Come Nissan sta accelerando il proprio ciclo di sviluppo dei veicoli con Sonatus

0:00 Introduzione al podcast

Benvenuti a un’altra puntata del podcast “ Driving Innovation ”.

I veicoli moderni rappresentano straordinarie imprese di progettazione e ingegneria, ma sono anche sempre più complessi da sviluppare, testare e convalidare.

Oggi approfondiremo come una delle principali case automobilistiche al mondo stia riorganizzando il proprio processo di convalida pre-produzione attraverso un approccio basato sui dati e supportato dall’ AI, con l’obiettivo di semplificare tale complessità, aumentare l’efficienza e, in ultima analisi, ridurre i costi.

Sono il vostro conduttore, Sanjay Khatri, e sono entusiasta di presentarvi la nostra ospite, Sarah Dorey, ingegnere senior per la pianificazione elettronica, la programmazione e la sicurezza informatica presso il Nissan Technical Center Europe. Sarah è qui per illustrarci come il centro stia affrontando le principali sfide di validazione e accelerando i propri programmi di sviluppo dei veicoli con l'aiuto di un addetto alla raccolta dati " Sonatus " AI e di un tecnico " AI ".

Esploreremo il potenziale della raccolta dati basata sugli eventi, le informazioni che si ottengono collegando i dati tra i complessi sottosistemi dei veicoli e come un flusso di lavoro iterativo a ciclo chiuso stia cambiando radicalmente il modo in cui viene condotta l’analisi delle cause profonde.

Sarah, grazie per aver partecipato a questo podcast.

Ciao, è un piacere conoscerti. È bellissimo essere di nuovo qui.

1:24 Le sfide della validazione nello sviluppo dei veicoli

Grazie. Sì, allora entriamo subito nel vivo dell’argomento. La vostra organizzazione è al centro del programma di sviluppo dei veicoli Nissan per modelli, direi, pluripremiati e molto apprezzati come la Nissan LEAF e la Juke. A proposito, complimenti per i numerosi riconoscimenti ottenuti dalla Nissan LEAF. Quali erano le difficoltà di validazione che i vostri team stavano affrontando e che vi hanno spinto a cercare un approccio diverso?

Sì, grazie. Ottima domanda, perché è un aspetto che ha rappresentato una sfida per noi e per molti OEM durante la fase di sviluppo.

Tendiamo a incontrare difficoltà quando si tratta di individuare le cause alla radice in tutti i nostri progetti di sviluppo standard.

Non è nulla di insolito nel settore, ma date le distanze tra il nostro stabilimento produttivo e i due centri di ricerca e sviluppo in Europa, uno nel Regno Unito e uno in Spagna, la raccolta dei dati può rivelarsi davvero difficile. Bisogna essere sul posto o almeno avere qualcuno con le competenze, le conoscenze e le capacità necessarie nel posto giusto al momento giusto. E non è sempre così. Molto spesso si raccolgono i dati, si torna in sede e li si analizza. E anche dopo tale analisi, si desidera effettuare un’ulteriore raccolta dati per approfondire davvero l’analisi, capire esattamente quale ECU presenti quale problema in quale scenario o su quale connessione CAN. Sono quindi necessari ulteriori registri di dati, il che, se ci si è già allontanati dal sito, rappresenta un piccolo problema.

Inoltre, per quanto riguarda il nostro ciclo di sviluppo, man mano che i veicoli vengono aggiunti alla linea di produzione, sorgono dei problemi durante la loro produzione.

Secondo il modello tradizionale, i registratori di dati si accendono non appena viene collegata la batteria da 12 volt.

Ma non sappiamo cosa contenga quel registratore di dati finché non raggiunge la fine della linea, qualcuno lo ritira, carica i dati e poi ci avvisa che sono disponibili sul cloud, così da poterli esaminare nuovamente.

Questo, quindi, rallenta un po’ il processo di indagine e lo rende piuttosto lungo. Vogliamo accelerare il nostro lavoro. Abbiamo prodotti davvero eccellenti. Vogliamo poterli far arrivare ai nostri clienti molto più rapidamente.

Anche i prodotti sono molto più complessi. Ci sono quindi molte questioni relative allo sviluppo che dobbiamo esaminare, si tratta di questioni standard. Ma vogliamo assicurarci che il cliente non se ne accorga.

