Comment Nissan accélère son cycle de développement de véhicules grâce à Sonatus

0:00 Présentation du podcast

Bienvenue dans ce nouvel épisode du podcast « Driving Innovation ».

Les véhicules modernes constituent de véritables prouesses en matière de conception et d'ingénierie, mais leur développement, leurs essais et leur validation sont de plus en plus complexes.

Aujourd’hui, nous allons découvrir comment l’un des principaux constructeurs automobiles mondiaux réorganise son processus de validation de pré-production grâce à une approche fondée sur les données et s’appuyant sur l’ AI, afin de simplifier ce processus complexe, de gagner en efficacité et, au final, de réduire les coûts.

Je suis votre animateur, Sanjay Khatri, et je suis ravi de vous présenter notre invitée, Sarah Dorey, ingénieure senior en planification électronique, codage et cybersécurité au Centre technique européen de Nissan. Sarah est ici pour nous expliquer comment le centre relève les principaux défis liés à la validation et accélère ses programmes de développement de véhicules grâce à Sonatus Collector AI et AI Technician.

Nous explorerons la puissance de la collecte de données pilotée par les événements, les informations révélées par la mise en relation des données entre les sous-systèmes complexes des véhicules, ainsi que la manière dont un flux de travail itératif en boucle fermée transforme en profondeur la façon dont ils mènent leurs analyses des causes profondes.

Sarah, merci de m'avoir rejointe pour ce podcast.

Bonjour, ravi de vous rencontrer. Je suis très heureux d'être de nouveau ici.

1:24 Les défis liés à la validation dans le développement des véhicules

Merci. Bon, alors allons droit au but. Votre organisation est au cœur du programme de développement des véhicules de Nissan, notamment pour des modèles primés et très populaires comme la Nissan LEAF et le Juke. Au fait, félicitations pour toutes les distinctions remportées par la Nissan LEAF. Quels étaient les défis liés à la validation auxquels vos équipes étaient confrontées et qui vous ont poussés à rechercher une approche différente ?

Oui, merci. C'est une excellente question, car c'est un défi auquel nous, ainsi que de nombreux équipementiers, avons été confrontés tout au long de la phase de développement.

Nous rencontrons souvent des difficultés lorsqu'il s'agit d'analyser les causes profondes dans l'ensemble de nos projets de développement standard.

Ce n’est pas inhabituel dans notre secteur, mais compte tenu de la distance qui sépare notre usine de production de nos deux centres de R&D en Europe – l’un au Royaume-Uni et l’autre en Espagne –, la collecte de données peut s’avérer très difficile. Il faut être sur place ou, à tout le moins, disposer d’une personne possédant les compétences, les connaissances et les capacités nécessaires, au bon endroit et au bon moment. Et ce n’est pas toujours le cas. Très souvent, on collecte des données, on rentre, puis on les analyse. Et même après cette analyse, on souhaite collecter davantage de données pour approfondir l’étude, analyser précisément quel calculateur présente quel problème dans quel scénario ou sur quelle connexion CAN. Il faut donc davantage de journaux de données, ce qui pose un petit problème si l’on a déjà quitté le site.

Par ailleurs, en ce qui concerne notre cycle de développement, à mesure que nous intégrons de nouveaux véhicules à la chaîne de production, des problèmes apparaissent au fur et à mesure de leur fabrication.

Selon le modèle traditionnel, les enregistreurs de données se mettent en marche dès que la batterie de 12 volts est branchée.

Mais nous ne savons pas ce que contient cet enregistreur de données tant qu'il n'est pas arrivé au bout de son parcours, que quelqu'un ne l'a pas récupéré, que les données n'ont pas été téléchargées et qu'on ne nous a pas signalé qu'elles étaient disponibles dans le cloud, ce qui nous permet alors de consulter à nouveau ces données.

Cela ralentit donc quelque peu le processus d'enquête et le rend assez long. Nous souhaitons accélérer nos démarches. Nous proposons d'excellents produits. Nous voulons pouvoir les mettre à la disposition de nos clients beaucoup plus rapidement.

Les produits sont également beaucoup plus complexes. Il y a donc de nombreux aspects liés au développement que nous devons examiner, et qui relèvent des préoccupations habituelles. Mais nous voulons nous assurer que le client n'en voie pas la trace.

Ce logiciel est extrêmement complexe. À cela s'ajoute la cybersécurité. Il y a beaucoup de choses à approfondir et nous voulons nous assurer qu'au moment où nous lancerons ce produit, le client bénéficiera du meilleur de ce que nos produits peuvent offrir. Cela nous a donc vraiment permis d'accélérer le processus et de renforcer la qualité que nous offrons à nos clients.

