지난 한 해 동안 제너레이티브 AI는 전 세계를 강타했습니다. 자동차 안팎의 많은 산업에서 이 기술을 활용하여 수익을 증대하고자 합니다.
그러나 생성형 AI는 많은 사용 사례에 적용될 수 있지만, 경우에 따라서는 다른 형태의 AI가 더 적합할 수 있습니다.
이 인사이트에서 SBD는 다양한 자동차 사용 사례와 이를 가장 잘 지원할 수 있는 AI 유형을 살펴봅니다.
무슨 일이 일어나고 있나요?
최근 생성 AI(Gen AI)의 발전으로 다양한 비즈니스 프로세스 전반에 걸쳐 상당한 잠재력이 입증되면서 OEM은 AI 전략과 애플리케이션을 재평가하고 있습니다.
AI는 다양한 비즈니스 활동을 지원할 수 있습니다. 하지만 소비자 경험 향상과 OEM 비즈니스 프로세스 최적화의 두 가지 주요 목표로 분류할 수 있습니다.
오늘날 대부분의 OEM은 가상 비서 및 ADAS 와 같은 최신 자동차 기능에 AI를 통합하는 것을 우선시하지만, 특히 R&D 분야에서 차량 내 서비스 및 OEM 비즈니스 프로세스에 많은 기회가 있을 것으로 예상됩니다.
최근 인공지능 세대가 많은 관심을 받고 있지만, 모든 사용 사례에 가장 적합한 것은 아닐 수 있습니다.
다양한 팀이 주도하는 수많은 AI 이니셔티브가 OEM 내에서 진행될 것으로 예상됩니다. 효율성을 극대화하고 최고의 투자 수익률을 달성하기 위해서는 높은 수준의 우선순위 지정과 조정이 필요합니다.
메르세데스-벤츠는 직원 AI 교육 프로그램 등 다른 기업보다 더 많은 투자를 통해 자동차 AI 분야의 리더로 거듭나고 있습니다.
왜 중요한가요?
AI 모델 간의 관계는 복잡할 수 있습니다. 높은 수준에서 이러한 모델은 각각 추가 기능을 제공하는 서로의 하위 범주로 볼 수 있습니다. 효과적인 구현을 위해서는 각 사용 사례에 어떤 모델을 적용할지 이해하는 것이 중요합니다.
머신 러닝: 자동화할 수 있는 작업을 수행하도록 학습시킬 수 있는 AI의 한 형태입니다. 또한 구조화된 형태(예: 표 형식)로 데이터를 식별하고 분류할 수 있습니다. 자동차 애플리케이션에는 예측 유지보수, 자동차 원격 진단 등이 포함됩니다. 머신 러닝은 더 적은 데이터를 필요로 하며 최신 차량 MCU/MPU에서 원활하게 실행됩니다.
딥 러닝: 신경망을 사용하여 데이터를 분석하는 머신 러닝의 하위 집합입니다. 비정형 데이터(이미지 분류, 자연어 처리, 동영상 등)를 사용할 때 머신 러닝보다 성능이 뛰어납니다. 딥러닝은 일반적으로 패턴 인식, 의사 결정 또는 데이터에서 특징 추출에 더 중점을 둡니다.
생성 AI(Gen AI): 딥러닝의 하위 집합입니다. 생성형 AI는 데이터를 읽고 학습하여 새로운 합성 인스턴스를 생성할 수 있습니다. 이러한 형태의 AI는 적응형 출력이 필요한 상황에 적합합니다.
다음은 어디인가요?
SBD는 자동차 산업과 관련된 몇 가지 사용 사례를 평가하고 구현 시간과 투자에 따라 우선순위가 높은 사례를 결정했습니다.
LLM 기반 가상 비서는 사람의 의도를 깊이 파악하고 다목적 기능 및 신속한 응답을 통해 차량 내 경험을 혁신할 것입니다. 하지만 LLM 기반 가상 비서를 차량에 통합하고 도로에서 원활한 경험을 제공하려면 더 많은 세심한 노력이 필요합니다.
예측 유지보수 및 고급 차량 진단은 기존의 머신러닝 알고리즘을 사용하여 수행할 수 있으므로 차세대 AI가 필요하지 않습니다. 하지만 이러한 데이터를 수집하려면 차량과 서비스 네트워크 모두에 대한 강력한 정보 인프라가 필요합니다.
OEM 웹사이트나 앱의 고객 서비스 에이전트는 약간의 미세 조정만으로 몇 주 안에 구현할 수 있는 Gen AI를 빠르게 활용할 수 있습니다.
스마트 팩토리를 구축하고 디지털 트윈 기술로 미세 조정하려면 더 많은 시간과 투자가 필요합니다. 하지만 대부분의 OEM이 새로운 전기차 공장을 준비하고 있는 지금이 바로 시작하기에 이상적인 시기입니다.
주의해야 할 사항은 무엇인가?
AI는 과대 포장될 수 있지만 올바르게 구현하면 여전히 매우 강력한 도구입니다. 하지만 사용하는 모델에 따라 비용이 많이 들 수 있으며, 기업에 적용할 때 불확실성과 우려가 존재합니다. SBD는 다음과 같은 제안을 합니다:
AI는 미래 자동차를 위한 다양한 기술 스택 계층에 내장될 것입니다. 이는 칩에서 클라우드에 이르기까지 다양한 소형 및 대형 모델의 조합이 될 것입니다. 업계 동향을 모니터링하면 OEM이 AI 전략을 구체화하는 데 도움이 될 것입니다.
LLM 추론의 운영 비용은 여전히 높기 때문에 Gen AI를 대규모로 구현할 때는 이를 우선적으로 고려해야 합니다. 하지만 모델 학습 중 데이터 주석에 드는 비용을 절감할 수 있습니다.
엣지 AI 플레이어를 지켜보세요. 복잡한 대형 모델을 최적화하여 임베디드 시스템에서 효과적으로 실행할 수 있도록 모델 압축 방법에 대한 연구가 진행 중입니다.
차트에 있는 일부 업체는 AI 툴체인과 트레이닝 데이터세트를 모두 제공합니다. 데이터가 부족한 OEM은 외부 업체로부터 데이터를 소싱하는 것을 고려할 수 있습니다.
어떻게 대응해야 할까요?
준비
모든 지능형 AI 모델은 양질의 데이터로 학습해야 합니다. 내부적으로 이 데이터의 출처를 찾거나 타사에서 데이터를 확보할 수 있는 옵션을 모색하세요.
우선순위 지정
회사 내에서 자동화와 효율성을 개선할 수 있는 취약점을 파악하세요. 사용 사례에 따라 사용할 다양한 유형의 AI 모델을 고려하세요.
모니터
AI 모델의 성능을 확인하고 필요에 따라 조정하세요. AI가 소비자 대면 사용 사례에 구현된 경우 고객의 피드백에 응답하여 모델/시스템을 개선하세요.
자세히 알아보고 싶으신가요?
저희는 고객 맞춤형 프로젝트를 통해 고객이 새로운 도전과 기회를 더 깊이 파고들 수 있도록 지원하는 일을 주로 하고 있습니다. 최근 완료한 인공지능 관련 프로젝트에 대해 논의하고 싶으시다면 지금 바로 문의하세요!
관련 콘텐츠도 꼭 확인해 보세요:
