Innovationen mit KI im Automobilsektor: Besteht die Gefahr, dass die etablierten Unternehmen ins Stocken geraten?
Im Rampenlicht mit dem Notwendigen grüner Übergang zu betreiben, dieAutomobilindustrie scheint in voller Mauser zu sein. Wir erwarten viel von dem vernetztes Auto, autonomes Fahren, Elektrofahrzeug oder Carsharing für unsere zukünftige Mobilität.
Für einen Neuerungen einführen Um wettbewerbsfähig zu bleiben, könnte sich die Branche insbesondere auf die verlassen Große Daten und die Technologien vonKünstliche Intelligenz (KI). Einige Neueinsteiger wie z Tesla Scheint es gut integriert zu haben und hat es bereits getan haben diese Technologien erfolgreich übernommen. Aber was ist mit den historischen Unternehmen der Branche, die sich mit der Komplexität ihrer bestehenden Systeme auseinandersetzen müssen?
Zwar haben Hersteller und Zulieferer in den letzten Jahren stark in KI investiert, wie das Projekt zeigt. Valeo.ai oder Renault-Google-Partnerschaften et Stellantis-SoundHound. Mit welchem Ziel dennoch? Handelt es sich dabei um Ansätze radikaler Innovation, um die Hinterfragung der Architektur von Fahrzeugen, wie wir sie kennen, oder vielmehr um die Automatisierung von Aufgaben und die Verbesserung von Bestehendem?
Das Verständnis der Innovationsprozesse rund um Daten in der Automobilwelt bleibt von entscheidender Bedeutung, um die Nachhaltigkeit dieses Schlüsselsektors für die französische Wirtschaft sicherzustellen. Das ist es, was unser Forscherteam herausgefunden hat TBS-Bildung und Wissenschaftliches Managementzentrum (CGS) de Pariser Bergbauschule – PSLIn einem jüngste Studie. Es basiert auf einer Analyse von mehr als 46 Patenten der 000 größten Akteure auf diesem Gebiet sowie einer Interviewkampagne mit den Anmeldern von 19 Patenten im Zusammenhang mit KI-Technologien.
Indem wir versuchen, den Schleier über die Innovationspraktiken in diesem Sektor zu lüften, zeigen wir, dass tatsächlich die Option „Bestehendes verbessern“ gewählt zu sein scheint. Auch wenn es dadurch möglich erscheint, die Kosten kurzfristig zu kontrollieren und Schritt für Schritt zu lernen, kann dieser Ansatz jedoch das Innovationspotenzial dieser Unternehmen einschränken. Zumal die Artikulation der Akteure entlang der Wertschöpfungsketten aufwändig ist und auch einige Bremsen mit sich bringt, wenn jeder denkt, dass es an jemand anderem liegt, Innovationen zu schaffen.
Eine sorgfältige Ausbildung der Ingenieure
Man hätte meinen können, dass die Integration von KI eine Voraussetzung für die Gestaltung neuer Fahrzeuge sein würde. Allerdings scheinen Ingenieure es vor allem zur Lösung von Problemen zu nutzen, die in den letzten Phasen der Produktentwicklung auftauchen: zur Verbesserung des Fahrgastkomforts bei Fahrzeugtests, zur Lösung von Sensorproblemen oder sogar, was noch überraschender ist, bei Verhandlungen mit Geräteherstellern.
Daher gehen die Unternehmen der Branche bei der Integration dieser Technologien fortschrittlich und vorsichtig vor. Sie werden zunächst auf bestehende Fahrerassistenzsysteme (ADAS) angewendet und anschließend stufenweise weiterentwickelt. Auch wenn diese Vorgehensweise überraschend ist, hat sie doch den Vorteil, dass die Teams nach und nach lernen und sich an die KI anpassen können, ohne dabei die Architektur des Autos in Frage zu stellen. Dies könnte zu einem erheblichen Anstieg der Herstellungskosten führen. Als Fachingenieur in adaptive Geschwindigkeitsregelsysteme :
„Vor etwa 3 bis 4 Jahren dachten wir, dass wir in den nächsten Jahren autonome Fahrzeuge haben würden … Heute ist das immer noch nicht der Fall. Im Moment arbeiten wir an der Entwicklung neuer Funktionen, von denen wir sagen können, dass es nicht viel gibt.“ Störung."
