Nissan nutzt die fortschrittlichsten Ressourcen der Künstlichen Intelligenz (KI), um die Entwicklung neuer Modelle zu beschleunigen, durch eine strategische Partnerschaft mit dem Lieferanten Monolith. Durch die Reduzierung der Anzahl physischer Prototypentests auf den Straßen zielt die japanische Marke auch darauf ab, die Zeit bis zur Markteinführung ihrer neuen Kreationen zu verkürzen.
Diese Zusammenarbeit steht im Einklang mit Re:Nissan. Zu den Prioritäten, die im Plan skizziert sind, gehört die Ambition, neue Produkte schneller in die Hände der Kunden zu bringen, was eine signifikante Reduzierung der Design- und Entwicklungszeiten impliziert, eine Mission, die der Hersteller mit der Unterstützung von Partnern, die Innovation und operative Effizienz vorantreiben, erreichen möchte.
Ursprünglich verwendet, um Tests für die neue Generation des Leaf zu validieren, einem elektrischen Kompaktfahrzeug, das sich in der Einführung befindet, wird die KI-Technologie von Monolith in der gesamten zukünftigen Modellpalette der japanischen Marke für den europäischen Markt eingesetzt, wobei Ingenieure im Cranfield Technical Center im Vereinigten Königreich Künstliche Intelligenz nutzen, um die Ergebnisse physischer Tests mit größerer Genauigkeit vorherzusagen. Dies wird die Abhängigkeit von der Arbeit mit Prototypen verringern und den gesamten Entwicklungsprozess optimieren, wobei die Teams, die an diesen Programmen arbeiten, sich stärker auf praktische Problemlösungen und Entscheidungsfindung konzentrieren.
Die Partnerschaft, die Nissan mit Monolith hat, wurde um zwei Jahre verlängert, nachdem sie zu einer Reduzierung der Anzahl physischer Tests um 17 % beigetragen hat, im Vergleich zu entsprechenden Entwicklungsplänen, die ohne die Unterstützung von KI durchgeführt wurden. Laut Emma Deutsch vom Europäischen Technischen Zentrum, “indem wir diese ‘Software’ integrieren, die Jahrzehnte von Testdaten berücksichtigt, sind wir in der Lage, die Leistung neuer Modelle mit bemerkenswerter Genauigkeit zu simulieren und zu validieren. Die maschinellen Lernmodelle, die mit einer Kombination aus historischen Aufzeichnungen und digitalen Simulationen trainiert wurden, ermöglichen es uns, die Abhängigkeit von physischen Prototypen zu reduzieren, was die Entwicklungszeiten und die von diesen Programmen verbrauchten Ressourcen erheblich verringert.”
