Kiterítik lapjaikat a gyártók és a beszállítók – KPMG elemzés, 3. és 4. rész

A KPMG 2016-os autóipari elemzését összefoglaló utolsó, kétrészes fejezetében több olyan kérdésre is választ kapunk, mely alapjaiban határozza meg, milyen irányba tolódik el az autóipar, már ami például a hajtástípusok jövőjét, vagy épp a szektor térbeli átrendeződését illeti. Kitérünk az önvezető kocsik mesterséges intelligencia irányába mutató tulajdonságára, az önálló tanulás képességére is.

Merre tovább, autóipar?

Nap mint nap olvashatunk a belsőégésű motorokat jó eséllyel hamarosan leváltó alternatív hajtásláncokról. A VW dízelbotránya jókora löketet adott az innovációnak, hiszen rávilágított, hogy a benzin- és dízelmotorok továbbfejlesztése önmagában nem jelent megoldást a fogyasztás és a károsanyag-kibocsátás egyre dagadó problémájára. Persze nem mindegy, mi lép legnagyobb arányban a hagyományos hajtás helyére, ezért a KPMG ez ügyben is megkérdezte az iparági szereplőket.

Az egyes hajtásláncok tervezett fejlesztései és fogyasztói megítélésük - forrás: KPMG

A nagyobb beruházások terén a prímet a hibrid járművek viszik (60%), őket a tisztán elektromos kocsik (55%), majd az elektromos, de hatótávnövelő hagyományos motorral ellátott autók (54%) követik. A konnektoros modellek előtt továbbra is szép jövő állhat, de a belsőégésű motorokat kedvelőknek sem kell még mindenképp búcsúztatniuk a technológiát: a downsizing ötödik a beruházási listán, az üzemanyagcellás megoldáshoz pedig a megkérdezettek 46 százaléka szerint kapcsolódnak majd nagyobb fejlesztések a következő években. Az egyes hajtástípusokkal kapcsolatban felállították a fogyasztói preferenciarangsort is.

Lehetséges innovátori legek - forrás: KPMG

Szintén nem kis kérdőjel a globális autóipar számára, hogy rendeződik át az innovációs világtérkép, mely országokból számíthatunk a legjelentősebb új termékekre, technológiákra. A felmérések alapján Kína elemi erővel robban be az innovátorok élvonalába, a válaszolók 16 százaléka kapásból az élre teszi az ázsiai országot. A versenyképesség szempontjából meghatározó fejlesztések terén Németország (11%), az Egyesült Államok (9%), és India (8%) sem áll rosszul, Japán az ötödik helyen zárt.

Fejlesztési, beruházási célországok - forrás: KPMG

Az innovációra fogékony közeg persze szinte egyet jelent a beruházásokkal. A megkérdezett cégvezetők 16 százaléka Kínában fektetne be, Németországban 11, míg Indiában 9 százalékuk indítana beruházást. Persze a globális törekvések nem zárják ki a kisebb földrajzi növekedési terveket sem, válaszolók földrajzi bontás szerinti befektetési tervei is beszédesek. A kelet-európai iparági szereplők szempontjából például Ausztria is vonzó beruházási célpont, Dél-Amerikában pedig 21 százalékkal Brazília a nyerő.

Feltörekvő piacok (kereslet) - forrás: KPMG

Kína több szempontból is jelentős országnak számít, azonban a piaci növekedés szempontjából várhatóan átadja a stafétabotot: a keresleti oldalon legdinamikusabban fejlődő ország Thaiföld lehet. A Dél-Afrikai Köztársaságot, Indonéziát, Törökországot és Argentínát Szaúd-Arábia, Malajzia és Marokkó követi.

