De Model T van Ford Motor Company werd voor het eerst gebouwd in 1908 en dankte zijn lange levensduur aan de lage kosten, duurzaamheid, veelzijdigheid en het eenvoudige onderhoud. Het model wordt geroemd om het “de wereld op wielen zetten” door wereldwijde mobiliteit op te schalen via efficiënte productie tegen een prijs die de gemiddelde consument zich kon veroorloven.
Tegenwoordig staat de auto-industrie nog steeds aan de frontlinie van technologie en verandert ze de manier waarop de wereld van punt A naar punt B komt. In ons recente webinar zegt Michael Crabtree, Lead Data Scientist bij Ford Motor Company en docent van onze cursus Credit Risk Modeling in Python, dat het belangrijkste verschil is dat innovatie nu wordt gedreven door data science, niet door productie.
Innovatie bij Ford wordt nu gedreven door data science—niet door productie.
Slimme steden vragen om data science in de auto-industrie
Net zoals de schaalbare productie van de Model T ruim 100 jaar geleden mobiliteit naar de massa bracht, schaalt data science vandaag de mobiliteit voor lagere inkomensgroepen. Het maakt vervoer gemakkelijk toegankelijk zonder de hoge kosten van eigendom en faciliteert deze verandering voor iedereen, ongeacht klasse, gender of beperking.
Zo kunnen optimalisatie-algoritmen bedrijven voorzien van energiezuinige voertuigen om landelijke gemeenschappen te bedienen, van Amazon-bezorgingen tot loodgieterswerk en maaltijdbezorging. Data scientists werken ook samen met reliability engineers om voertuigen te produceren die mensen met een beperking ondersteunen.
Dit zijn slechts een paar voorbeelden, maar Michael geeft aan dat er bijna eindeloze use-cases voor data science zijn, waarvan veel nog moeten worden verkend.
Werken met data in de auto-industrie
Door de volwassenheid en brede reikwijdte van de auto-industrie zijn er veel kansen voor bedrijven om zich rond data te heropbouwen.
Een toepassing is werken met data over verschillende datasystemen en datatypes heen. Veel data scientists zijn gewend aan tabelgegevens, oftewel data in tabelvorm, vergelijkbaar met Excel. Maar automotive data scientists hebben met veel meer variatie aan data te maken. Zo wordt ruwe instrumentatiedata in de auto-industrie vaak opgeslagen als een stroom hexadecimale cijfers. Ze kunnen ook data tegenkomen uit intelligente systemen in de vorm van afbeeldingen en sensorpuntwolken. En om te begrijpen waarom een autonoom voertuig zich op een bepaalde manier gedraagt en hoe dat verschilt per automodel, kan een automotive data scientist puntwolken combineren met instrumentatiedata en die weer koppelen aan een set tabellen.
Een andere kans is volume: de grootste database die Michael bij Ford heeft gemaakt, bevat 80 miljard rijen en voert queries uit in minder dan 10 seconden! Sommige realtime- en transactiesystemen binnen de auto-industrie verwerken meer dan 150 miljoen records per dag. Omdat er zoveel automotive data wordt gegenereerd, zijn zeer grote dataclusters nodig. Veel bedrijven in de auto-industrie hebben dataclusters in de petabyte-orde (een miljoen gigabyte).
Data science is betrokken bij elke stap van de levenscyclus van auto’s
Data science stuurt productontwikkeling aan
Er zijn veel stappen nodig voordat een voertuig aan een consument kan worden verkocht. Data science in automotive begint bij productontwikkeling. Data science wordt gebruikt voor taken zoals het analyseren van nieuwe modelconfiguraties en het modelleren van de betrouwbaarheid van componenten. In plaats van componenten te bouwen en bij elke fase als een geïsoleerd systeem te testen, vult data science het proces aan via simulatie en grootschalige analyse.
Data science zorgt voor excellente productie
Automotive data scientists zorgen er ook voor dat alleen voertuigen van hoge kwaliteit worden verkocht. Hoewel ingenieurs in staat zijn de kwaliteit van elk voertuig te testen, moet dit per voertuig afzonderlijk gebeuren. Data scientists kunnen een volledige populatie van onderdelen, leveranciers en testdata analyseren. Ze analyseren nauwgezet de financiële prestaties van leveranciers, voorspellen hun vermogen om op tijd te leveren op basis van eerdere resultaten, en gebruiken econometrie met regressies om de economische omstandigheden op leverancierslocaties te controleren.
Data science drijft verbonden en autonome voertuigen
Een van de hotste onderwerpen in futurisme vandaag is verbonden en autonome voertuigen, die steunen op deep learning-modellen en sensorfusie-algoritmen. Data science is cruciaal voor het bouwen van deze voertuigen: het wordt gebruikt om IoT-indicatoren zoals olielevensduurmonitors, acculaders en volledige diagnostische instrumentatie te vertalen naar bruikbare inzichten. Het is bijvoorbeeld niet genoeg om simpelweg een voetganger te detecteren—sensoren moeten kunnen bepalen waar die naartoe loopt. Ook belangrijk zijn veiligheidssystemen, waaronder bescherming van de bestuurder en milieubescherming.
De nieuwe verbonden systemen voor deze voertuigen leveren nieuwe diensten—ze verbinden met andere voertuigen, steden en infrastructuur. En we staan nog maar aan het begin van het verkennen van het potentieel van deze markt. De wereldwijde markt voor connected vehicles was circa \$63 miljard in 2019, en die markt zal naar verwachting bijna verviervoudigen tot \$225 miljard in 2027 (Allied Market Research)!
Data science stuurt duurzaamheidsinitiatieven aan
Duurzaamheid is erg belangrijk voor alle autofabrikanten. Overheden stellen doelen voor brandstofefficiëntie, maar elke autofabrikant heeft ook eigen doelstellingen. En elk voertuig heeft een andere brandstofefficiëntie, dus data science is nodig om de brandstofefficiëntie van de volledige modellijn van een bedrijf te optimaliseren. Als een bedrijf bijvoorbeeld zowel een grote, brandstofslurpende pickup als een elektrische auto in het assortiment wil aanbieden, kunnen automotive data scientists een optimalisatie uitvoeren om het brandstofverbruik van de volledige vloot te minimaliseren, terwijl ze voldoen aan de wereldwijde verkoopdoelen van het bedrijf. Dankzij optimalisatie kunnen autofabrikanten overheidskredieten voor brandstofefficiëntie claimen. Dit levert een drievoudig voordeel op: goed voor het milieu, meer waarde voor klanten en een potentiële inkomstenbron.
Andere automotive use-cases voor data science
Naast wat we hebben genoemd, beïnvloedt data science nog veel meer fasen in de levenscyclus van auto’s. In marketing en sales voorspelt data science klantbewegingen en churn. In service en klantanalyses verbetert data science de klantervaring na aankoop en zorgt het voor verbeteringen in productkwaliteit. Wil je dieper ingaan op use-cases voor hoe data science de toekomst van automotive aanstuurt, bekijk dan Michael’s on-demand webinar.
