Ridefinire il panorama dei servizi post vendita nell’industria dell’Automotive attraverso l’adozione dell’intelligenza artificiale: è questo lo scopo di AI cares, uno dei progetti finanziati nell’ambito del quarto bando del centro di competenza Bi-Rex.
Il progetto, sviluppato dalla startup innovativa SNJ Media Studio rientra nell’ambito dell’innovazione AI per l’eccellenza nei servizi post vendita.
L’obiettivo principale era sviluppare una soluzione che attraverso l’uso di tecnologie avanzate, come AI generativa, potesse dare del valore ad applicazioni specifiche partendo da un caso d’uso nel settore Automotive per poi scalare su altre applicazioni.
Indice degli argomenti
Il progetto AI cares
Il progetto si è concentrato su un caso d’uso specifico nel settore automotive, per quanto riguarda la riparazione delle auto e in particolare gli ADAS (sistemi di supporto alla guida).
La missione del progetto era quella di produrre un sistema di assistenza intelligente per carrozzieri e tecnici, con l’obiettivo di creare un miglioramento dell’esperienza utente e una semplificazione dell’ottenimento di certe informazioni utili per effettuare l’operazione di calibrazione.
Nello specifico, l’obiettivo del caso di studio è stato quello di migliorare l’assistenza per la manutenzione dei sistemi di guida avanzata (ADAS), che presentano notevoli differenze tra le case produttrici e i modelli.
Il progetto mirava a fornire un’assistenza passo passo, un riconoscimento automatico del veicolo e dei sensori (anche tramite il numero di telaio – VIN), una base di conoscenza centralizzata con integrazione di manuali, un arricchimento dell’esperienza utente, aggiornamenti automatici e un adattamento continuo ai nuovi modelli e sensori, con l’obiettivo ideale di raggiungere una calibrazione precisa per ogni modello.
Un ulteriore scopo era quello di valutare l’integrazione con gli strumenti esistenti e di raccogliere i dati durante le operazioni per creare un’ulteriore base di conoscenza e applicare il machine learning.
Intelligenza Artificiale Generativa a servizio dell’Automotive
L’applicazione di tecnologie avanzate, tra cui l’AI generativa, ha permesso di raggiungere i diversi obiettivi del progetto.
Efficientare il processo di calibrazione nei veicoli ADAS
Uno degli obiettivi era quello di efficientare il processo di calibrazione negli interventi di riparazione delle auto e in particolare gli ADAS.
Il processo tradizionale, infatti, comportava una serie di sfide significative legati alla necessità di consultare numerosi manuali tecnici, spesso voluminosi e complessi da navigare.
Una seconda sfida era legata alla variabilità significativa nelle procedure a seconda del costruttore e del modello specifico del veicolo. Inoltre, implicava la conoscenza e l’utilizzo di diverse strumentazioni, anche in base ai vari produttori di queste attrezzature.
Questo processo lasciava margine a errori di calibrazione con conseguenze sulla sicurezza, implicazioni legali, costi aggiuntivi per ripetere l’operazione e tempi di fermo macchina prolungati.
Il progetto AI cares ha fornito una soluzione in grado di semplificare e accelerare il processo di calibrazione per i veicoli ADAS, riducendo la dipendenza dalla memoria del tecnico o dalla necessità di consultare manualmente diverse fonti.
Il suo funzionamento si basa sull’architettura RAG (Retrieval Augmented Generation). Il sistema AI interviene per assistere il processo di calibrazione nelle sue diverse fasi, a partire dall’identificazione del veicolo.
Il tecnico può fornire al sistema il numero di telaio (VIN) del veicolo, la targa o persino caricare un’immagine del libretto dell’auto tramite l‘Optical Character Recognition OCR. L’AI è in grado di identificare esattamente il modello, l’allestimento e i sistemi installati
Una volta identificato il veicolo, il sistema AI estrae dalla sua knowledge base centralizzata (che contiene manuali tecnici e altre fonti dati) le informazioni specifiche necessarie per la calibrazione. Queste informazioni vengono presentate al tecnico in modo puntuale e preciso.
Le informazioni fornite dall’AI includono dettagli fondamentali come le distanze tecniche da rispettare dal pannello di calibrazione e l’identificazione del pannello di calibrazione necessario per quel particolare veicolo. Possono essere fornite anche istruzioni passo passo.
I tecnici possono interagire con il sistema tramite un pannello touch, un normale computer o persino tramite comandi vocali (speech-to-text), offrendo flessibilità in base alle esigenze operative.
La base di conoscenza del sistema viene aggiornata automaticamente con le informazioni relative ai nuovi modelli e sensori, garantendo che i tecnici abbiano sempre accesso alle informazioni più recenti
Migliorare l’esperienza utente
Un secondo obiettivo del progetto AI cares era quello di migliorare l’esperienza utente (vale a dire quella di carrozzieri e tecnici).