4 h 10 : La transformation numérique dans les processus de validation

Oui, j’ai l’impression que vous décrivez quelque chose que je pourrais qualifier de « numérisation » ou de « virtualisation » du processus, afin de le rendre plus dynamique, plus en temps réel, sans avoir à attendre des ressources, des véhicules d’essai, ni à effectuer tout un tas de transferts manuels, etc. En somme, cela réduit considérablement les frictions au sein de ce processus. Vous avez donc adopté un flux de travail davantage numérisé et basé sur l’ AI , grâce à Collector AI et AI Technician. Quels types de résultats avez-vous constatés ?

Oui, c'est vraiment très prometteur. Nous en sommes bien sûr encore à la phase de validation du concept pour le moment, mais les ingénieurs sont vraiment enthousiastes face aux perspectives qui s'offrent à nous. Comme je l'ai dit, jusqu'à présent, nous devions nous déplacer pour aller collecter des données.

Grâce au déploiement à distance des politiques, nous n'avons pas besoin de pouvoir faire cela. Et puis, le redéploiement des politiques est, là encore, très rapide et très simple.

On obtient des résultats très rapidement. Une fois ces données intégrées dans l’outil « AI Technician », on peut alors se lancer très rapidement dans l’analyse par arbre de défaillance (FTA). Nous pouvons alors mettre à profit notre expérience et notre formation pour poser les questions qui permettent d’exploiter les données, tandis qu’ AI Technician relie tous les éléments entre eux pour nous. Nous n’avons donc plus besoin de passer au crible différents sites SharePoint et différents fichiers pour rassembler toutes ces connaissances, ni d’aller interroger des collaborateurs à travers toute l’entreprise, car nous avons regroupé l’ensemble de notre savoir-faire Nissan et, grâce à AI Technician, nous pouvons tout synthétiser.

C'est donc vraiment passionnant de pouvoir agir aussi rapidement. Nous avons toujours besoin que tous nos ingénieurs au sein de notre entreprise puissent prendre ces décisions, mais ils peuvent au moins le faire plus rapidement grâce à un meilleur accès aux données, qui sont par ailleurs vraiment fiables. C'est donc un véritable atout pour nous.

6 h 04 : Accès à distance et collaboration internationale

Si je comprends bien, vous dites tout d’abord que cela permet à vos ingénieurs de travailler sur des véhicules sans avoir besoin d’y accéder physiquement. Vous éliminez ainsi en quelque sorte cette dépendance liée à la concurrence pour l’utilisation des véhicules d’essai. Ensuite, l’autre avantage est de pouvoir effectuer des opérations de manière dynamique, potentiellement même pendant un essai routier, je suppose, ce qui vous évite de devoir ramener le véhicule, le rééquiper, régler les enregistreurs installés à bord, etc. Est-ce ainsi que vous le décririez ? Et en quoi cela vous aide-t-il concrètement ? Vous avez évoqué une équipe internationale répartie sur plusieurs sites ; je suppose que vous collaborez également avec des collègues au Japon. En quoi tout cela vous aide-t-il collectivement ?

Oui, cela nous offre une grande flexibilité et une grande réactivité face aux situations.

Cette capacité à déployer les politiques à distance signifie que nous pouvons avoir une voiture qui roule sur la piste d’essai de Barcelone, mais que je peux y accéder d’ici, chez moi. Je peux le faire depuis le bureau. Une personne au Japon pourrait également consulter les données du tableau de bord. Ainsi, cette seule voiture et cet ensemble de données accessible à tous nous ouvrent véritablement de nouvelles perspectives pour exploiter pleinement notre flotte d’essai lorsque nous effectuons des tests d’une manière que nous n’avions pas nécessairement adoptée auparavant. En temps normal, les voitures d'essai sont affectées à une fonction et à un essai spécifiques. L'ajout de cet accès à distance signifie donc concrètement que nous disposons de ressources supplémentaires que tous les ingénieurs du monde entier peuvent exploiter. C'est vraiment très enthousiasmant.

Parlons de l'analyse.

Comme je l’ai mentionné plus tôt, les véhicules d’aujourd’hui sont extraordinaires, y compris ceux dont j’ai parlé. Mais ils sont également très complexes : ils comportent beaucoup d’électronique et ce que j’appellerais des « dépendances interdomaines », les fonctionnalités s’étendant sur plusieurs sous-systèmes.

