日產如何透過……來加速其車輛開發週期Sonatus

0:00 播客簡介

歡迎收聽《Driving Innovation 》播客的最新一集。

現代車輛是設計與工程領域的驚人成就，但其開發、測試與驗證的複雜性也日益增加。

今天，我們將深入探討一家全球領先的汽車製造商，如何透過數據驅動且借助AI 的協助，來重塑其量產前驗證流程，藉此簡化複雜程序、提升效率，並最終節省成本。

我是主持人桑傑·卡特里（Sanjay Khatri），非常高興為大家介紹今天的嘉賓——日產歐洲技術中心（Nissan Technical Center Europe）電子規劃、編碼與網路安全部門的高級工程師莎拉·多雷（Sarah Dorey）。莎拉今天將與我們探討該中心如何借助Sonatus CollectorAI 以及AI Technician，解決主要的驗證挑戰並加速其車輛開發計畫。

我們將探討事件驅動式資料蒐集的強大功能、透過串聯複雜車輛子系統的資料所揭示的洞見，以及迭代式閉環工作流程如何從根本上改變他們進行根本原因分析的方式。

莎拉，感謝你來參加這集播客節目。

嗨，很高興認識你。能再次來到這裡真是太棒了。

1:24 車輛開發中的驗證挑戰

謝謝。是的，那我們就直接進入正題吧。貴組織是日產汽車車輛開發計畫的核心，我應該要說，這項計畫涵蓋了像日產 LEAF 和 Juke 這樣屢獲殊榮且廣受歡迎的車款。順帶一提，恭喜日產 LEAF 榮獲各項大獎。貴團隊在驗證過程中遇到了哪些挑戰，以致於促使你們尋求不同的解決方案？

是的，謝謝。這是個很棒的問題，因為這正是我們和許多原始設備製造商（OEM）在開發階段一直面臨的挑戰。

在我們所有的標準開發專案中，進行根本原因調查時，我們往往會遇到困難。

這在業界並非罕見，但鑑於我們的製造廠與歐洲的兩處研發中心（分別位於英國和西班牙）相距甚遠，資料蒐集工作往往相當困難。你必須親臨現場，或者至少要在適當的時間將具備相關技能、知識與能力的人員派往正確的地點。 但現實情況往往並非如此。通常情況下，您會先進行資料蒐集，返回後再分析資料。即便完成分析後，您仍需進行更多資料蒐集，才能真正深入探究資料，徹底分析特定情境或特定 CAN 連接下，哪個 ECU 出現了什麼問題。因此需要更多的資料日誌，而若您已離開現場，這便會成為一個難題。

此外，就我們的開發週期而言，隨著越來越多車輛進入生產線，在生產過程中便會出現各種問題。

傳統的運作模式是，當接上 12 伏特電池時，資料記錄器便會開始運作。

但我們必須等到該數據記錄器抵達線路終點、有人將其回收、上傳數據，並通知我們數據已上傳至雲端，我們才能再次檢視該數據，否則無從得知記錄器中存有何種數據。

因此，這在某種程度上拖慢了調查進度，也讓整個過程變得相當冗長。我們希望加快工作進度。我們擁有如此優秀的產品，希望能更快地將它們提供給客戶。

這些產品也複雜得多。因此，有許多開發上的考量需要我們檢視，這些都是常見的考量。但我們希望確保客戶不會看到這些。

這套軟體非常複雜，再加上網路安全方面的考量。需要深入探討的內容很多，我們希望確保在產品上市時，客戶能夠獲得我們產品所能提供的最佳體驗。因此，這確實有效加速了開發進度，並進一步提升了我們為客戶提供的產品品質。

4:10 驗證流程中的數位轉型

是的，我聽您描述的這件事，或許我可以稱之為將流程「數位化」或「虛擬化」，使其更具動態性、更即時，無需等待資產、等待測試車輛，也不必進行大量手動轉移等操作。 我的意思是，這大大減少了該流程中的阻礙。所以，你們透過 CollectorAI 和AI Technician，採用了一種更數位化且具備AI 功能的工作流程。你們看到了哪些成效呢？

是的，這確實相當有前景。我們目前顯然正在進行概念驗證專案，但工程師們對這些機會都充滿熱忱。正如我所說，以往我們必須親自前往現場收集數據。

透過遠端部署政策，我們就不需要這樣做。此外，重新部署政策時，同樣地，過程既快速又簡單。

我們能迅速看到結果。當我們將這些資料匯入AI Technician 後，便能迅速展開 FTA（故障樹分析）。 我們可以運用自身的經驗與專業知識，提出能深入挖掘資料的核心問題，而AI Technician則會為我們串聯起所有關聯。因此，我們無需再在不同的SharePoint網站和檔案中逐一篩選以彙整相關知識，也不必四處向公司各部門人員請教，因為我們已將所有日產的專業知識匯集於此，並透過AI Technician將這些資訊整合在一起。

