Vážení čtenáři, ve spolupráci s Pavlem Klocem ze společnosti AUTODIAGNOSTIKA KLOC, s.r.o., pro vás připravujeme seriál, ve kterém se exkluzivně dozvíte aktuální informace o vývoji, nasazení a využití nejnovější technologie z oblasti umělé inteligence v automobilovém průmyslu. V tomto dílu představujeme jak se dá využít umělá inteligence AI při diagnostice vozidel. Předchozí díly najdete ZDE.
Obsah článku:
• Umělá inteligence – diagnostika vozidel
• – František Koudelka vs. umělá inteligence
• – František je fachman, ale…
• Diagnostika inteligentních vozidel
• Automatizovaná kontrola stavu vozidel UVI
• – Jak UVI funguje
• – Hluboké učení v UVI
Pokud vás tato témata zajímají, můžete se těšit na náš avizovaný webcast, který dokončujeme (bohužel to trvá). Rozhodli jsme se tak proto, že chceme poskytnout skutečnou kvalitu plnou nejen teorie, ale i případových studií a možností, jak AI začít používat na vyšší úrovni. Sledujte naši stránku www.megamacs.cz/ai-webcast/. Jakmile webcast spustíme, budeme vás informovat.
Umělá inteligence – diagnostika vozidel
Diagnostika automobilů s asistencí umělé inteligence (AI) nabízí oproti tradičním přístupům, využívajícím pouze lidskou inteligenci, řadu nesporných výhod. Osobně se přiznám, že i přes prognózy, kam nás jako lidstvo může AI přivést (viz šokující studie ai-2027.com), jsem jejím velkým nadšencem. Mé nadšení se v posledních několika letech přetavilo do expertní činnosti, zejména v oblasti psaní kódu a práce s moderními frameworky. Současně jsem však stále v častém kontaktu s běžnými automechaniky a setkávám se spíše s odmítavým názorem na AI, který zatím převažuje. Může však jít pouze o můj subjektivní dojem, nemám žádný reprezentativní vzorek dat a také nechci čtenáře přesvědčovat, že AI je (v obecné rovině) dobrá nebo špatná – to přenechme filozofům a prognostikům.
Představím svou argumentaci, pomocí níž našim zákazníkům na pozadí metafory přibližuji možnosti běžného automechanika/diagnostika s dvacetiletou praxí a „umělé inteligence“.
František Koudelka vs. umělá inteligence
Představme si tedy běžného automechanika v nezávislém servisu, pojmenujme jej například František Koudelka. Po dvaceti letech praxe je František díky kontinuálnímu vzdělávání se, nabytým zkušenostem, mechanickým dovednostem a diagnostickým schopnostem ostřílený mechanik i diagnostik, schopný při hledání závad používat sériovou i paralelní diagnostiku.
Františkovi projde rukama zhruba 500 vozidel ročně. Na každém z nich provede standardní diagnostickou rutinu: načtení paměti závad, kontrolu měřených hodnot, smazání chyb a případné základní nastavení. Jinými slovy, minimálně čtyři samostatné diagnostické relace na jedno auto. Pokud bude František tuto rutinu opakovat například dvakrát denně během běžného pracovního roku (cca 250 dní), nasbírá za dvacet let praxe zkušenosti přibližně z 10 000 odbavených vozidel a provede kolem 40 000 diagnostických relací.
František je fachman, ale…
A právě v tomto okamžiku začíná být zajímavé položit si otázku: Jak si Františkovy zkušenosti stojí ve srovnání s tím, co dnes umějí neuronové sítě, které pohánějí automatizovanou diagnostiku v nejnovějších systémech, jako je například Hella Gutmann Macs X (obr. 15)?
Funkce automatizované diagnostiky stojí na neuronové síti vytrénované naprosto nesrovnatelným objemem dat. Zatímco František za celou svou dvacetiletou kariéru zvládl zhruba 10 000 vozidel a 40 000 diagnostických relací, neuronová síť v systému Macs X má v současné době za sebou:
Pokud Vás článek zaujal a přejete si pokračovat v jeho přečtení, přihlaste se.
Tento článek je přístupný pouze pro předplatitele 
Máte už předplatné? Přihlásit se.
