e-works数字化企业网  »  文章频道  »  基础信息化  »  大数据

人工智能与数据科学在汽车工业中的应用(连载三)

2018/3/3    来源:e-works    专家:胡志强      
关键字:人工智能  数据科学  汽车工业  
数据科学和机器学习对于未来的汽车工业来说,是非常关键的技术,因为这两项技术正在被用于汽车产品、汽车工艺优化和自动学习。在汽车工业研发、采购、物流、制造、市场运营、销售和售后、客户服务等环节,甚至更广泛的领域,工程技术人员正在探索应用人工智能技术的可能性。

 

著:(德)Martin Hofmann  (奥地利)Florian Neukart  (德)Thomas Bäck

编译    著:(德)Martin Hofmann  (奥地利)Florian Neukart  (德)Thomas Bäck

    编译:胡志强(中国汽车工程学会)

    四、汽车工业中的数据挖掘和人工智能

    抽象来说,汽车行业的价值链可以大致描述为多个子流程:?研发;?采购;?物流;④制造;⑤市场营销;⑥销售、零售和售后;⑦连接顾客。流程中每一个领域都非常重要,又非常复杂,因此对这些流程中数据挖掘和人工智能应用的描述仅局限于概述。

    1.研发

    汽车的研发已经基本上成为了一个虚拟的过程,现在所有汽车制造商都公认汽车研发是具有艺术性的工作。CAD模型和仿真在汽车开发过程的各个阶段都已经被广泛采用。

    在汽车研发过程中,很少使用进化策略或遗传算法和相关方法对产品进行优化,即使这些方法在开发过程中非常精确,并经常能产生令人印象深刻的结果。在开发过程中,多标准优化,如车身安全和噪声、NVH需要同时优化,由于计算时间的要求过高仍然很少使用。然而,正是这种方法提供了巨大的潜力,当涉及到多个部门共同设计时,就能更快更有效地达成一致。

    在分析和进一步使用仿真结果的过程中,数据挖掘已经被频繁地用于生成“响应面”。在这个应用中,数据挖掘方法(支持向量机和随机森林的从线性模型到高斯过程的全部方法)在相关仿真结果的基础上被用于学习非线性回归模型,该模型作为仿真输入向量的近似表示。由于该模型需要具有良好的插值特性,因此允许对新输入向量模型的预测质量进行评估的交叉验证方法通常被用于训练算法。使用监督学习方法背后的目标常常是用一个快速近似模型代替计算耗时的仿真。此外,这允许在开发过程中更快地执行耗时的调整过程,并提高透明度。

    例如在部门间的会议期间,最好能立即评估形成组件的几何变化的可行性,而不是运行复杂的仿真然后等待一两天出结果。

    这些应用程序通常集中在特定的开发领域,这是由于仿真数据管理作为数据生成、数据使用和分析之间的中心接口,存在瓶颈。这尤其适用于仿真数据跨多个部门、变型和使用模型系列时,对于持续学习的开发组织来说,实际使用数据是非常必要的。目前的实际情况是,特定部门的仿真数据通常以文件树的形式存储在部门的各自文件系统中,造成了很难使用基于机器学习的方法进行评估。此外,一个单独的仿真数据可能已经非常庞大,因此基于机器学习进行分析迫切需要有效的存储解决方案。

    虽然使用单个应用程序进行模拟仿真和建立非线性回归模型已经成为标准,但是其优化分析功能很少被使用。特别是在多学科以及跨部门的机器学习、基于历史数据的学习和跨模型学习等重要问题上,在提高效率方面存在巨大的完全未被开发的潜力。

    2.采购

    采购流程使用到各种各样的数据,包括供应商、采购价格、折扣、交付可靠性、小时费率、原材料规格和其他变量。因此,计算KPI用于评估和排名供应商,无论如何都不会产生任何问题。数据挖掘方法允许使用可用的数据,例如,生成预测,识别对产品性能标准有最大的影响的重要的供应商特征,或者预测交付的可靠性。在优化分析方面,汽车制造商为了达到最优条件而对某一些具体参数施加影响也很重要。

