Blog

Jul 29, 2023

Startup crea modelos para detectar patrones de fallas de vehículos

Cuando se trata de preservar los márgenes de beneficio, los científicos de datos de los fabricantes de vehículos y repuestos están sentados en el asiento del conductor. Viaduct, que desarrolla modelos para la inferencia de series temporales, está ayudando

Cuando se trata de preservar los márgenes de beneficio, los científicos de datos de los fabricantes de vehículos y repuestos están sentados en el asiento del conductor.

Viaduct, que desarrolla modelos para la inferencia de series temporales, está ayudando a las empresas a obtener información sobre fallas a partir de los datos capturados en los automóviles conectados de hoy. Lo hace aprovechando los datos de los sensores y haciendo correlaciones.

La startup de cuatro años, con sede en Menlo Park, California, ofrece una plataforma para detectar patrones anómalos, rastrear problemas e implementar predicciones de fallas. Esto permite a los fabricantes de automóviles y proveedores de repuestos abordar los problemas con datos en tiempo real para reducir los reclamos de garantía, los retiros del mercado y los defectos, dijo David Hallac, fundador y director ejecutivo de Viaduct.

"Viaduct se ha implementado en más de 2 millones de vehículos, ayudó a evitar 500.000 horas de tiempo de inactividad y ahorró cientos de millones de dólares en costos de garantía en toda la industria", dijo.

La empresa confía en las GPU NVIDIA A100 Tensor Core y el marco NVIDIA Time Series Prediction Platform (TSPP) para entrenar, ajustar e implementar modelos de series temporales, que se utilizan para pronosticar datos.

Según la empresa, Viaduct se ha desplegado con más de cinco importantes fabricantes de turismos y camiones comerciales.

"Los clientes lo ven como un gran ahorro; las cosas que estamos afectando son grandes en términos de rentabilidad", dijo Hallac. "Es el impacto del tiempo de inactividad, el impacto de la garantía y la ineficiencia en el desarrollo de productos".

Viaduct es miembro de NVIDIA Inception, un programa que brinda a las empresas soporte tecnológico y orientación sobre plataformas de inteligencia artificial.

El camino de Hallac hacia Viaduct comenzó en la Universidad de Stanford. Mientras era doctorado. Como estudiante allí, Volkswagen llegó al laboratorio en el que se encontraba con datos de sensores recopilados de más de 60 conductores a lo largo de varios meses y una subvención de investigación para explorar usos.

La cuestión en la que profundizaron los investigadores fue cómo comprender los patrones y tendencias en la considerable cantidad de datos de vehículos recopilados durante meses.

Los investigadores de Stanford, en coordinación con el Laboratorio de Investigación Electrónica de Volkswagen, publicaron un artículo sobre el trabajo, que destacaba Drive2Vec, un método de aprendizaje profundo para incorporar datos de sensores.

“Desarrollamos una serie de algoritmos centrados en la inferencia estructural a partir de datos de series temporales de alta dimensión. Descubrimos información útil y pudimos ayudar a las empresas a entrenar e implementar algoritmos predictivos a escala”, afirmó.

Viaduct maneja análisis de series de tiempo con su motor TSI, que agrega datos de fabricación, telemática y servicios. Su modelo fue entrenado con GPU A100 aprovechando NVIDIA TSPP.

"Lo describimos como un gráfico de conocimiento: estamos construyendo este gráfico de conocimiento de todos los diferentes sensores y señales y cómo se correlacionan entre sí", dijo Hallac.

Se generan varias funciones clave utilizando el codificador automático Drive2Vec para incorporar datos del sensor. Las correlaciones se aprenden mediante un proceso de inferencia de campos aleatorios de Markov y las predicciones de series temporales aprovechan el marco NVIDIA TSPP.

Las GPU NVIDIA en esta plataforma permiten a Viaduct lograr una precisión de inferencia hasta 30 veces mayor en comparación con los sistemas de CPU que ejecutan regresión logística y algoritmos de aumento de gradiente, dijo Hallac.

Un fabricante de vehículos que utilizó la plataforma de Viaduct pudo manejar algunos de sus problemas de manera proactiva, solucionarlos y luego identificar qué vehículos estaban en riesgo de sufrir esos problemas y solo solicitar a los propietarios que los llevaran a reparar. Esto no sólo afecta a los reclamos de garantía, sino también a los centros de servicio, que obtienen más visibilidad sobre los tipos de reparaciones de vehículos que se realizan.

Además, como los fabricantes de vehículos y repuestos están asociados en materia de garantías, los resultados son importantes para ambos.

Según la startup, Viaduct redujo los costos de garantía para un cliente en más de 50 millones de dólares en cinco emisiones.

"Todo el mundo quiere la información, todo el mundo siente el dolor y todos se benefician cuando el sistema está optimizado", dijo Hallac sobre el potencial de ahorro de costos.

Viaduct comenzó a trabajar con un importante fabricante de automóviles el año pasado para ayudar con los problemas de control de calidad. La asociación tenía como objetivo mejorar el tiempo de identificación y el tiempo de solución de problemas de calidad de posproducción.

La puntuación JD Power IQS (Estudio de calidad inicial) del fabricante de automóviles había estado cayendo mientras que sus costos de garantía subían, y la compañía buscó revertir la situación. Así, el fabricante de automóviles comenzó a utilizar la plataforma Viaduct y su motor TSI.

En las pruebas A/B de la plataforma de Viaduct frente a los enfoques reactivos tradicionales de control de calidad, el fabricante de automóviles pudo identificar problemas en promedio 53 días antes durante el primer año del lanzamiento de un vehículo. Los resultados ahorraron "decenas de millones" en costos de garantía y la puntuación de calidad y confiabilidad de JD Power del vehículo aumentó "múltiples puntos" en comparación con el año modelo anterior, según Hallac.

Y Viaduct está consiguiendo una atracción por parte de los clientes que refleja el valor de su IA para las empresas, afirmó.

Obtenga más información sobre NVIDIA A100 y NVIDIA TSPP.

Conozca a cinco innovadores de IA generativa en África y Medio Oriente

Morphobots para Marte: Caltech desarrolla un robot todoterreno como candidato para la misión de la NASA

GeForce NOW se vuelve loca, con 'Party Animals' liderando 24 juegos nuevos en septiembre

Rompiendo barreras: Katja Sirazitdinova codifica su camino hacia el éxito

La IA aterriza en el aeropuerto de Bengaluru con la plataforma de análisis de vídeo inteligente de la empresa IoT