지난 한 해 동안 제너레이티브 AI는 전 세계를 강타했습니다. 자동차 업계 안팎의 많은 산업에서 수익 증대를 위해 이 기술을 활용하고자 합니다.
그러나 생성형 AI는 많은 사용 사례에 적용될 수 있지만, 경우에 따라서는 다른 형태의 AI가 더 적합할 수 있습니다.
이 인사이트에서 SBD는 다양한 자동차 사용 사례와 이를 가장 잘 지원할 수 있는 AI 유형을 살펴봅니다.
무슨 일이 일어나고 있나요?
최근 생성 AI(Gen AI)의 발전으로 다양한 비즈니스 프로세스에서 상당한 잠재력이 입증되면서 OEM은 AI 전략과 애플리케이션을 재평가하고 있습니다.
AI는 다양한 비즈니스 활동을 지원할 수 있습니다. 하지만 소비자 경험 향상과 OEM 비즈니스 프로세스 최적화의 두 가지 주요 목표로 분류할 수 있습니다.
오늘날 대부분의 OEM은 가상 비서 및 ADAS 와 같은 최신 자동차 기능에 AI를 통합하는 데 우선순위를 두고 있습니다. 하지만 차량 내 서비스 및 OEM 비즈니스 프로세스, 특히 R&D 분야에서 많은 기회가 있을 것으로 예상됩니다.
최근 인공지능 세대가 많은 관심을 받고 있지만, 모든 사용 사례에 가장 적합한 것은 아닙니다.
다양한 팀이 주도하는 수많은 AI 이니셔티브가 OEM 내에서 진행될 것으로 예상됩니다. 효율성을 극대화하고 최고의 투자 수익률을 달성하기 위해서는 높은 수준의 우선순위 지정과 조정이 필요합니다.
메르세데스-벤츠는 직원 AI 교육 프로그램 등 다른 기업보다 더 많은 투자를 통해 자동차 AI 분야의 리더로 거듭나고 있습니다.
왜 중요한가요?
AI 모델 간의 관계는 복잡할 수 있습니다. 높은 수준에서 이러한 모델은 각각 추가 기능을 제공하는 서로의 하위 범주로 볼 수 있습니다. 효과적인 구현을 위해서는 각 사용 사례에 어떤 모델을 적용할지 이해하는 것이 중요합니다.
머신 러닝: 자동화할 수 있는 작업을 수행하도록 학습시킬 수 있는 AI의 한 형태입니다. 또한 구조화된 형태(예: 표 형식)로 데이터를 식별하고 분류할 수 있습니다. 자동차 애플리케이션에는 예측 유지보수, 자동차 원격 진단 등이 포함됩니다. 머신 러닝은 더 적은 데이터를 필요로 하며 최신 차량 MCU/MPU에서 원활하게 실행됩니다.
딥 러닝: 신경망을 사용하여 데이터를 분석하는 머신 러닝의 하위 집합입니다. 비정형 데이터(이미지 분류, 자연어 처리, 동영상 등)를 사용할 때 머신 러닝보다 성능이 뛰어납니다. 딥러닝은 일반적으로 패턴 인식, 의사 결정 또는 데이터에서 특징 추출에 더 중점을 둡니다.
생성 AI(Gen AI): 딥러닝의 하위 집합입니다. 생성형 AI는 데이터를 읽고 학습하여 새로운 합성 인스턴스를 생성할 수 있습니다. 이러한 형태의 AI는 적응형 출력이 필요한 상황에 적합합니다.
다음은 어디인가요?
SBD는 자동차 산업과 관련된 몇 가지 사용 사례를 평가하고 구현 시간과 투자에 따라 우선순위가 높은 사례를 결정했습니다.
LLM 기반 가상 비서는 사람의 의도를 깊이 파악하고 다목적 기능 및 신속한 응답을 통해 차량 내 경험을 혁신할 것입니다. 하지만 LLM 기반 가상 비서를 차량에 통합하고 도로에서 원활한 경험을 제공하려면 더 많은 세심한 노력이 필요합니다.
예측 유지보수 및 고급 차량 진단은 기존의 머신러닝 알고리즘을 사용하여 수행할 수 있으므로 차세대 AI가 필요하지 않습니다. 하지만 이러한 데이터를 수집하려면 차량과 서비스 네트워크 모두에 대한 강력한 정보 인프라가 필요합니다.
OEM 웹사이트나 앱의 고객 서비스 에이전트는 약간의 미세 조정만으로 몇 주 안에 구현할 수 있는 Gen AI를 빠르게 활용할 수 있습니다.
스마트 팩토리를 구축하고 디지털 트윈 기술로 미세 조정하려면 더 많은 시간과 투자가 필요합니다. 하지만 대부분의 OEM이 새로운 전기차 공장을 준비하고 있는 지금이 바로 시작하기에 이상적인 시기입니다.
주의해야 할 사항은 무엇인가?
AI는 과대 포장될 수 있지만 올바르게 구현하면 여전히 매우 강력한 도구입니다. 하지만 사용하는 모델에 따라 비용이 많이 들 수 있으며, 기업에 적용할 때 불확실성과 우려가 존재합니다. SBD는 다음과 같은 제안을 합니다:
AI는 미래 차량을 위한 다양한 기술 스택 계층에 내장될 것입니다. 이는 칩에서 클라우드에 이르기까지 다양한 소형 및 대형 모델의 조합이 될 것입니다. 업계 동향을 모니터링하면 OEM이 AI 전략을 구체화하는 데 도움이 될 것입니다.
LLM 추론의 운영 비용은 여전히 높기 때문에 Gen AI를 대규모로 구현할 때는 이를 우선적으로 고려해야 합니다. 하지만 모델 학습 중 데이터 주석에 드는 비용을 절감할 수 있습니다.
엣지 AI 플레이어를 지켜보세요. 복잡한 대형 모델을 최적화하여 임베디드 시스템에서 효과적으로 실행할 수 있도록 모델 압축 방법에 대한 연구가 진행 중입니다.
차트에 있는 일부 업체는 AI 툴체인과 트레이닝 데이터세트를 모두 제공합니다. 데이터가 부족한 OEM은 외부 업체로부터 데이터를 소싱하는 것을 고려할 수 있습니다.
어떻게 대응해야 하나요?
준비
모든 지능형 AI 모델은 양질의 데이터로 학습해야 합니다. 내부적으로 이 데이터의 출처를 찾거나 타사에서 데이터를 확보할 수 있는 옵션을 모색하세요.
우선순위 지정
회사 내에서 자동화와 효율성을 개선할 수 있는 취약점을 파악하세요. 사용 사례에 따라 사용할 다양한 유형의 AI 모델을 고려하세요.
모니터
AI 모델의 성능을 확인하고 필요에 따라 조정하세요. AI가 소비자 대면 사용 사례에 구현된 경우 고객의 피드백에 응답하여 모델/시스템을 개선하세요.
자세히 알아보고 싶으신가요?
저희는 맞춤형 프로젝트를 통해 고객이 새로운 도전과 기회에 더 깊이 다가갈 수 있도록 지원하는 일을 주로 하고 있습니다. 최근 완료한 인공지능 관련 프로젝트에 대해 논의하고 싶으시면 지금 바로 문의하세요!
관련 콘텐츠도 꼭 확인해 보세요:
