Moteurs généraux
C’est compréhensible si vous commencez à ressentir la fatigue de l’IA ; on a l’impression que chaque semaine, il y a une autre annonce d’une entreprise se vantant de la façon dont un chatbot LLM va tout révolutionner – généralement suivie de peu de temps par des reportages sur la façon dont tout a terriblement mal tourné. Mais il s’avère que toutes les utilisations de l’IA par un constructeur automobile ne sont pas forcément un désastre en termes de relations publiques. Il se trouve que General Motors a utilisé l’apprentissage automatique pour guider les décisions commerciales concernant l’endroit où installer les nouveaux chargeurs rapides CC pour véhicules électriques.
La transformation de GM en une entreprise spécialisée dans les véhicules électriques ne s’est pas terminée entièrement sans problème jusqu’à présent, mais en 2022, il a révélé qu’en collaboration avec la société Pilot, il prévoyait de déployer un réseau de 2 000 chargeurs rapides DC dans les centres de voyage Flying J et Pilot aux États-Unis. Mais comment décider quels emplacements ?
« Je pense que le thème principal est que nous recherchons vraiment des opportunités pour simplifier la vie de nos clients, de nos employés, de nos concessionnaires et de nos fournisseurs », a expliqué Jon Francis, responsable des données et de l’analyse de GM. « Et nous constatons les effets positifs de l’IA à grande échelle, que ce soit dans la partie fabrication de l’entreprise, dans l’ingénierie, dans la chaîne d’approvisionnement, dans l’expérience client – cela passe vraiment par tous les éléments.
« Évidemment, l’endroit où cela apparaît le plus directement est certainement en mode autonome, et c’est un cas d’utilisation important pour nous, mais en réalité [on a] Au quotidien, l’IA améliore de nombreux systèmes et flux de travail au sein de l’organisation », a-t-il déclaré à Ars.
« Il y a beaucoup d’entreprises, et je ne citerai pas de noms, mais il y a une certaine recherche d’objets brillants, et je pense qu’il y a beaucoup de choses cool et sexy que l’on peut faire avec l’IA, mais pour GM, nous recherchons vraiment des solutions qui vont stimuler l’entreprise de manière significative », a déclaré Francis.
GM souhaite construire des chargeurs dans environ 200 centres de voyage Flying J et Pilot d’ici la fin de 2024, mais la grande question était de déterminer exactement les emplacements sur lesquels se concentrer. Après tout, il y en a plus de 750 répartis dans 44 États américains et six provinces canadiennes.
De toute évidence, le trafic est une grande préoccupation : chaque chargeur rapide DC coûte entre 100 000 et 300 000 dollars, sans compter les coûts associés au renforcement de l’infrastructure électrique pour les alimenter, ni les divers processus d’autorisation qui ont tendance à tout retarder. Installer une banque de chargeurs dans un centre de voyage rarement visité n’est pas la meilleure utilisation des ressources, mais les déployer dans une zone qui regorge déjà d’autres chargeurs rapides ne l’est pas non plus.
Moteurs généraux
C’est là que le ML est entré en jeu. Les data scientists de GM ont créé des outils qui regroupent différents ensembles de données SIG. Par exemple, il dispose d’une base de données géographique des chargeurs CC déjà déployés dans tout le pays (le département américain de l’Énergie gère une telle ressource) superposée aux données de trafic, puis à l’emplacement des centres de voyage. Le résultat est une carte avec des emplacements potentiels, que l’équipe de GM utilise ensuite pour affiner les sites exacts qu’elle souhaite choisir.
Il est vrai que si vous aviez accès à tous ces ensembles de données, vous pourriez probablement faire tout cela manuellement. Mais nous parlons d’ensembles de données contenant, dans certains cas, des milliards de points de données. Il y a quelques années, les analystes de GM auraient pu le faire au niveau d’une ville sans consacrer des années au projet, mais le faire à l’échelle nationale est le genre de tâche qui nécessite une quantité de plates-formes cloud et de clusters distribués qui ne font que devenir banal.
En conséquence, GM a pu déployer les 25 premiers sites l’année dernière, avec 100 bornes de recharge réparties sur les 25. D’ici la fin de cette année, elle a déclaré à Ars qu’elle devrait avoir environ 200 sites opérationnels.
Cela me semble certainement plus utile qu’un simple chatbot.