（※本記事は一部自動翻訳サービスを利用して翻訳されています。） この1年、生成AIが世界を席巻してきました。自動車の内外を問わず、多くの業界がその力を活用して利益を増やそうとしています。
しかしながら、生成AIは多くのユースケースに適用できる一方で、他の形態のAIの方が適している場合もあります。
本記事では自動車における様々なユースケースと、それを最適にサポートすることができるAIのタイプを探ります。
同分野における動向
生成AI（Gen AI）の最新の進歩は、様々なビジネスプロセスにおいて大きな可能性を示しており、OEMにAI戦略とアプリケーションの再評価を促しています。
AIは幅広いビジネス活動をサポートすることが可能です。ただし、消費者体験の向上とOEMビジネスプロセスの最適化という2つの主要な目的に分類することができます。
今日、ほとんどのOEMは、バーチャル・アシスタントやADASのような最新の車載機能にAIを統合することを優先しています。しかしながらSBDでは、特に研究開発において、車載サービスとOEMのビジネス・プロセスに多くの機会があると考えています。
Gen AIは最近注目を集めているものの、すべてのユースケースに最適とは限りません。
OEMにおいては、多様なチームが主導する数多くのAIイニシアティブが存在すると予想されます。最大限の効率とROIを達成するためには、優先順位付けと調整が必要となります。
Mercedes-Benzは、従業員のAIトレーニング・プログラムなど、他社よりもAIに投資することで、自動車用AIの分野をけん引しつつあります。
なぜ、それが重要なのか？
AIモデル間の関係は複雑です。ハイレベルでは、これらのモデルはそれぞれが付加的な機能を提供するサブカテゴリーとして見ることができます。それぞれのユースケースにどのモデルを適用するかを理解することが、効果的な実装のために非常に重要です。
機械学習：AIの一種で、自動化可能なタスクを実行するよう学習させることが可能です。また、構造化された形式（表形式など）のデータを識別・分類することもできます。自動車への応用としては、予知保全や自動車の遠隔診断などがあります。機械学習は必要なデータが少なく、車載向けMCU/MPUでスムーズに動作します。
ディープラーニング：ニューラルネットワークを使ってデータを分析する機械学習のサブセット。非構造化データ（画像分類、自然言語処理、動画など）を使用する場合、機械学習を上回る性能を発揮します。ディープラーニングは一般的に、パターンの認識、意思決定、データからの特徴の抽出をより重視します。
生成AI（Gen AI）：ディープラーニングのサブセット。生成AIはデータを読み取り、そこから学習し、新たな合成インスタンスを生成することができます。この形式のAIは、適応的な出力を必要とする状況に適しています。
今後の展望
SBDでは、自動車業界に関連するいくつかのユースケースを評価し、実装の時間と投資に観点から優先順位の高いものを特定しました。
LLMを搭載したバーチャル・アシスタントは、人間の意図を深く把握し、多目的な能力を持ち、迅速に応答することで、車内での体験を一変させると見られます。しかしながら、LLMを搭載したバーチャル・アシスタントを自動車に統合し、路上でのシームレスな体験を実現するには、さらに細やかな取り組みが必要です。
予知保全と高度な車両診断は、従来のMLアルゴリズムを使って容易に行うことができるため、Gen AIは必要ありません。しかしながら、そのようなデータを収集するには、車両とそのサービスネットワークの両方に堅牢な情報インフラが必要です。
OEMのウェブサイトやアプリのカスタマーサービスエージェントは、微調整をほとんど必要とせず、数週間で実装可能で、生成AIを迅速に活用することができる可能性があります。
スマートファクトリーの構築とデジタルツインテクノロジーによる微調整には、より長い時間と投資が必要です。ただし、ほとんどのOEMが新たなEV工場を準備している今が、始めるのに理想的なタイミングであると言えます。
注視すべきこととは？
AIは過大評価されることもある一方で、正しく導入すれば非常に強力なツールであることに変わりはありません。しかしながら、使用するモデルによっては導入コストが高くつくこともあり、企業への適用には不確実性や懸念がつきまといます。SBDとしての提言は以下のとおり：
AIは、将来の自動車の技術スタックのさまざまな層に組み込まれると見られます。チップからクラウドまで、大小さまざまなモデルが組み合わされることになるでしょう。業界の動向をモニタリングすることは、OEMがAI戦略を改善させるのに役立ちます。
LLM-Inferencingの運用コストは依然として高く、Gen AIを大規模に実装する際には第一に考慮すべきです。しかしながら、モデル学習中のデータアノテーションのコストを削減します。
エッジAIプレーヤーに注目することを提言します。複雑で大規模なモデルを最適化し、組み込みシステムで効率的に実行できるようにするためのモデル圧縮手法の研究が進んでいます。
下のチャートに示す一部のプレーヤーは、AIツールチェーンとトレーニングデータセットの両方を提供しています。データが不足しているOEMは、外部からデータを調達することも考えられます。
とるべき対応
Prepare
すべてのインテリジェントなAIモデルは、質の高いデータでトレーニングする必要があります。こうしたデータを得るための選択肢として社内あるいはサードパーティーという選択肢を模索することになります。
Prioritize
自動化と効率化が可能な社内の弱点を特定する必要があります。ユースケースに応じて使用するAIモデルの種類を検討することになります。
Monitor
AIモデルのパフォーマンスを確認し、必要に応じて適応させる必要があります。AIが消費者向けのユースケースに導入された場合、顧客からのフィードバックに応じて、モデル／システムを改善します。
詳細に関するお問い合わせ
SBD Automotiveではカスタムプロジェクトを通じて、クライアントが新たな課題や機会へ取り組むことを支援しています。最近のプロジェクトに関する詳細や、その他ご要望については下記までお問い合わせください。
関連コンテンツ:
