BMW आणि Capgemini अधिकाऱ्यांनी AI ला कार उत्पादकाचे 'सुपरपॉवर' म्हणून मांडले
ऑटोमोटिव्ह व्यवसायात कृत्रिम बुद्धिमत्ता (AI) कशी रुजत आहे याची जवळून माहिती असलेल्या दोन अधिकाऱ्यांनी या तंत्रज्ञानाचे मूल्य प्रत्यक्षात कसे मिळवता येईल यावर आपले विचार मांडले. BMW Group मध्ये नवीन तंत्रज्ञानाचे नेतृत्व करणाऱ्या सेरेना स्ट्रिगेल या Capgemini Invent चे संचालक फर्डिनांड शॉकेनहॉफ यांच्यासोबत एका चर्चेत सहभागी झाल्या. या चर्चेचा केंद्रबिंदू एक ठळक कल्पना होती: AI कार उत्पादकांसाठी एक प्रकारचे सुपरपॉवर म्हणून काम करू शकते — पण केवळ त्या कंपन्यांसाठी ज्या ते जाणीवपूर्वक वापरण्याची पद्धत शोधतात.
हे चित्रण महत्त्वाचे आहे कारण ऑटो उद्योग AI सोबत गेली काही वर्षे एका विचित्र मधल्या टप्प्यात आहे. जवळपास प्रत्येक मोठा उत्पादक आता पायलट, हॅकाथॉन आणि अंतर्गत टूलिंग प्रयोग चालवतो. पण त्यातील फार कमी जण ते प्रयोग डिझाइन निर्णय, कारखान्यातील उत्पादन क्षमता किंवा ग्राहक दररोज वापरत असलेल्या सॉफ्टवेअरला स्पर्श करणाऱ्या उत्पादन प्रणालींमध्ये नेण्यात यशस्वी झाले आहेत. प्रात्यक्षिक आणि अंमलबजावणी यातील हे अंतरच BMW च्या तंत्रज्ञान प्रमुख आणि Capgemini Invent च्या संचालक यांच्यातील चर्चेला ऑटोमोटिव्ह धोरण आखणाऱ्या कोणासाठीही संबंधित बनवते.
कोण बोलत आहे, आणि ही जोडी का लक्षणीय आहे
BMW Group मधील स्ट्रिगेल यांची भूमिका त्यांना संशोधन आणि उत्पादन वास्तवाच्या छेदनबिंदूवर ठेवते. एका प्रीमियम कार उत्पादकाकडे नवीन तंत्रज्ञानाचे नेतृत्व करणे म्हणजे कोणती उदयोन्मुख साधने अभियांत्रिकी मानके, नियामक आवश्यकता आणि जागतिक पुरवठा साखळींशी संपर्कात टिकून राहण्याइतकी परिपक्व आहेत — आणि कोणती नाहीत — याचे मूल्यांकन करणे. हे काम प्रयोगशाळेत प्रोटोटाइप तयार करण्यापेक्षा वेगळे आहे.
Capgemini च्या सल्ला आणि डिजिटल नवोन्मेष विभाग असलेल्या Capgemini Invent मधील शॉकेनहॉफ यांचे स्थान समीकरणाची दुसरी बाजू दर्शवते: मोठ्या औद्योगिक AI कार्यक्रमांसोबत वाढत्या प्रमाणात येणारे सल्ला आणि प्रणाली-एकत्रीकरणाचे काम. त्या प्रमाणातील सल्ला कंपन्या सामान्यतः उत्पादकांना प्रक्रिया नकाशित करण्यास, डेटा पाइपलाइन पुनर्रचना करण्यास आणि नोटबुकमधील मॉडेल कधी वाहनावर प्रभाव टाकते हे ठरवणारा संघटनात्मक बदल व्यवस्थापित करण्यास मदत करतात.
एका कार उत्पादकाच्या तंत्रज्ञान अधिकाऱ्याला एका सल्ला संचालकाच्या शेजारी ठेवणे हे स्वतःच एक संकेत आहे. हे सूचित करते की चर्चा कच्च्या मॉडेल क्षमतेबद्दल कमी आणि अंमलबजावणीबद्दल जास्त आहे — डेटा गव्हर्नन्स, प्रतिभा, प्रक्रिया पुनर्रचना आणि मापन यांचे न भुलणारे काम, जे एका आकर्षक डेमोला टिकाऊ स्पर्धात्मक लाभापासून वेगळे करते.
AI ऑटोमोटिव्ह मूल्य साखळी कुठे पुनर्रचित करू शकते
"पूर्ण शक्ती" हा शब्दप्रयोग व्यापकता दर्शवतो, आणि ऑटोमोटिव्ह मूल्य साखळी AI ला कार्य करण्यासाठी भरपूर पृष्ठभाग देते. सर्वात विश्वासार्ह अल्पकालीन लाभ सामान्यतः काही क्षेत्रांत एकवटतात.
अभियांत्रिकी आणि उत्पादन विकास
वाहन कार्यक्रमांमध्ये प्रचंड संख्येने डिझाइन पुनरावृत्ती, सिम्युलेशन आणि अनुपालन तपासण्या असतात. सिम्युलेशन वेगवान करणारी, संभाव्य भूमिती निर्माण करणारी किंवा संबंधित पूर्वीची डिझाइने समोर आणणारी साधने विकास चक्र संकुचित करू शकतात — जर अंतर्निहित अभियांत्रिकी डेटा विश्वासार्ह होण्याइतका स्वच्छ असेल तर.
उत्पादन, गुणवत्ता आणि लॉजिस्टिक्स
कारखाने सेन्सर आणि तपासणी डेटाचे घनदाट प्रवाह निर्माण करतात. गुणवत्ता नियंत्रण, पूर्वानुमानित देखभाल आणि उत्पादन नियोजनासाठी वापरलेले AI डाउनटाइम आणि स्क्रॅप कमी करू शकते. पुरवठा साखळी अंदाज हे आणखी एक क्षेत्र आहे जिथे चांगल्या मॉडेल्सना स्पष्ट आर्थिक मूल्य असते, विशेषतः अलीकडच्या वर्षांतील व्यत्ययांनंतर.
सॉफ्टवेअर, सहाय्यक आणि ग्राहक अनुभव
आधुनिक वाहने वाढत्या प्रमाणात सॉफ्टवेअर-परिभाषित आहेत, याचा अर्थ AI थेट उत्पादनात दिसते: व्हॉइस इंटरफेस, ड्रायव्हर सहाय्य वैशिष्ट्ये, वैयक्तिकरण आणि ओव्हर-द-एअर सेवा अद्ययावत. येथे कार उत्पादकाचे आव्हान मॉडेल कार्यक्षमतेइतकेच विश्वासार्हता, सुरक्षितता आणि गोपनीयतेबद्दल आहे.
- विकास: वेगवान सिम्युलेशन आणि डिझाइन शोध
- उत्पादन: तपासणी, देखभाल आणि नियोजन
- पुरवठा साखळी: मागणी आणि व्यत्यय अंदाज
- उत्पादन: कारमधील सहाय्यक, सहाय्य प्रणाली आणि वैयक्तिकरण
- बॅक ऑफिस: सेवा, विक्री आणि विक्री-नंतर समर्थन
खरा अडथळा संघटनात्मक आहे, तांत्रिक नाही
अशा चर्चा सामान्यतः त्याच मर्यादेकडे परत येतात: एंटरप्राइझ AI मधील सर्वात कठीण भाग मॉडेल मिळवणे नाही. ते मॉडेल औद्योगिक प्रमाणात विश्वासार्ह बनवण्यासाठी आवश्यक डेटा, गव्हर्नन्स आणि लोक एकत्र करणे हा आहे. ऑटोमोटिव्ह स्वतःचे दबाव जोडते — दीर्घ विकास क्षितिजे, कडक सुरक्षा अपेक्षा, गुंतागुंतीचे पुरवठादार नेटवर्क आणि बाजारानुसार बदलणारे नियामक वातावरण.