Et souvent, je pense que relier tous ces éléments entre ces différents sous-systèmes peut s'avérer difficile, surtout lorsqu'on se concentre sur un silo de données en particulier.

En quoi AI Technician, associé à Collector AI, a-t-il aidé vos ingénieurs à faire le lien entre ces différents domaines ? Et quels types d'informations et de gains de temps cela a-t-il permis d'obtenir ?

8 h 33 AI Le rôle du technicien dans l'analyse des données

Les ingénieurs possèdent des compétences exceptionnelles, mais ils ne peuvent pas être experts dans absolument tous les calculateurs et tous les systèmes de véhicules aussi complexes. Et comme je l’ai déjà dit, dès lors que l’on ajoute la cybersécurité à tout cela, cela apporte vraiment une nouvelle dimension à notre travail.

En intégrant un technicien « AI » connecté au « Nissan Knowledge Data Lake », AI ce technicien peut rassembler toutes ces connaissances. Cela permet à chacun de devenir un expert.

Vous n’avez plus besoin d’attendre plusieurs jours qu’une personne vous réponde par e-mail. En substance, nous avons adopté l’approche suivante : lorsque nous menons une analyse des causes profondes sur un problème technique particulier, nous identifions les possibilités d’amélioration. Au cours de la mise en œuvre de notre preuve de concept, nous avons constaté que nous pouvions réduire la durée d’une analyse des causes profondes de deux semaines à deux jours. Et c’est une avancée considérable.

Mais comme il parvient à dépasser cette complexité, comme il permet à nos ingénieurs de relier tous ces points entre eux, c’est vraiment passionnant. J’apprécie énormément la façon dont il fait le lien avec mes connaissances sur Nissan, car je suis ingénieur. Je ne fais confiance à personne. Si vous me donnez une réponse, je veux des preuves.

Et il faut vraiment aller très loin pour que je vous croie. Or, « Technician Solution » y parvient : elle me répond dans mon propre langage. Elle commence par me citer des documents que j’ai probablement rédigés à un moment donné, puis elle entre dans tous ces détails qui me disent en substance : « Voilà pourquoi vous devriez me croire. » Mais elle m’explique également pourquoi elle a écarté d’autres possibilités. J’ai l’impression d’avoir une véritable conversation avec nos ingénieurs. Et cela me convainc donc qu’elle a véritablement puisé dans l’ensemble des connaissances dont nous disposons chez Nissan, et que nous pouvons nous appuyer sur de nombreuses années d’expérience pour me fournir une réponse de grande qualité. Ainsi, les ingénieurs abordent ce processus décisionnel en s’appuyant sur un bagage de connaissances très riche qui étaye leurs décisions, ce qui correspond exactement à notre objectif. C’est ce que nous faisons. Mais pour l’instant, cela prend beaucoup de temps. Grâce à l’ Sonatus AI , nous pouvons y parvenir beaucoup plus rapidement.

Intéressant. Oui, j’apprécie la façon dont cela vient compléter le travail des ingénieurs en leur offrant en quelque sorte un assistant qui peut aller chercher ces informations auxquelles ils n’ont peut-être pas accès, ou sur lesquelles ils ne disposent pas forcément de connaissances a priori. J’ai aussi l’impression qu’il s’agit d’une sorte de processus itératif, n’est-ce pas ? Donc, plutôt qu’un processus statique et linéaire — où l’on récupère des données, on effectue une analyse, on revient en arrière pour tester —, c’est en quelque sorte un processus séquentiel.

11 h 10 : Dynamique des flux de travail en boucle fermée

Pourriez-vous me décrire certains aspects du flux de travail en boucle fermée, notamment la manière dont ces données dynamiques sont analysées par un technicien d'AI , puis comment il est éventuellement possible de revenir en arrière et de procéder à des itérations ? Pourriez-vous m'en dire un peu plus sur la fréquence à laquelle ce genre de processus est utilisé et dans quelle mesure cela vous aide réellement ?

Oui, et les ingénieurs, ce sont ces enfants qui ont toujours grandi en demandant « pourquoi ». Pourquoi, pourquoi cela arrive-t-il ? Alors dès qu’un problème se pose ou qu’une question mérite d’être approfondie, c’est exactement ce qu’ils font. Vous me donnez des données, mais cela m’amène à me poser encore plus de « pourquoi ». C’est sur cette base que nous définissons nos politiques.

La recherche peut être assez large ; on peut donc simplement lui demander de rechercher tous les codes d'erreur (DTC) qui apparaissent sur un calculateur. L'outil les signalera et collectera automatiquement ces données. C'est vraiment génial. Mais on peut également choisir de capter les signaux CAN que l'on souhaite spécifiquement cibler.