Il software è davvero complesso. A ciò si aggiunge la sicurezza informatica. Ci sono molti aspetti da approfondire e vogliamo assicurarci che, al momento del lancio del prodotto, il cliente possa beneficiare del meglio che i nostri prodotti sono in grado di offrire. Questo ci ha davvero permesso di accelerare i tempi e di migliorare la qualità che offriamo ai nostri clienti.

4:10 La trasformazione digitale nei processi di convalida

Sì, quindi mi sembra di capire che tu stia descrivendo qualcosa che forse potrei definire come la digitalizzazione o la virtualizzazione del processo, in modo da renderlo più dinamico e in tempo reale, senza dover attendere le risorse, i veicoli di prova, effettuare una serie di trasferimenti manuali e così via. Insomma, si tratta di ridurre notevolmente gli attriti in quel processo. Quindi avete adottato un flusso di lavoro più digitalizzato e basato su AI grazie a Collector AI e AI Technician. Che tipo di risultati avete ottenuto?

Sì, è davvero molto promettente. Ovviamente al momento stiamo portando avanti il nostro progetto di prova di fattibilità, ma gli ingegneri sono davvero entusiasti delle opportunità che si prospettano. Come ho detto, di solito siamo costretti a spostarci per raccogliere i dati.

Grazie alla distribuzione remota delle politiche, non è necessario poterlo fare. E poi, anche la ridistribuzione delle politiche è molto rapida e semplice.

I risultati sono visibili in tempi davvero rapidi. Quando poi trasformiamo quei dati in un “ AI ” (analista di alberi di guasto), possiamo iniziare a esaminare l’FTA (analisi ad albero dei guasti) con estrema rapidità. Possiamo mettere a frutto la nostra esperienza e la nostra formazione per porre le domande giuste sui dati, e il tecnico " AI " ci aiuta a collegare tutti i punti. In questo modo non dobbiamo setacciare diversi SharePoint e file per raccogliere tutte le informazioni necessarie, né rivolgerci a persone in tutta l’azienda, perché abbiamo messo in comune tutte le nostre conoscenze su Nissan e, grazie al tecnico " AI ", possiamo riunirle tutte in un unico posto.

È davvero entusiasmante la rapidità con cui riusciamo a farlo. Abbiamo ancora bisogno che tutti i nostri ingegneri all’interno dell’azienda siano in grado di prendere queste decisioni, ma almeno possono farlo più rapidamente grazie a un maggiore accesso ai dati, che sono anche davvero affidabili. È quindi un vero vantaggio per noi.

6:04 Accesso remoto e collaborazione globale

Quindi, se ho ben capito, innanzitutto questo permette ai vostri ingegneri di lavorare sui veicoli senza dovervi accedere fisicamente. In questo modo si elimina, in un certo senso, quella dipendenza legata alla contesa per le risorse, in termini di veicoli di prova. L’altro aspetto è la possibilità di eseguire operazioni in modo dinamico, potenzialmente anche durante un giro di prova, presumo, in modo da non dover riportare indietro il veicolo, riadattarlo, regolare i registratori presenti a bordo e così via. È così che lo descriveresti? E in che modo questo vi aiuta, considerando che hai parlato di un team globale con più sedi, supponendo che abbiate interazioni anche con colleghi in Giappone? In che modo tutto questo vi aiuta collettivamente?

Sì, ci offre molta flessibilità e agilità nel reagire alle situazioni.

Questa capacità di applicare le politiche da remoto significa che possiamo avere un’auto che sta girando sul circuito di prova a Barcellona, ma io posso accedervi da qui, da casa mia. Posso farlo anche dall’ufficio. Anche qualcuno dal Giappone potrebbe controllare i dati della dashboard. Quindi questa singola auto e questo unico set di dati, accessibili a tutti, ci aprono davvero nuove opportunità per espandere notevolmente la nostra flotta di prova quando effettuiamo i test in un modo che non abbiamo necessariamente fatto prima. Normalmente, le auto di prova sono assegnate a una funzione specifica e a un test specifico. Quindi, l’aggiunta di questo accesso remoto significa davvero che abbiamo più risorse a disposizione di tutti gli ingegneri in tutto il mondo. È davvero molto entusiasmante.

Parliamo dell'analisi.

Come ho accennato all’inizio, i veicoli di oggi sono straordinari, compresi quelli che ho citato. Ma sono anche molto complessi: contengono molta elettronica e presentano quelle che definirei delle dipendenze trasversali, con funzionalità che coinvolgono più sottosistemi.