A tal fine, sono stati impiegati NLP (Natural Language Processing) per consentire ai tecnici di interagire con il sistema in modo naturale, utilizzando il linguaggio parlato o scritto per formulare le proprie domande relative alle procedure di calibrazione.
L’NLP ha permesso al sistema di comprendere l’intento dietro le richieste, anche in presenza di variazioni nel linguaggio.
L’uso dell’Optical Character Recognition (OCR ) ha semplificato l’acquisizione di informazioni cruciali come il numero di telaio (VIN) direttamente da un’immagine del libretto dell’auto. Questo ha permesso di identificare rapidamente e accuratamente il modello specifico del veicolo e le sue configurazioni.
Infine, per rendere l’accesso alle informazioni intuitivo e veloce, è stata sviluppata un’interfaccia utente intuitiva, che è stata integrata nel flusso di lavoro dei tecnici senza creare ulteriori complessità.
Creare una base di conoscenza centralizzata e in continuo aggiornamento
Un altro obiettivo era quello di creare una base di conoscenza centralizzata, quindi indipendente dal sapere di ogni singolo operatore, che potesse essere sempre aggiornata.
La creazione di un repository centralizzato di informazioni tecniche ha permesso di superare la necessità di consultare manualmente numerosi manuali e fonti diverse.
Il sistema, inoltre, è stato progettato per incorporare nuove informazioni relative a nuovi modelli di auto e aggiornamenti dei sistemi ADAS. Il meccanismo di feedback dagli utenti (reinforcement learning) ha consentito al modello di migliorare costantemente la precisione e la qualità delle risposte in base alle interazioni reali.
Ottimizzare il flusso del lavoro e anticipare le necessità
La base di conoscenza creata ha permesso di ottimizzare il flusso del lavoro, anticipando anche potenziali necessità.
L’accesso rapido e preciso alle informazioni ha contribuito a ridurre i tempi necessari per la calibrazione, mentre la capacità del sistema di “ricordare” il contesto delle conversazioni (tipica dei sistemi RAG) ha permesso interazioni più fluide ed efficienti.
Inoltre, è stata esplorata la possibilità di utilizzare i dati raccolti per implementare una fase predittiva, come suggerire gli strumenti necessari in base al tipo di intervento, ottimizzando la logistica delle operazioni “on the road”
AI cares, le fasi del progetto
Il progetto AI cares ha visto la collaborazione di SNJ Media Studio con BitBang, azienda specializzata in data science, data engineering e intelligenza artificiale.
BitBang si è occupata di un’analisi iniziale (assessment), finalizzata a misurare la distanza di SNJ Media Studio dal livello di innovazione desiderato e a identificare i gap da colmare.
Un aspetto cruciale dell’assessment è stata la definizione degli use case, con la decisione di concentrarsi sulla calibrazione ADAS, e l’analisi delle fonti dati disponibili per il progetto.
La fase di sviluppo vero e proprio della soluzione è durata circa sei mesi. BitBang ha avuto un ruolo specificamente tecnico in questa fase, occupandosi dell’analisi di fattibilità, della progettazione e della realizzazione tecnica del sistema basato sull’intelligenza artificiale generativa e sull’NLP.
Questo ha incluso la scelta e l’implementazione di servizi AWS come Bedrock (con modelli come Cloud di Anthropic e Polly), Sagemaker e altri.
SNJ Media Studio ha fornito la conoscenza del dominio specifico (settore automotive e post-vendita) e collaborando con un utilizzatore finale (un esperto del settore) per definire i requisiti, addestrare il modello e testare la soluzione sul campo.
Dopo lo sviluppo, la soluzione è stata sottoposta a una fase pilota e a una successiva ottimizzazione e miglioramento continuo. SNJ Media Studio ha svolto un ruolo chiave nell’integrazione sul campo della soluzione, testandola in scenari reali per valutarne l’efficacia e identificare aree di miglioramento.
BitBang ha continuato a fornire supporto tecnico durante questa fase, contribuendo all’ottimizzazione del sistema in base ai feedback ricevuti.
BitBang, inoltre, ha erogato una formazione specifica a SNJ Media Studio per trasferire le competenze necessarie per utilizzare, interpretare e potenzialmente sviluppare ulteriormente la tecnologia implementata.
Questa formazione ha coperto aspetti teorici (AI, machine learning, big data), l’utilizzo della piattaforma AWS e la gestione dei costi di un sistema RAG. L’obiettivo era rendere SNJ Media Studio autonomo nella gestione del sistema.
AI cares, i prossimi passi
Uno dei prossimi passi è quello di integrare il sistema AI cares con diverse piattaforme e strumenti già in uso dai carrozzieri e dai tecnici. L’obiettivo è rendere il sistema ancora più parte integrante del flusso di lavoro quotidiano.
Si sta valutando la possibilità di facilitare la creazione di community di operatori (carrozzieri, meccanici, ecc.) per favorire lo scambio di informazioni ed esperienze. Questo aspetto è considerato importante anche indipendentemente dall’intelligenza artificiale, suggerendo un focus sulla collaborazione nel settore.
