14 Δεκέμβριος 2017

Πως τα μεγάλα δεδομένα και η τεχνητή νοημοσύνη θα αναδιαμορφώσουν την αυτοκινητοβιομηχανία

του Ben Lorica.
Σε αυτό το επεισόδιο του Data Show, μίλησα με τον Ευάγγελο Σιμούδη, συνιδρυτή της Synapse Partners και συχνό συνεργάτη της O'Reilly. Πρόσφατα δημοσίευσε ένα βιβλίο με τίτλο “The Big Data Opportunity in Our Driverless Future”, και ήθελα να μου πει την γνώμη του σχετικά με τη βιομηχανία των μεταφορών και με τον ρόλο που θα έχουν τα μεγάλα δεδομένα και οι αναλύσεις για το μέλλον της.

Ο Σιμούδης είναι επιχειρηματίας ενώ επίσης συμβουλεύει και επενδύει σε πολλές νέες τεχνολογίες. Έδειξε ενδιαφέρον για τον κλάδο της αυτοκινητοβιομηχανίας πολύ πριν το σημερινό κύμα των νεοφυών επιχειρήσεων, όταν ακόμη τα αυτόνομα οχήματα ήταν στο στάδιο του σχεδιασμού.

Ακολουθούν μερικά από τα κυριότερα σημεία της συζήτησής μας:

Για την κατανόηση της αυτοκινητοβιομηχανίας

Όσο περισσότερο άρχισα να ασχολούμαι με την αυτοκινητοβιομηχανία, τόσο περισσότερο συνειδητοποιούσα το εξής, ότι δηλαδή η καθιερωμένη αυτοκινητοβιομηχανία κινδυνεύει να διαταραχθεί λόγω της αυτόνομης τεχνολογίας των οχημάτων και λόγω των διάφορων μορφών που έχουν οι υπηρεσίες κινητικότητας, οι οποίες απορρέουν από νέα επιχειρηματικά μοντέλα.

Εάν εξετάζατε την αυτοκινητοβιομηχανία, το πρώτο πράγμα που θα σας έκανε εντύπωση είναι ότι οι πολύ μεγάλες εταιρείες, οι οποίες ελέγχουν τις διαφορετικές μάρκες, είναι ελάχιστες. Με την GM, μιλάμε για την Chevy, την Buick και την Opel στην Ευρώπη. Υπάρχει ένας πολύ μικρός αριθμός εταιρειών, οι οποίες ελέγχουν αυτή τη βιομηχανία αξίας τρισεκατομμυρίων δολαρίων.

Κάτι επίσης ενδιαφέρον είναι ότι αυτές οι εταιρείες είναι υπεύθυνες για το σχεδιασμό του οχήματος, την κατασκευή του, τη συναρμολόγησή του, τη μεταποίηση και στη συνέχεια τη δημιουργία ζήτησης, ενώ η πώληση του οχήματος γίνεται μέσω των αντιπροσώπων. Και δίνουν σχετικά λίγη προσοχή σε ό, τι συμβαίνει μετά την πώληση. Συνεπώς, υπάρχει σχετικά μικρή κατανόηση για την συμπεριφορά των καταναλωτών.

Η τρίτη παρατήρηση είναι ότι ο λόγος που υπάρχουν τόσες λίγες εταιρείες τέτοιου είδους είναι επειδή η ίδρυσή τους παρουσιάζει μεγάλη ένταση κεφαλαίου. Και αν παρατηρήσετε πόσα χρήματα κατάφερε να συγκεντρώσει μια επιχείρηση όπως η Tesla, παίρνετε μια ιδέα για το τι είδους κεφάλαιο χρειάζεται. Η επόμενη παρατήρηση είναι ότι παρόλο που έχει συγκεντρωθεί μεγάλο κεφάλαιο, τελικά αποτελεί μια επιχείρηση με σχετικά μικρό περιθώριο κέρδους. Έτσι προσπαθείτε να το διορθώσετε με τον όγκο. Γι 'αυτό, αν κοιτάξετε όλες αυτές τις εταιρείες, έχουν εξαιρετικά προηγμένες αλυσίδες εφοδιασμού, εξαιρετικά εξελιγμένες γραμμές παραγωγής, και είναι τελειοποιημένες, επειδή προσπαθούν να διατηρήσουν τα στενά αυτά περιθώρια.

