I veicoli moderni generano un volume enorme di dati diagnostici: registrazioni dei sensori, codici di errore, tracciati di rete, dati telemetrici provenienti da decine di centraline elettroniche (ECU). Con l’aumentare di questi dati, i team di ingegneri e di assistenza si stanno affidando all’ AI a applicata ai veicoli per riuscire a dare un senso a tali informazioni. Ma c’è un problema. La migliore ipotesi fornita da un singolo modello di AI non è sufficiente quando la risposta deve reggere al vaglio di un ingegnere o di un cliente che si trova allo sportello dell’assistenza di una concessionaria.
L'alternativa è l'AI e agenziale: smettere di chiedere a un unico modello una risposta univoca. Perché invece non affidare il caso a una stanza piena di specialisti dell'AI , far loro discutere il problema da diverse angolazioni e concordare una raccomandazione solo quando si raggiunge un vero consenso — oppure passare a un essere umano quando ciò non avviene?
Perché un unico modello “ AI ” non è sufficiente per la diagnostica dei veicoli
Le piattaforme di “ AI ” disponibili in commercio presentano due punti deboli strutturali quando si tratta di diagnostica dei veicoli. Innanzitutto, sono delle “scatole nere”: forniscono una risposta senza una catena di ragionamento trasparente, il che rende difficile per un ingegnere fidarsi, verificare o agire in base al risultato. In secondo luogo, i modelli linguistici di grandi dimensioni (LLM) sono intrinsecamente non deterministici; ponendo la stessa domanda due volte, si possono ottenere due risposte diverse. Per un addetto al servizio clienti o un ingegnere addetto alla convalida, tale incoerenza è inaccettabile. Le conclusioni diagnostiche devono essere ripetibili e difendibili, non solo plausibili.
Anziché affidarsi a un unico modello per analizzare un problema diagnostico dall’inizio alla fine, questo approccio " AI " (a più agenti) distribuisce il lavoro tra diversi agenti specializzati. Ciascuno di essi esamina lo stesso problema da una prospettiva diversa: uno potrebbe concentrarsi sui dati dei sensori e di telemetria, un altro sui modelli storici di guasti e sui problemi noti, un altro ancora sulla documentazione tecnica e sui registri di manutenzione, e un altro ancora sulla catena causale che collega i sintomi alla causa principale.
Questi agenti non si limitano a funzionare in parallelo e a essere poi mediati tra loro. A tutti gli effetti, discutono attivamente, confrontando i risultati, contestando le conclusioni deboli e convergendo verso un giudizio condiviso. Quando le prove sono solide e gli agenti sono d’accordo, il sistema produce un’unica raccomandazione spiegabile. Quando le prove sono scarse o gli agenti sono in disaccordo, il sistema deferisce la questione a un ingegnere o a un tecnico umano, anziché imporre un falso consenso.
Applicazione di questo approccio durante l'intero ciclo di vita del veicolo
Ciò che rende questo approccio particolarmente efficace è che non si limita a un singolo momento della vita di un veicolo. La stessa architettura agenziale si applica a entrambe le estremità del ciclo di vita:
- Fase pre-SOP (prima dell'avvio della produzione): Durante fase di sviluppo e convalida, i team di ingegneri utilizzano questo tipo di software diagnostico per veicoli AI per l’analisi delle cause alla radice, la correlazione dei dati tra diversi ambiti, la ricostruzione delle catene causali e l’integrazione delle conoscenze ingegneristiche, al fine di capire perché un prototipo o un veicolo di prova si comporti in modo inaspettato, prima che il problema raggiunga la linea di produzione.
- Fase post-SOP (dopo la messa in circolazione dei veicoli): una volta che i veicoli sono nelle mani dei clienti, lo stesso approccio di base supporta i concessionari e i team di assistenza sul campo, aiutando un consulente dell’assistenza a passare da un vago reclamo del cliente a una diagnosi confermata senza bisogno di una profonda competenza su ogni sottosistema del veicolo.
Le sfide e le fonti di dati variano a ogni fase, ma l’idea di fondo — ovvero che agenti specializzati discutano per giungere a una risposta sostenibile — accompagna l’intero ciclo di vita.
Un esempio di " Fastlane™ Platform "
Il Sonatus Fastlane Platform è un esempio pratico di come funziona. Fastlane™ Insight, il livello diagnostico della piattaforma, gli agenti di AI e dei veicoli mettono in correlazione i dati dei veicoli, i registri dei guasti, la documentazione tecnica e i registri storici delle indagini in un unico livello di intelligence, quindi applicano gli agenti di AI e dei veicoli per ragionare all'interno di quel contesto e ricostruire le cause alla radice.
Immaginate un guasto intermittente nella gestione della batteria segnalato su una manciata di veicoli in servizio. Un tecnico potrebbe correlare il guasto con i dati telemetrici e con i modelli precedenti a livello di flotta per verificare se si tratti di un problema già noto. Un altro potrebbe incrociare il codice di guasto con la documentazione tecnica e i dati di servizio ODX per identificare possibili cause alla radice. Un terzo potrebbe ricostruire la catena causale a partire dalle letture dei sensori che hanno preceduto il guasto. L’orchestrazione a ciclo chiuso di Fastlane Insightconsente a queste linee di indagine di procedere in parallelo, richiedendo automaticamente ulteriori dati sul veicolo se le prove non sono conclusive e inoltrando il caso a un ingegnere umano attraverso un flusso di lavoro predefinito quando gli agenti non riescono a giungere a una risposta certa.
Si tratta dello stesso modello che sta già dando i suoi frutti: un OEM globale sta valutando la piattaforma di Sonatus, basata su AI, per ridurre i tempi di analisi delle cause alla radice da due settimane a due giorni passando dalla convalida manuale in loco a un flusso di lavoro remoto, assistito d AI.
Il cambiamento più significativo
La tecnologia alla base di questo sistema va ben oltre la semplice generazione intelligente di suggerimenti. Si tratta di un cambiamento nelle aspettative che i team dovrebbero riporre in un software di diagnostic AI e per veicoli. Anziché affidarsi alla migliore ipotesi di un singolo modello, i team dispongono di un sistema progettato per raggiungere un vero e proprio consenso tra diversi punti di vista specialistici, per riconoscere quando tale consenso non è raggiungibile e per affidare il problema a un operatore umano. È proprio questa combinazione di spiegabilità, stabilità e escalation appropriata che trasforma la diagnostic AI e da una semplice demo interessante a uno strumento su cui ingegneri e tecnici possono fare affidamento.