними данных (например, сравнивает данные датчиков колес и GPS с <x>) и сообщает о подозрительном поведении инженерам по кибербезопасности в операционном центре безопасности автомобиля. Это, конечно, не ключевая составляющая систем обнаружения кибербезопасности, но еще одно дополнительное преимущество.

«Не существует волшебной таблетки для любого из этих приложений искусственного интеллекта», — утверждает Келлер. «Речь идет о практическом подходе к использованию этой технологии и о решении важных задач. Такие компании, как Quantiphi, стремятся сделать это наглядно, доказательно и с помощью данных».

И это звучит не так уж и страшно.

По материалам Forbes.