    总的来说,金融业务领域是优化分析应用得非常好的一个领域,因为可用的数据包含关于公司主要成功因素的信息。连续监测是值得一提的控制案例。这种监测是建立在财务和控制数据的基础上的,被不断准备和报告。这些数据也可以用于预测分析,以自动生成未来一周或一月的预测。在优化分析方面,对关键影响参数的分析以及建议的优化操作也可以添加到上述预测中。

    目前,这些研究显得离现实还很遥远,但它们确实传达了一种理念,就是在采购、金融和监测方面存在哪些可能。

    3.物流

    采购物流指从货物采购、运送物资到收货仓库的全过程链。当涉及到商品的采购时,大量的历史价格信息可以用于数据挖掘目的,可以用来产生价格预测,结合交付可靠性数据,能够分析供应商的表现。在装运环节,优化分析可以用来识别和优化关键成本因素。

    类似的情况也适用于生产物流,它涉及规划、控制和监测内部运输、处理和存储过程。根据可用数据的粒度可以确定瓶颈,优化库存水平,并最小化所需时间。

    分销物流涉及将产品运送到客户的所有方面,包括提供新车和二手车的供应商。由于这里考虑的主要因素是相关的成本和交付的可靠性,因此需要考虑多类型的联运供应链的所有子组件,从铁路到轮船和货车运输,再到诸如货车上的个别车辆的最佳组合等。在二手车物流方面,优化分析可用于在适当的基础上为不同的分销渠道(如拍卖、互联网等)分配车辆,并预测汽车特定转售价值,以最大限度地提高销售收入总额。通用汽车早在2003之前就实施了这种方法,并结合预期的特定车辆销售收入进行了预测。

    备件物流,即备件供应和存储。基于数据驱动对备件的数量和库存的预测是数据挖掘的一个重要的潜在应用领域,因为它可以显著地降低存储成本。

    数据分析和优化必须与物流过程的仿真相结合,因为对物流的评估和优化需要对物流链的特定方面进行仿真。另一个例子是供应商网络,如果可能的话,在更深入的理解的基础上,数据分析和优化可以用来帮助识别和避免物流链中关键路径的危机。这一点尤其重要,因为供应商在关键路径上交货失败将导致汽车制造商停产。对供应商网络进行仿真不仅可以识别出这种类型的瓶颈,而且还可以对其进行优化。经验表明,因为汽车制造商的采购和物流是不透明的,为了尽可能详细、准确而使仿真能详细映射所有子流程和供应商之间的交互关系,如尝试将二级和三级供应商包括在内的话,将是异常复杂的。

    这就是为什么数据驱动建模应该被看作是一种选择。当使用这种方法时,通过数据挖掘方法从供应商网络(供应商、产品、日期、交货期等)和物流(库存水平、交货频率、生产序列)中获得一个模型。然后,该模型可以被用作预测模型,如预测特定零件的交货延迟对生产过程的影响。此外,使用优化分析也可以用于个别案例,如进行最坏情况分析,即确定会延迟交货带来生产停工的零部件供应商。这个例子非常清楚地表明,在场景分析的意义上,优化也可以用来确定一个汽车制造商的最坏情况,然后优化未来的对策。

    4.制造

    生产过程的每一步都将受益于数据挖掘的持续使用,因此对所有制造工艺参数的持续记录和存储至关重要。由于优化的主要目标通常是提高质量或减少缺陷的发生率,记录出现的缺陷和缺陷类型的数据是必需的,并且必须有可能清晰地将这些数据分配给制造参数。这种方法可以用来实现显著的改进,特别是在新的生产过程中,如使用碳纤维增强复合材料的制造过程。其他潜在的优化领域包括能源消耗和每个时间单元内生产流程的吞吐量。在这一情景中,优化分析可以在线应用,也可以离线。

    在离线使用应用程序时,分析要对流程有重要影响的变量进行识别。与此同时,分析程序还要导出影响变量和目标之间的相关性,并且得出了可以改进目标的操作。通常,这种分析侧重于特定的问题或过程中的紧急问题,并且能够非常有效地提供解决方案。但是,它们不适合用于持续的流程优化。如果对结果进行分析、解释和执行需要进行人为干预,那么这些步骤可以由数据科学家或统计学家进行,并需要与制造过程专家进行讨论。

