Umělá inteligence (AI) v automotive (6)

Námětem tohoto pokračování je komplexní syntéza dat za účelem stanovení hypotézy pomocí generativní AI. Otevíráme tak jedno z dalších témat z našeho kurzu AI v automotive na DiagAcademy. Ačkoliv se pokročilému uživateli může zdát, že pouhá syntéza dat je malým krůčkem, ze zkušenosti lektora AI dovedností si dovolím tvrdit, že se budeme zabývat pokročilými technikami, které ne každý zná a ovládá.

Předchozí díly najdete ZDE.

Krása moderních AI nástrojů a kódovacích asistentů spočívá v jejich soběstačnosti. S pokročilou znalostí interakce s AI si dokážete vytvořit softwarové nástroje pro analýzu a reprezentaci dat sami. AI pro vás netvoří jen odpovědi, ale celá řešení na míru. Jedno z budoucích využití AI spočívá právě v tom, že bude tvořit softwarová řešení pro naše potřeby a problémy, ale i nápady, jejichž řešení pro nás byla dříve nedostupná nebo nákladná.

Od teorie k praxi

Vybrali jsme pro vás jeden praktický příklad přípravy syntézy dat a analýzy logů. Zkušeného mechanika či diagnostika, který se s podobnou závadou již setkal, tento případ zřejmě nezaskočí a bude mu okamžitě jasné, odkud vítr vane. Je ale nutné dodat, že majitel, který vozidlo do servisu přivezl, byl sám automechanik a nevěděl si se závadou rady – což není překvapivé, když byla paměť závad prázdná. Jeho předchozí pokusy o opravu vedly pouze ke zbytečné výměně dílů, jako jsou klapky v sání a turbodmychadla. Průměrnému mechanikovi by pravděpodobně podobná závada dala zabrat. Nebudeme zde podrobně rozebírat celý případ, protože vozidlo mělo příliš mnoho doprovodných a nesouvisejících problémů, zejména po mechanické stránce. Na konci diagnostický případ shrneme. Pro nás je důležité, že jsme do analýzy zapojili nezávislého poradce s přibližným IQ 130 – Google Gemini 2.5 Pro –, opírajícího se o konkrétní data, která jsme mu poskytli.

Stručně k analyzovanému problému

Popis problému zákazníkem

Vozidlo přijelo do servisu se specifickými, avšak nejednoznačnými příznaky. Zákazník uvedl, že v autě přibývá olej, zvedá se jeho hladina a občas je vidět modrý kouř. Důležité bylo, že palubní diagnostika nehlásila žádnou chybovou hlášku a nerozsvítila se žádná kontrolka.

Předchozí pokusy o opravu (prováděné jinde) vedly ke zbytečné výměně dílů – klapky v sání a repasi turbodmychadla. Vozidlo bylo vybaveno neoriginálním filtrem pevných částic (obr. 23). Paměť závad je prázdná, žádná kontrolka nesvítí.

Identifikace vozidla

• Model: Passat CC
• Datum výroby: 18. 6. 2008
• Modelový rok: 2009
• Motor: CBAB (R4 2.0 TDI EA189)
• Výkon: 103 kW
• Systém: Bosch EDC17CP14-3.4
• SW: 03L 906 022 BL 9980
• HW: 03L 907 309

– Práce s AI

Celý proces práce s AI lze rozdělit na následující části:

1. Příprava a strukturalizace vstupních dat: V rámci pokročilých technik doporučujeme jako vstupní data používat surové textové a strukturované formáty, ideálně Markdown. Připravená textová data zde nazýváme datasety. Důvodem je i to, že kdybyste chtěli prompt použít v jednoduchém skriptu Python pro zřetězení volání do API, což pro základní analýzy stačí, je dobré mít data připravená ve formátu snadno čitelném pro generativní AI. O shromažďování dat zde také mluvit nebudeme, protože na internetu je dnes možné najít vše; stačí umět dobře používat pokročilé vyhledávání (deep research) ve službách jako Google Gemini nebo OpenAI ChatGPT, samozřejmě v rámci placených verzí. Některé datasety v našem promptu jsou popsány jen obecně, protože data jsou součástí našeho know-how, které předáváme studentům v rámci našich kurzů.

Na chvíli se zastavme u souhrnu dat, která dnešní multimodální modely dokážou zpracovávat. Dáme vám zde několik tipů, které lze použít, avšak podotýkáme, že některé specifické postupy v tomto článku sdílet nebudeme.

1. Digitální data z vozidla (základní pilíře)
2. Kompletní výpis paměti závad (včetně freeze frame dat): Toto je naprostý základ. Nejen chybový kód, ale hlavně data z „freeze frame“ (snímek stavu v okamžiku chyby) nám řeknou, za jakých podmínek chyba nastala (otáčky, teplota, zatížení motoru).
3. Logy ze sériové diagnostiky (.csv): Záznam z testovací jízdy. Kde se odvoláváme pomocí jiných datasetů na klíčové hodnoty jako tlaky, teploty, množství sazí (vypočítané vs. měřené), stav regenerace, korekce vstřikovačů atd.
4. Servisní historie vozidla (.txt): Zásadní kontext! Bylo auto na svolávací akci? Kdy se naposledy měnil olej? Měnil se některý snímač? Byl DPF „profesionálně“ čištěn? Atd. Atd. Tyto informace mohou zcela změnit pohled na problém. Bez nich AI (i člověk) často hádá.
5. Stav readiness kódů: Informace o tom, zda jsou dokončeny všechny cykly testování emisních systémů. Pokud nejsou „ready“, může to znamenat, že někdo nedávno mazal chyby a problém se maskuje.

• Expertní a kontextuální data (externí zdroje)
• Technické produktové informace (TPI): Textové dokumenty od výrobce popisující známé problémy pro daný model, motor a rok výroby. Je to jako dát AI k dispozici „tahák“ s nejčastějšími chybami. Kdo hledá, najde…
• Popis problému od zákazníka (.txt): Přesný přepis toho, co říká zákazník. „Auto cuká jen za studena.“ „Kontrolka se rozsvítí vždy na dálnici při jízdě do kopce.“ Tyto kvalitativní informace jsou pro AI nesmírně cenné pro určení kontextu, který v čistých datech chybí.
• Další skupinou jsou data, která zde v časopise nezveřejníme.

Pokud Vás článek zaujal a přejete si pokračovat v jeho přečtení, přihlaste se.