E spesso penso che collegare molti di quei punti tra i vari sottosistemi possa risultare difficile, soprattutto quando si ha a che fare con un particolare silo di dati.

In che modo AI Technician, in combinazione con Collector AI, ha aiutato i vostri ingegneri a collegare i vari elementi tra questi ambiti? E quali intuizioni e risparmi di tempo ne sono derivati?

8:33 Il ruolo del tecnico AI nell'analisi dei dati

Gli ingegneri hanno competenze eccezionali, ma non possono essere esperti di ogni singola centralina elettronica (ECU) e di ogni singolo sistema presenti in veicoli così complessi. E, come ho detto prima, se a tutto questo si aggiunge la sicurezza informatica, allora il nostro lavoro raggiunge davvero un livello completamente nuovo.

Per integrare un tecnico AI che si colleghi al Nissan Knowledge Data Lake, un tecnico AI può riunire tutte queste conoscenze. In questo modo, chiunque può diventare un esperto.

Non è necessario aspettare giorni per ricevere un’e-mail da qualcuno. In sostanza, abbiamo deciso che, quando conduciamo un’indagine sulle cause alla radice di un particolare problema tecnico, possiamo individuare dove si trova l’opportunità. Durante la fase di realizzazione del nostro proof of concept, abbiamo constatato che è possibile ridurre i tempi di un’indagine sulle cause alla radice da due settimane a due giorni. E questo è un risultato straordinario.

Ma proprio perché riesce a superare quella complessità, proprio perché è in grado di collegare tutti quei punti per i nostri ingegneri, è davvero entusiasmante. Mi piace moltissimo il modo in cui si ricollega alle mie conoscenze sulla Nissan, dato che sono un ingegnere. Non mi fido di nessuno. Se mi dai una risposta, voglio delle prove.

E bisogna andare davvero in profondità per convincermi. E la Technician Solution lo fa: mi risponde nella mia stessa lingua. Comincia a citarmi documenti che probabilmente ho scritto io stesso in passato e scende in tutta quella profondità che in effetti mi dice: “Ecco perché dovresti credermi”. Ma mi spiega anche perché ha scartato altre opzioni. Mi sembra proprio di avere una conversazione con i nostri ingegneri. E questo mi convince che abbia davvero attinto in profondità alle conoscenze di cui disponiamo in Nissan, su cui possiamo contare da molti anni per fornirmi una risposta di alta qualità, in modo che gli ingegneri affrontino il processo decisionale con un bagaglio di conoscenze davvero ricco a sostegno delle loro decisioni: è proprio questo l’obiettivo a cui miriamo. È quello che facciamo. Ma al momento è un processo che richiede molto tempo. Con l’ Sonatus AI possiamo ottenere lo stesso risultato in modo molto più rapido.

Interessante. Sì, mi piace il modo in cui questo strumento potenzi il lavoro degli ingegneri, fornendo loro quasi un assistente a supporto che può andare a reperire quelle informazioni a cui loro potrebbero non avere accesso, o di cui non sono intrinsecamente a conoscenza. Mi sembra anche che ci sia una sorta di processo iterativo, giusto? Quindi, piuttosto che un processo statico e lineare — in cui si ottengono dei dati, si fa un’analisi, si torna indietro e si effettua un test — si tratta di un processo sequenziale.

11:10 Dinamiche del flusso di lavoro a ciclo chiuso

Potresti descrivermi alcuni aspetti del flusso di lavoro a ciclo chiuso, ovvero come vengono gestiti questi dati dinamici, l’analisi di AI Technician e, eventualmente, il processo di revisione e iterazione su di essi? Potresti fornirmi qualche indicazione su quanto sia diffusa una pratica del genere e in che misura ti sia effettivamente d’aiuto?

Sì, e gli ingegneri sono quei ragazzi che sono sempre cresciuti chiedendo: «Perché?». Perché, perché succede questo? Quindi, ogni volta che si presenta un problema o c’è una questione da approfondire, è proprio quello che fanno. Mi dai dei dati, ma poi ho altri «perché» da approfondire. È su questo che basiamo le nostre politiche.

Può essere piuttosto generico, quindi possiamo semplicemente chiedergli di cercare qualsiasi codice DTC che compaia su una centralina. Il sistema lo segnalerà e raccoglierà automaticamente quei dati. È davvero fantastico. Ma possiamo anche selezionare i segnali CAN che vogliamo monitorare in modo specifico.