हे संयोजन व्यापक परिवर्तनांपेक्षा क्रमिक, सु-निरीक्षित अंमलबजावणीला पुरस्कृत करते. एका कारखाना मार्गात किंवा एका अभियांत्रिकी कार्यप्रवाहात मोजण्यायोग्य सुधारणा सिद्ध करू शकणाऱ्या उत्पादकाकडे डझनभर रखडलेल्या संकल्पना-पुराव्यांच्या कंपनीपेक्षा अधिक मौल्यवान काहीतरी असते. त्या वाचनात, "सुपरपॉवर" चित्रण जादूबद्दल कमी आणि संचित कार्यात्मक लाभाबद्दल जास्त आहे: प्रत्येक यशस्वी अंमलबजावणी पुढील एक स्वस्त आणि वेगवान करते.
उत्पादक आणि सल्ला कंपन्यांमधील भागीदारी त्या तर्काशी जुळते. कार उत्पादक डोमेन खोली, मालकीचा डेटा आणि उत्पादन जबाबदारी आणतात. बाह्य भागीदार आंतर-उद्योग पॅटर्न ओळख, वितरण क्षमता आणि विशेष संघ त्वरित भरती करण्याची क्षमता आणतात. तणाव परिचित आहे — बाह्य मदत अंमलबजावणी वेगवान करू शकते तसेच काळजीपूर्वक व्यवस्थापित करावी लागणारी अवलंबित्वेही निर्माण करू शकते.
पुढे काय पाहावे
ऑटोमोटिव्ह क्षेत्रातील निरीक्षकांसाठी, उपयुक्त प्रश्न AI महत्त्वाचे ठरेल का हा नाही — तो वाद प्रभावीपणे संपला आहे — तर मोजण्यायोग्य परिणाम प्रथम कुठे दिसतील हा आहे. AI कार्यक्रमांशी जोडलेले ठोस मेट्रिक्स प्रकाशित करणाऱ्या कार उत्पादकांकडे लक्ष ठेवा: कमी विकास वेळ, सुधारित प्रथम-पास गुणवत्ता, कमी अनियोजित डाउनटाइम किंवा वेगवान गतीने पाठवलेली सॉफ्टवेअर वैशिष्ट्ये.
प्रतिभेची कथा देखील पाहा. मशीन लर्निंग आणि भौतिक उत्पादने दोन्ही समजणाऱ्या अभियंत्यांसाठीची स्पर्धा तीव्र आहे, आणि ती पारंपरिक ऑटोमोटिव्ह केंद्रांच्या पलीकडे पसरते. AI क्षमतेला बाजूचा प्रकल्प न मानता मुख्य अभियांत्रिकी शिस्त मानणाऱ्या कंपन्याच काही वर्षांनी सुपरपॉवर्सबद्दल विश्वासार्हपणे बोलू शकतील अशा अधिकाऱ्यांच्या कंपन्या असतील.
शेवटी, भाषा कशी विकसित होते ते पाहा. जेव्हा तंत्रज्ञान नेते आणि सल्लागार एकाच शब्दसंग्रहावर एकत्र येतात — क्षमता, स्केलिंग, मूल्य प्राप्ती — तेव्हा सामान्यतः हे दर्शवते की प्रारंभिक प्रयोग टप्पा अधिक शिस्तबद्ध कशाकडे वळत आहे. ती शिस्त वचन दिलेली सुपरपॉवर्स निर्माण करते का हे कोणत्याही एका यशस्वी मॉडेलपेक्षा अंमलबजावणीवर जास्त अवलंबून असेल.
हा लेख Automotive News च्या अहवालावर आधारित आहे. मूळ लेख वाचा.
Originally published on autonews.com