Υποδομή για τα αυτόνομα οχήματα

Ένα όχημα πρέπει να γνωρίζει πολύ καλά το τι συμβαίνει γύρω του. Αυτό σημαίνει ότι πρέπει να λαμβάνει σήματα από δρόμους, γέφυρες, άλλα οχήματα. ... Ο όρος που χρησιμοποιούν οι άνθρωποι για να το περιγράψουν είναι V2X ή επικοινωνία όχημα-προς-οτιδήποτε.

Θα χρειαστεί πολύς χρόνος μέχρι τα αυτόνομα οχήματα να αποτελούν την πλειοψηφία. Επομένως, χρειαζόμαστε υποδομές που θα επιτρέπουν στα αυτοκίνητα να λειτουργούν με ασφάλεια σε έναν υβριδικό κόσμο μεταξύ αυτόνομων και χειροκίνητων οχημάτων. Πιστεύω πως τα πειράματα που σήμερα γίνονται μόνο σε μερικές δεκάδες αυτοκίνητα θα επεκταθούν μέσα στα επόμενα χρόνια. Επίσης πιστεύω ότι τα αποτελέσματα αυτών των πειραμάτων θα μας δώσουν μια εκτίμηση για τις επενδύσεις που πρέπει να κάνουμε και για το πώς να τους δώσουμε προτεραιότητα, καθώς επίσης και για τους κανονισμούς που θα χρειαστεί να θεσμοθετήσουμε ώστε να λειτουργήσει αυτό το είδος υβριδικού περιβάλλοντος με ασφάλεια.

Τεχνητή νοημοσύνη και μεγάλα δεδομένα

Το ακόλουθο επιχείρημά μου στηρίζεται στις γνώσεις μου πάνω στην τεχνητή νοημοσύνη και στην ενασχόλησή μου με αυτή από τα μέσα της δεκαετίας του '80. Πιστεύω λοιπόν ότι η μηχανική μάθηση είναι σημαντική, όμως αυτό δεν συνεπάγεται ότι είναι και ο μοναδικός παράγοντας. Προκειμένου να δημιουργηθεί ένα αυτόνομο όχημα, χρειάζεται κάτι περισσότερο από την μηχανική μάθηση. Και, φυσικά, στο πλαίσιο της μηχανικής μάθησης έχουμε την μάθηση νευρωνικών δικτύων και την βαθιά μάθηση, και αυτοί είναι πολύ σημαντικοί τομείς.

Όμως πρέπει να γίνει αντιληπτό ότι ένα αυτόνομο όχημα οφείλει να έχει την ικανότητα να προγραμματίζει, να αιτιολογεί, να εκπροσωπεί τη γνώση και να ερευνά. Όλα αυτά αποτελούν στοιχεία της τεχνητής νοημοσύνης. Αυτό που ελπίζω να μεταδώσω είναι ότι δεν πρόκειται μόνο για την μηχανική μάθηση και πιο συγκεκριμένα ούτε για την βαθιά μάθηση. Ο λαϊκός Τύπος, κατά την γνώμη μου, ωθεί τους πάντες να πιστεύουν ότι πρόκειται μόνο για την βαθιά μάθηση.

Υπάρχει η αυτόνομη καθοδήγηση της τεχνολογίας, επίσης υπάρχει και το σύννεφο δεδομένων, όπου γίνεται επεξεργασία, αποθήκευση και ανάλυση μεγάλων δεδομένων. Νομίζω ότι θα έχουμε πολλούς παροχείς σύννεφων. Στην πραγματικότητα, στοιχηματίζω σ' αυτό μέσω των επενδύσεών μου στο διάστημα. Πιστεύω ότι αυτοί οι παροχείς θα βρίσκονται στο επίπεδο εφαρμογής. Έτσι, αυτοί οι παροχείς μπορεί να χρησιμοποιούν υποδομές όπως το σύννεφο της Microsoft ή του Amazon ή κάποιο άλλο σύννεφο αυτού του είδους.

Πηγή: oreilly.com