因此，我們能夠以如此快的速度完成這項工作，實在令人振奮。雖然我們仍需要公司內部的所有工程師來做出這些決策，但透過更廣泛且真正可靠的數據存取，他們至少能夠更迅速地完成決策。這對我們來說確實是一大優勢。

6:04 遠端存取與全球協作

所以，我理解您的意思是，首先，這讓工程師們無需實際接觸車輛，就能對車輛進行開發工作。這樣一來，便能消除在測試車輛資源方面所產生的爭用依賴性。其次，我推測這還能夠在測試駕駛過程中動態執行各項操作，如此一來，便無需將車輛開回、重新裝配，或是調整車載資料記錄器等繁瑣步驟。 那麼，您是否會這樣來描述這項技術？此外，這對您提到的跨國多據點團隊有何助益？假設您也與日本的同事有互動，這一切是如何整體上協助到你們的？

沒錯，這讓我們在應對各種情況時擁有極大的彈性與敏捷性。

這種遠端部署政策的能力意味著，即使有一輛車正在巴塞隆納的測試賽道上行駛，我仍能從家中存取該車輛的資料；也能在辦公室進行操作；甚至日本那邊的人也能同時查看儀表板數據。因此，這輛車與這組資料集能供所有人存取，確實為我們開闢了嶄新的可能性，讓我們在進行測試時，能以前所未有的方式廣泛運用整個測試車隊。 通常，測試車輛會被分配給特定的功能和特定的測試項目。因此，若能加入這項遠端存取功能，這確實意味著我們能為全球所有工程師提供更多可調用的資源。這真的非常令人振奮。

讓我們來談談這項分析吧。

正如我早先提到的，如今的車輛非常出色，包括我剛才提到的那些車款。但它們也相當複雜，含有大量電子元件，而且存在許多我所謂的「跨領域依賴關係」——各項功能往往橫跨多個子系統。

而且，我通常會認為，要將這些子系統之間的諸多關聯串聯起來，往往頗具挑戰性，特別是當你聚焦於某一個特定的資料孤島時。

AI 技術人員如何與 CollectorAI 協作，協助貴公司的工程師銜接這些領域之間的關聯？這又為貴公司帶來了哪些洞見，並節省了多少時間？

8:33AI 技術人員在資料分析中的角色

這些工程師的技術固然出類拔萃，但他們不可能對如此複雜的車輛中每一個電子控制單元（ECU）和每個系統都瞭若指掌。而且正如我之前所說，一旦再加上網路安全這層考量，我們所從事的工作確實就提升到了全新的層次。

透過導入能與日產知識資料湖（Nissan Knowledge Data Lake）串聯的「AI 」技術人員系統，AI 技術人員便能整合這些知識，讓每個人都能成為專家。

您不必再等上好幾天，才收到某人的電子郵件。基本上，我們採取的做法是：若針對特定技術問題進行根本原因調查，我們便能找出改善的契機。在進行概念驗證的過程中，我們發現根本原因調查的時間可以從兩週縮短至兩天。這可是巨大的進步。

但正因為它能突破這種複雜性，正因為它能為我們的工程師串聯起所有這些線索，這真的令人振奮。身為一名工程師，我非常喜歡它能將我的日產知識整合回來的這一點。我不輕易相信任何人。如果你要給我一個答案，我就要看到證據。

而且你必須深入剖析，才能讓我相信。而「技術人員解決方案」確實做到了——它用我能理解的語言向我闡述。它開始引用我過去可能寫過的文件，並深入探討所有細節，實際上是在告訴我：「這就是你應該相信我的原因。」但它同時也解釋了為何排除其他可能性。這感覺就像是我正在與我們的工程師進行對話。 正因如此，讓我確信它確實深入挖掘了日產所擁有的知識儲備；我們擁有多年累積的經驗可供調用，從而為我提供高品質的回覆，使工程師在決策過程中能以真正豐富的知識作為決策後盾——這正是我們所追求的目標。這本就是我們的做法。但目前這個過程相當耗時。透過「Sonatus 」AI ，我們能以更快的速度達成這一切。

很有意思。是啊，我喜歡它如何輔助工程師的工作——為他們提供了一位「旁側助手」，能夠主動去獲取那些他們可能無法取得，或是本身並不熟悉的信息。在我聽來，這似乎也是一種迭代的過程，對吧？ 也就是說，這並非一種靜態的線性流程——先取得一些資料、進行分析、再回去測試——而更像是一種循序漸進的過程。