Ein anderer Experte für ADAS für Bremssysteme fährt fort:
„Es ist nicht unbedingt ein Mangel an Ehre für KI, aber … KI neigt dazu, Probleme zu lösen, die bereits existieren, und nicht Probleme, die nicht existieren. Das perfekte autonome Fahrzeug ist nichts anderes als ein Fahrer.“
Unzureichende Qualitätsdaten
All dies hat jedoch offensichtliche Grenzen hinsichtlich des Innovationspotenzials. Unsere Arbeit deckt insbesondere Probleme der Datenvielfalt auf. Obwohl Fahrzeuge eine gigantische Menge davon sammeln, müssten sie beispielsweise gekennzeichnet werden, um nutzbar zu sein. Ein Experte für autonome Fahrzeuge erklärte uns:
„Meine Teams müssen stundenlang ununterbrochen testen, aber wenn Sie einen Algorithmus für multidirektionale Bewegungen erstellen möchten, brauchen Sie jemanden, der in die Kamera schaut, wenn diese Bewegung stattfindet, d. h. bei jeder Drehung, um zu vermerken, dass in der Datenbank und es ist sehr zeitaufwändig. »
Ein weiteres Hindernis liegt in der technischen Fähigkeit, Daten aus verschiedenen Quellen (Bild, Radar, Ton usw.) miteinander zu vergleichen, um beispielsweise eine Entscheidung in einer algorithmischen Logik zu treffen. Diese Technologien befinden sich noch in der Entwicklung.
Diese Elemente scheinen problematisch zu sein, wenn es darum geht, sowohl auf dem globalen Markt, auf dem neue Player wie Tesla agieren, als auch auf dem neuen Mobilitätsmarkt angesichts von Entwicklungen, beispielsweise bei Flugtaxis, wettbewerbsfähig zu bleiben. für 2030 angekündigt. Es ist notwendig, innovativ zu sein, indem man radikal neue Funktionalitäten anbietet oder auf neue Verbraucherbedürfnisse eingeht.
Themen, die auch organisatorischer Natur sind
Es geht also darum, das Fachwissen der Ingenieure rund um die Datenwissenschaften weiterzuentwickeln, und einige haben darüber hinaus den großen Wunsch, mehr zu lernen. Es reicht daher nicht aus, eine neue Einheit mit zu entwickeln Datenwissenschaftler, sondern vielmehr um eine schrittweise Steigerung der Kompetenzen der eingesetzten Ingenieure sicherzustellen. Einer der Befragten, ein Experte für das Fahren autonomer Fahrzeuge, betont:
„Wir entwickeln kein Patent, indem wir uns sagen: ‚Wir machen ein KI-Patent‘.“
Während es notwendig ist, diese Fähigkeiten im Zusammenhang mit den Datenwissenschaften zu entwickeln, müssen sie auch besser anerkannt werden, um Ingenieure zu ermutigen, ihre bisherigen Fachkenntnisse zu vervollständigen. Dies erfordert Arbeiten zur Identifizierung dieser „KI-Gemeinschaften“, die über die speziell rekrutierten hinausgehen Datenwissenschaftler, und die sich nicht unbedingt als Mitwirkende identifizieren. Dies erklärt sich auch aus einer teils restriktiven Definition von KI, die beispielsweise nur dann auf die Nutzung neuronaler Netze beschränkt ist, wenn eine solche vorliegt breite Typologie möglicher Technologien.
Eine weitere organisatorische Hürde ist die Beziehung zwischen Fahrzeugherstellern und Originalgeräteherstellern (OEMs). Entlang der Wertschöpfungskette, vom Subunternehmer bis zum Monteur, scheinen sich die Akteure vorerst vor allem gegenseitig die Verantwortung für Innovation durch KI zu übertragen. Alle scheinen ähnliche Innovationsstrategien zu verfolgen. Ein Interviewpartner, der bei einem Hersteller angestellt ist, erklärt Folgendes:
„Es sind vielmehr die Zulieferer, die für die Entwicklung des intelligenten Teils des Sensors verantwortlich sind. Sie sind die Konsumenten der KI-Methoden.“
Die Zellen von Experten für Methoden des Innovationsmanagements in den F&E-Abteilungen von Unternehmen (Design Thinking, CK-Methodikusw.) spielen eine Schlüsselrolle dabei, Innovationen mit Daten neues Leben einzuhauchen.
Etablierte Unternehmen im Automobilsektor müssen daher ein Gleichgewicht zwischen der Erkundung neuer Möglichkeiten und der Nutzung ihrer vorhandenen Fähigkeiten finden. Der aktuelle inkrementelle Ansatz hat den Vorteil, dass er schnelle Ergebnisse liefert und die Teams schrittweise an diese neuen Technologien gewöhnt. Die Art und Weise, wie es derzeit umgesetzt wird, behindert jedoch die Übernahme radikalerer Ansätze und die Entstehung wirklich origineller technologischer Innovationen, die es Unternehmen ermöglichen, auf dem Weltmarkt wettbewerbsfähig zu bleiben.
Quentin Plantec, Professor für Strategie- und Innovationsmanagement, TBS-Bildung; Benoit Weill, Professor, Minen Paris; Marie-Alix Deval, Lehrer-Forscher, Minen Paris et Sophie Hooge, Professor für Wirtschaftswissenschaften, Minen Paris
Dieser Artikel wurde von neu veröffentlicht Das Gespräch unter Creative Commons Lizenz. Lesen Sie dieOriginalartikel.