    就在线应用而言,这一过程是自动化的,这是非常重要的差异,这导致了数据获取和集成、数据预处理、建模和优化的全新挑战。在这些应用程序中,甚至需要自动地提供流程和质量数据,因为提供的集成数据可以在任何时候用作建模的基础。这一点非常重要,因为在对流程进行更改时,必须执行建模。然后由此产生的预测模型自动用于优化目的,并能够预测的质量,并建议或直接实施行动,甚至进一步,优化相关的目标变量。实现这种具有自动建模和优化技术的优化分析,在技术上是可行的,但对于大多数用户来说,它还遥不可及。

    汽车制造过程中优化分析潜在的应用覆盖常规材料和新材料成型技术、车身制造、防腐和喷漆、动力总成制造和总装等,几乎可以应用于所有的子步骤。对所有工艺步骤的综合分析,包括所有可能的影响因素及其对整体质量的影响分析,未来都会变成现实。这类似于对所有子过程数据进行整合的情况。

    5.市场营销

    营销的重点是尽可能有效地接触到最终消费者,并说服他们成为公司的客户或保留住已有客户。营销活动的成功可以用销售数字来衡量,因此从多个因素中区分出营销效果因素是很重要的,如客户的财务状况。因此,衡量营销活动的成功是一项复杂的工作,因为多种影响因素在其中起着作用。

    如果能将优化分析用于市场营销,在好不过,因为这是我们想要的结果,通过市场活动实现用最少的投入(如人力资源、预算等)取得最大销售额的优化目标,那么优化营销组合,优化做事的前后执行顺序都值得考虑。市场预测模型,例如那些由特定的市场营销活动导致在某时间段增长的销售数据模型,仅仅是需要数据挖掘结果的一部分。多维度决策支持在这种情况下也起着决定性作用。

    在市场营销中,使用数据挖掘的两个极好的案例是客户流失率和客户忠诚度。在一个饱和的市场,汽车制造商的首要任务是防止客户流失,因此要制定和实施最优的解决方案。这需要很多信息,如客户所属群体特征、客户满意度、客户对车辆的期望、竞争对手的相关数据、车型、价格等。由于某些数据的主观性,例如满意度调查中得到个人满意度,个性化流失率预测和最佳决策,如个性化折扣、加油或现金奖励、大礼包等,总是息息相关又纷繁复杂。

    由于要对大数据进行保密处理,不能有个人数据记录,除非客户明确同意给予个人信息获得量身定制的产品,否则分析和优化只能在表示匿名客户子集特征的客户级别上进行。

    客户忠诚度与优化这一主题密切相关,如何保持、提升现有客户的忠诚度已经是迫在眉睫的任务。同样,车型升级换代与优化分析也有着千丝万缕的关系,即为现有客户提供更有价值的车型作为他们下一款要购买的产品并获得成功。显然,这些问题是复杂的,需要客户细分、市场营销和相关销售成功的案例信息以促进分析。然而,这些数据大多无用。由于数据的不确定性,因此具有不同程度的失真。

    类似的考虑也适用于优化营销组合,包括公平参与的问题。在这种情况下,数据需要长时间收集,以便可以评估并得出结论。对于邮件促销这类个性化营销活动,要评价所选目标组的特性,回报率对于数据分析和相应的活动优化是一个更有可能的目标。

    原则上,在市场营销领域也可以找到非常有前景的优化分析应用程序。然而,数据收集和数据保护的复杂性,以及数据采集的部分不准确性,意味着需要对数据收集策略长期进行仔细规划的方法。如果在数据挖掘过程中需要考虑品牌形象等“软”因素,那么这个问题就会变得更加复杂。在这种情况下,所有数据都有一定的不确定性,以及相应的分析(“最重要的品牌形象驱动因素是什么?”“如何改进品牌形象?”)更适合于确定趋势而不是得出定量结论。但是,在优化范围内,有可能确定一个行为是否会产生积极或消极的影响,从而确定允许方向,然后决定行动的方向。

