現代の車両からは、センサーログ、故障コード、ネットワークトレース、数十個のECUからのテレメトリなど、膨大な量の診断データが生成されています。データ量が増加するにつれ、エンジニアリングチームやサポートチームは、そのデータを分析・理解するために車両用AI の活用を進めています。しかし、問題があります。エンジニアの厳しい検証や、ディーラーのサービスカウンターに立つ顧客の質問に耐えうる回答を得るためには、AI の単一モデルによる「最善の推測」だけでは不十分なのです。 

自動車業界は、今まさに驚異的な変革の真っ只中にあります。車両に導入される新技術には、ソフトウェアの増加、電動パワートレイン、そして新しいセンサーなどが含まれます。しかし、おそらく最も重要な変化は、人工知能の導入でしょう。今日、車両のAI はもはや未来の概念ではありません。

このシリーズの最初の2回では、「エージェントループ」をアーキテクチャとして位置づける根拠――それが解決する問題や、検知から学習に至る5つの段階のそれぞれで何が起こるか――について解説しました。今回の最終回では、それよりも……

本シリーズの第1部では、自動車業界のデータインフラがインテリジェンスインフラを凌駕してしまった理由を解説し、そのギャップを埋めるためのSonatusのフレームワーク「Agentic Loop」を紹介しました。その流れは、検出 → 収集 → 推論 → 実行…というものです。

自動車エンジニアの多くが経験する瞬間があります。試乗中に不具合が発生する――温度の異常、車両ネットワーク上の予期せぬメッセージ、本来あるべきではない一時的なシステムの挙動などです。エンジニアはそれに気づきます。そして……

自動車の診断およびデバッグのプロセスは、AIを活用した最適化によって大きな恩恵が得られる極めて重要な分野です。現代の自動車はかつてないほど複雑化しており、中には1,400個ものコンピュータチップを搭載しているものもあります。そのため、生産前の段階における自動車エンジニアと、生産後の自動車整備サービス技術者の双方を支援することは、自動車メーカーと消費者の双方に多大なメリットをもたらすことができます。

自動車業界における人工知能（AI ）といえば、自動運転機能やデジタルアシスタントを連想することが多い。しかし、現在、自動車の所有における中核となる部分、すなわちサービスやメンテナンスのあり方を一変させようとする、目立たない変革が進んでいる。