L’era dell’AI automotive è iniziata qualche anno fa ed è in pieno divenire. Nel ‘lontano’ 2017, infatti, McKinsey affermò l’esistenza di un rapporto strettissimo tra AI e automotive, sostenendo che avrebbe cambiato radicalmente l’auto business.
AI automotive è un concetto molto ampio. L’intelligenza artificiale, infatti, è uno dei principali driver di innovazione di questo settore. Si pensi, a titolo d’esempio, alle sperimentazioni delle auto a guida autonoma, che si basano appunto sui dati della sensoristica, sulle comunicazioni V2V (vehicle to vehicle) e V2I (vehicle to infrastructure), nonché su tecnologie (computer vision) e algoritmi afferenti all’universo dell’intelligenza artificiale.
Per quanto affascinanti e di attualità, le auto a guida autonoma non sono di sicuro l’unica manifestazione di AI automotive, né tantomeno la più concreta. Pensiamo allora all’impiego di tecnologie di AI nel contesto produttivo: manutenzione predittiva, monitoring degli asset, semplificazione dei controlli qualità e della compliance e aumento della sicurezza delle linee produttive sono soltanto alcuni degli ambiti di applicazione dell’intelligenza artificiale in chiave 4.0.
Le manifestazioni concrete e attuali di AI automotive sono moltissime, così come i potenziali benefici.
Un ambito che attrae molto interesse è l’automazione (intelligente) delle decisioni nell’ambito del supply chain management. Non dimentichiamo che il settore automotive si basa su catene di fornitura estremamente estese e che la semplificazione è un obiettivo cardine di qualsiasi impresa. A titolo d’esempio, AI può assumere un ruolo determinante nel demand forecasting, che non solo è un fattore critico per il bilanciamento tra domanda e offerta, ma è diventato preziosissimo da quando hanno preso piede i modelli di produzione just-in-time, che di fatto sono finalizzati a non produrre stock in eccesso. Un sistema esperto (AI) che, valutando svariati fattori, riesca a fornire previsioni accurate è fondamentale per tutti i player della filiera, non solo per le case automobilistiche.
Sempre McKinsey sottolineò la rilevanza di AI in ambito R&D, soprattutto per quanto concerne il project management. Per le grandi aziende automobilistiche la ricerca è fondamentale, ma lo è anche definire – in modalità data-driven – delle priorità tra i progetti, nonché accantonare con rapidità quelli che difficilmente raggiungeranno gli obiettivi prefissati. Le capacità previsionali di AI permettono alle aziende di non sprecare risorse e, soprattutto, di allocarle laddove via sia una concreta probabilità di successo.
Altri ambiti di sicuro successo dell’AI automotive sono quelli amministrativi e finanziari, laddove la Intelligent Automation (IPA) sta assumendo un ruolo sempre più centrale nel contesto dei processi aziendali. Intelligenza Artificiale e automazione abilitano l’estrazione e l’elaborazione di dati non strutturati dai documenti (fatture, ordini di acquisto, documenti di trasporto…) al fine di automatizzare – completamente o in parte – i processi di ciclo attivo e passivo. In quest’ambito, AI può elaborare il testo dei documenti per svariati fini, come:
Infine, ma non per importanza, AI sta assumendo un ruolo sempre più centrale nel contesto dei contact center del settore automotive, che in piena era di experience economy sono fondamentali per il successo del brand. In quest’ambito, AI elabora informazioni provenienti di svariate fonti dati per fornire agli agenti consigli personalizzati su come gestire la relazione col cliente, oltre ad essere alla base di tecnologie-cardine dei contact center moderni come l’assistenza self (chatbot e voicebot) e sistemi evoluti di analisi di dati non strutturati, come nel caso della sentiment analysis.