    6.销售、零售和售后

    这一领域有多种潜在应用和现有应用案例。由于最终客户体现的人的因素起着至关重要的作用,因此客观的数据和主观数据都要考虑;客观数据如销售数据、个人的价格折扣、经销商活动等;主观数据如基于调查的顾客满意度分析或涉及品牌形象、细分率、品牌忠诚度等许多主题的第三方市场研究等。同时,获取和集成各种数据源是进行分析的必要条件,以便最终能够对评价的潜在主观性进行正确分析,这一过程目前在很大程度上取决于进行分析的数据科学家的专业知识。

    市场营销与销售结果密切相关。毕竟,最终也是根据销售数字来衡量营销活动的成功程度。市场营销活动和销售的综合分析,包括媒体分布、发布频率、营销活动成本等,可用于优化市场活动的成本和效益,这种情况通常使用基于投资组合的方法。这意味着,最优先考虑的是一系列营销活动及其安排的最佳选择,而不是只关注单一的营销活动。因此,关键问题是多标准决策与优化支持。近年来,由于采用了进化算法和基于组合的优化标准,优化分析在这方面取得了决定性的突破。然而,销售优化分析在汽车行业的应用仍然局限在非常有限的范围内。

    同样,客户反馈、维修和制造也有潜在的交互作用,客户满意度可以用来获得软因素,维修可以用来获得硬因素,然后可以与特定车辆的生产数据相结合,并进行分析。用这一方法可以确定在工厂里发现不了或不可预见的影响质量的成因。这使得质量缺陷可以提前预测并可以使用优化分析来减少它们的发生。尽管如此,还需要将来自不同领域的数据,如制造、维修和售后等环节的数据结合起来,以便于分析。

    对于二手车来说,剩余价值在公司的车队或租车业务中起着至关重要的作用,因为有相当数量的车辆将作为资产进入相应的资产负债表,并具有相应的残值。如今,汽车制造商通常将这种风险转移到银行或租赁公司,虽然这些公司可能又是汽车制造集团的一部分。数据挖掘和预测分析可以在正确评估资产方面起决定性作用,十年前,美国汽车制造商已经付诸实践了。非线性预测模型可以与公司自己的销售数据一起使用,在车辆水平上生成个性化的、特定于设备的剩余价值预测,这比目前作为市场标准的模型更为准确。这也使得优化分销渠道成为可能,甚至分配远在天边的二手车到附近的汽车拍卖场,以这样的方式最大限度地提高公司全球的销售成功率。

    关于更详细的销售技巧,很明显,在购买车辆或将来暂时使用可用车辆时,每个客户的兴趣和偏好是一个重要的考虑因素。更个性化知识,如关于消费者的社会人口学因素,他们的购买行为,甚至他们在汽车制造商网站上的点击行为,以及他们个人的驾驶行为和车辆,被了解得越准确将越有可能满足消费者的需要,为他们提供合适的车辆型号、性能和报价以及提供最佳的金融服务。

    7.连接客户

    虽然这一术语目前还没有被认可,但它描述了一个未来,客户和他们的车辆都能与最先进的信息技术充分融合在一起。这与营销和销售问题密切相关,如客户忠诚度、个性化用户界面、一般车辆行为以及其他愿景。通过网络互联和使用智能算法,车辆可以对语言命令做出反应,并搜索答案,如可以直接与导航系统通信并更改目的地。车辆之间的通信使人们能够在道路和交通条件下收集和交换信息,这比通过集中式系统获得的信息更为精确和及时。例如路面突然形成了薄冰,它经常是局部的、暂时的,可以很容易被车辆检测到并且以警告的形式传递给其他车辆。

    人工智能与数据科学在汽车工业中的应用(连载一)

    人工智能与数据科学在汽车工业中的应用(连载二)

    人工智能与数据科学在汽车工业中的应用之愿景篇

责任编辑:张瑾
本文为e-works原创投稿文章,未经e-works书面许可,任何人不得复制、转载、摘编等任何方式进行使用。如已是e-works授权合作伙伴,应在授权范围内使用。e-works内容合作伙伴申请热线:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