Quindi, se so di cercare qualcosa di correlato presente sulla rete CAN, posso impostarlo e il sistema me lo fornirà. In questo modo posso effettuare queste raccolte di dati simultanee per coprire davvero tutto ciò che mi interessa. Il sistema caricherà automaticamente tutti quei registri di dati su AWS per me. A quel punto, i dati si trovano su AWS insieme alle nostre conoscenze su Nissan e sono disponibili fianco a fianco.

E con AI Technician, possiamo quindi iniziare ad analizzare questi dati. La cosa interessante è che, una volta fatto questo, possiamo prendere tutte le informazioni raccolte dall’FTA, tutti quei “perché”, e reinserirle in una policy per poi ridistribuirla. Quindi, dalla nostra interfaccia utente, che sia qui nel mio giardino o quella dei colleghi in Spagna o in Giappone, possiamo semplicemente ridistribuire la policy. E possiamo continuare così in un ciclo continuo.

Con il sistema a circuito chiuso, abbiamo quindi quella sicurezza in più. E le informazioni di Nissan non sono archiviate nel cloud di qualcun altro. Quindi non ci sono vulnerabilità sotto questo aspetto. Possiamo quindi sentirci abbastanza sicuri che tutte le nostre informazioni siano conservate in un unico posto, pur potendo analizzarle in modo davvero approfondito.

È davvero fantastico, sul serio.

13:19 Impatto sui costi e sull'efficienza

Hai accennato un po’ a quel miglior allineamento tra i team globali.

Man mano che estendete l'uso di questi strumenti a modelli come la futura Juke e la LEAF, quale ritenete sia il prossimo passo nell'ambito del testing intelligente AI e della validazione assistita?

Sì, grazie. Ora abbiamo una vera opportunità per integrare maggiormente il nostro lavoro di digitalizzazione in tutto questo processo. E nella fase di prova di fattibilità possiamo individuare i vantaggi, e poi si parte. Possiamo quindi ottenere quelle raccomandazioni dal tecnico [AI] che ci offrono ulteriori opportunità, sia che si tratti di individuare tendenze a livello aziendale in cui la nostra flotta segnala determinate anomalie, sia che si tratti semplicemente di proteggere i dati di tutta la nostra flotta: possiamo farlo su un singolo veicolo o su molti veicoli. In questo modo possiamo iniziare a valutare dove è possibile effettuare test simultanei.

Quindi potrei essere io ad aver bisogno di un set di dati. Oppure potrebbero essere due o tre dei miei colleghi ad aver bisogno, a loro volta, di un set di dati relativo alla stessa auto. Possiamo applicare le nostre politiche a quell’unico veicolo. Non abbiamo bisogno di tre veicoli diversi.

È proprio in questo ambito che siamo riusciti a constatare tale riduzione sui veicoli di prova. Il costo è elevato, si tratta infatti di prototipi. Pertanto, qualsiasi vantaggio che ci consenta di ottenere questo risultato rappresenta sempre un successo.

Beh, è stato davvero utile, Sarah. E voglio davvero ringraziarti per aver dedicato il tuo tempo prezioso a noi. So che sei molto impegnata, ma questo incontro è stato davvero utile. E ho imparato molto. Pensavo di sapere già molto sul progetto a cui stiamo lavorando, ma ho sicuramente imparato molto e tu hai arricchito notevolmente la mia visione. Quindi voglio davvero ringraziarti per esserti unita a noi.

Grazie. Grazie per avermi invitato. È sempre un piacere chiacchierare con voi.

15:16 Conclusioni e punti chiave

E con questo giungiamo alla fine di un’altra puntata ricca di spunti del podcast “ Driving Innovation ”. Abbiamo visto come il Nissan Technical Center Europe, con l’aiuto di un addetto alla raccolta dati di Sonatus ( AI ) e di un tecnico di AI , stia cambiando radicalmente i test e la validazione pre-produzione. Sfruttando la raccolta dati basata sugli eventi e i flussi di lavoro assistiti da AI a ciclo chiuso, Nissan Europe sta accelerando lo sviluppo dei veicoli, riducendo i costi e ottenendo un migliore allineamento del team globale. Un enorme ringraziamento a Sarah Dorey per aver condiviso come questo approccio intelligente ai test stia plasmando il futuro di modelli come la Juke e la LEAF. Non vediamo l’ora di presentarvi ulteriori novità sull’evoluzione dello sviluppo e della validazione dei veicoli assistiti dall’ AI e nei prossimi episodi.