11:10 閉環工作流程的動態分析

能否請您為我說明一下「閉環工作流程」的相關面向？具體來說，這類動態資料如何經由「AI Technician」進行分析，然後可能再回頭進行迭代優化？能否請您稍微分享一下，這類做法的普及程度如何，以及它實際上對貴公司有多大幫助？

沒錯，工程師就是那種從小就總愛問「為什麼」的孩子。為什麼？為什麼會發生這種事？所以每當遇到問題，或是需要調查某個疑點時，這就是他們會做的事。你給我一些數據，但我還會有更多「為什麼」需要深入探究。我們的政策就是基於這一點制定的。

這個範圍可以相當廣泛，因此我們只需要求系統搜尋 ECU 上出現的任何 DTC 代碼。系統會標記這些代碼，並自動收集相關資料。這真的很棒。此外，我們也可以針對特定目標，擷取我們想要鎖定的 CAN 訊號。

因此，如果我知道自己正在尋找與 CAN 網路相關的資料，就可以設定這項功能，系統也會將相關資料回傳給我。這樣一來，我就能同時進行這些資料蒐集作業，真正涵蓋我所有想要處理的項目。系統會自動將所有這些資料日誌上傳至 AWS。接著，這些資料就會存放在 AWS 中，並與我們的日產技術知識並列存放。

接著，透過AI Technician，我們便能開始深入分析這些資料。接下來最棒的一點是，我們可以將這些 FTA 分析結果——也就是所有「原因」的解析——整合回政策中，並重新部署。因此，無論是透過我的使用者介面（身處自家後院），還是全球各地如西班牙或日本的同仁，我們都能輕鬆重新部署該政策。而且，我們可以持續進行這個循環。

透過閉環系統，我們便獲得了額外的安全保障。而且日產的資料並未存放在他方的雲端中，因此在這方面不存在任何安全漏洞。因此，我們可以相當放心，所有資料都集中存放於一處，同時還能對這些資料進行深入分析。

所以這真的超酷的，真的。

13:19 對成本與效率的影響

你稍微談到了全球團隊之間如何實現更佳的協調。

當您將這些工具應用至即將推出的 Juke 和 LEAF 等車型時，您認為在智慧測試AI 輔助驗證方面，下一步該如何發展？

是的，謝謝。現在確實是一個絕佳的機會，讓我們能將更多數位化成果回饋到整個流程中。而在概念驗證階段，我們能看出優勢所在，接著便能著手推進。 接著，我們可以從 [AI] 技術人員那裡獲得相關建議，這些建議將為我們創造更多機會，無論是觀察全公司範圍內的趨勢——例如車隊中出現某些異常狀況——還是單純想確保整個車隊的資料安全，無論是單一車輛還是多輛車輛，我們都能處理。因此，我們便能開始探索哪些環節可以進行同步測試。

所以，可能是我需要一套資料集；也可能是我的兩三位同事同樣需要同一輛車的資料集。我們可以針對那輛車制定相關政策，不需要三輛不同的車。

因此，我們得以在測試車輛上觀察到這種減輕。由於成本高昂，這些都是原型車。所以，若能藉此獲得任何優勢，對我們來說都將是一大勝利。

莎拉，這真的幫了大忙。我真的很想感謝你撥冗分享寶貴的時間。我知道你非常忙碌，但這次交流真的非常有幫助，我也學到了很多。我原本以為自己對我們正在進行的專案已經相當了解，但這次確實學到了不少，而且你為這個專案增添了許多生動的細節。所以，我真的很感謝你今天能加入我們。

謝謝。感謝你們的邀請。能和大家聊聊總是很棒。

15:16 結論與重點摘要

至此，本集《Driving Innovation 》播客又一集充滿洞見的內容已告一段落。我們見證了日產歐洲技術中心（Nissan Technical Center Europe）在「Sonatus 」資料擷取專家莎拉·多瑞（AI ）及「AI 」技術人員的協助下，如何從根本上改變量產前測試與驗證流程。透過運用事件驅動的資料擷取技術，以及由AI 輔助的閉環工作流程，日產歐洲正加速車輛開發進程、降低成本，並實現全球團隊間更佳的協作。 非常感謝 Sarah Dorey 分享這套智慧測試方法如何塑造 Juke 和 LEAF 等車型的未來。我們期待在未來的節目中，為您帶來更多關於AI 輔助車輛開發與驗證演進的最新動態。