Donc, si je sais que je recherche quelque chose en rapport avec cela sur le réseau CAN, je peux configurer le système en conséquence et il me fournira également ces données. Je peux ainsi effectuer ces collectes de données simultanées pour couvrir véritablement tout ce que je souhaite faire. Le système téléchargera automatiquement tous ces journaux de données sur AWS pour moi. Ces données sont alors stockées sur AWS, aux côtés de nos connaissances sur Nissan, et coexistent ainsi côte à côte.

Et grâce à AI Technician, on peut alors commencer à analyser tout ça. Ce qui est génial par la suite, c’est qu’on peut récupérer ces informations issues de l’analyse FTA, toutes ces réponses aux « pourquoi », et les réintégrer dans une politique avant de la redéployer. Ainsi, depuis notre interface utilisateur, que ce soit ici dans mon jardin, ou pour nos collègues en Espagne ou au Japon, partout dans le monde, on peut simplement redéployer cette politique. Et on peut continuer ainsi en boucle.

Grâce au système en boucle fermée, nous bénéficions d'une sécurité supplémentaire. Et les données de Nissan ne sont pas stockées dans le cloud d'un tiers. Il n'y a donc aucune vulnérabilité à ce niveau-là. Nous pouvons ainsi avoir l'assurance que toutes nos données sont conservées au même endroit, tout en pouvant les analyser en profondeur.

C'est vraiment génial, franchement.

13 h 19 : Conséquences sur les coûts et l'efficacité

Vous avez brièvement évoqué cette meilleure coordination entre les équipes internationales.

À mesure que vous étendez ces outils à des modèles tels que le futur Juke et la LEAF, quelle sera, selon vous, la prochaine étape en matière de tests intelligents AI et de validation assistée ?

Oui, merci. C'est désormais une véritable opportunité de tirer davantage parti de nos efforts de numérisation et de les réinjecter dans l'ensemble de ce processus. Et grâce à la validation de principe, nous pouvons identifier les avantages, puis nous nous lançons. Nous pouvons ensuite obtenir les recommandations du technicien [AI] qui nous ouvrent de nouvelles perspectives, qu’il s’agisse d’identifier des tendances à l’échelle de l’entreprise lorsque notre flotte signale certaines anomalies, ou simplement de sécuriser ces données sur l’ensemble de notre flotte : que ce soit pour un seul véhicule ou pour plusieurs. Nous pouvons alors commencer à déterminer où nous pouvons effectuer des tests simultanés.

Il se peut donc que ce soit moi qui aie besoin d'un ensemble de données. Il se peut aussi que deux ou trois de mes collègues aient également besoin d'un ensemble de données provenant de cette même voiture. Nous pouvons appliquer nos règles à ce seul véhicule. Nous n'avons pas besoin de trois véhicules différents.

C'est donc là que nous avons pu constater cette réduction sur les véhicules d'essai. Le coût est élevé, ce sont des prototypes. Ainsi, tout avantage que cela nous apporte constitue toujours un atout.

Eh bien, ça m’a été très utile, Sarah. Et je tiens vraiment à te remercier de nous avoir consacré un peu de ton temps précieux. Je sais que tu es très occupée, mais cela m’a vraiment été très utile. J’ai beaucoup appris. Je pensais en savoir beaucoup sur le projet sur lequel nous travaillons, mais j’ai sans aucun doute appris beaucoup de choses et tu as vraiment apporté un éclairage nouveau. Je tiens donc sincèrement à te remercier d’avoir été des nôtres.

Merci. Merci de m'avoir invité. C'est toujours un plaisir de discuter avec vous.

15 h 16 : Conclusion et points clés à retenir

Voilà qui nous amène à la fin d’un nouvel épisode riche en enseignements du podcast « Driving Innovation ». Nous avons vu comment le Centre technique européen de Nissan, avec l’aide d’ Sonatus , collecteur AI et d’ AI , technicien, est en train de transformer en profondeur les essais et la validation en pré-production. En tirant parti de la collecte de données événementielle et de workflows assistés par l’ AI en boucle fermée, Nissan Europe accélère le développement de ses véhicules, réduit ses coûts et améliore la coordination de ses équipes à l’échelle mondiale. Un immense merci à Sarah Dorey pour nous avoir expliqué comment cette approche intelligente des essais façonne l’avenir de modèles tels que le Juke et la LEAF. Nous avons hâte de vous présenter, dans les prochains épisodes, les prochaines étapes de l’évolution du développement et de la validation des véhicules assistés par l’ AI .