Végül a gigatrend: az önvezetés

Bár az utakat még a fejlett országokban sem lepték el az önvezető autók, a téma már olyan régóta hasít a médiában, hogy a funkció előnyeivel (és hátrányaival) szinte mindenki tisztában van. A technológia alapjaiban hozhatja el nem csak az autóipar, hanem a globális mobilitás megváltozását, mindez pedig a mesterséges intelligencia egyik fejlett formájának, a deep learningnek köszönhető. A módszer többek között

- forradalmasítja az ember és az autó kapcsolatát

- a mobilitási szolgáltatásokkal új, robbanás előtt álló üzletágat nyit meg

- megváltoztatja a járművek ma fennálló tulajdonosi és felhasználói viszonyait

- bővíti a cégprofilokat, a legtöbb autóipari vállalat a jövőben nem puszta gyártó vagy beszállító lesz

- új fókuszokat hoz létre a befektetések terén

- komoly adatvédelmet igénylő felhőalapú adatbázisokat hoz létre

- minden egyes megtett kilométert tapasztalattá alakít.

De mi is a deep learning? A fogalom lényege az autóiparra vonatkoztatva, hogy az önvezető autók nem előre betáplált programok alapján igazodnak el a közlekedésben, hanem az emberi agyhoz hasonlóan neurális hálózatok segítségével saját maguk értékelik és hasznosítják az egyre gyűlő információtömeget. A fejlesztőknek nem kell mindenre kiterjedő programokat írniuk, stabil alapokból kiindulva a gép maga hozza létre azt, úgy, hogy minden új információt több lépcsőben értelmez: a kezdeti legegyszerűbb felismerésektől (alak, szín, elhelyezkedés stb.) jut el addig a következtetésig, hogy stoptáblához érkezik, ahol meg kell állni. A folyamatos, önálló tanulás óriási előnye, hogy a gép idővel olyan szituációk kezelésére is képes lehet, melyekkel a gyári „betanítás” során sosem találkozott – a rengeteg változót felvonultató közlekedésben épp ilyen úton lehet elérni az önvezetés legmagasabb szintjét.

Döntéshozási algotitmusok - forrás: KPMG

A gépek egyes tanulási módszerei között a legfontosabb eltérések a következők: a szabályokon alapuló mechanikus tanulás központja az ember által betáplált algoritmus, kulcsszavai az „igen”, a „nem”, az „akkor” és a „ha”. A legutolsó részletig kiterjedő programozást igényel, adott helyzetben mindig ugyanazt a reakciót nyújtja. A machine learning már a gépi és a deep learning közti átmenetet jelenti, itt a körülményeket a gép az ember által előre betáplált, korlátozott mennyiségű egyéb, kiegészítő információval veti össze, így itt már megjelenik a korábbi tapasztalatok felhasználhatósága. A deep learning lényege viszont, hogy a gép olyan mértékben hagyatkozik korábban már látott helyzetekre, hogy a lehetséges válasz azonos helyzetekben is eltérő lehet. Ennek eléréséhez előzetes emberi programozással különösen nehéz lenne rendelkezésre bocsátani a megfelelő mennyiségű adatot.

Persze a deep learning sem csupán pozitív tulajdonságokkal bír: egyrészt a stabil alapok, vagyis a neuráis hálózatok kiépítése rendkívül bonyolult és komplex feladat, másrészt működés közben előfordulhat, hogy a gép sokkal több információt használ fel egy-egy döntéshez, mint kellene. Az adatmennyiség növekedése nagy teherbírású hardveres és szoftveres infrastruktúrát igényel.

A big datát felhasználó önvezető kocsik működése négy lépcsőre bontható: a „látás” során a jármű (optikai, radar, lidar stb.) szenzorai adta képet, a felhőalapú adatbázisokban található információkat (pl. navigációs adatbázis), illetve a környező infrastruktúrától (más járművek, közlekedési lámpák stb.) származó jeleket hasznosítja. A „gondolkodás” fázisában mindezeket számos szempont alapján, a már említett lépcsőzetes módszerrel értékeli, az ezután meghozott döntések alapján pedig irányítja a járművet. A negyedik lépésben visszaforgatja az addigi állomások alatt tapasztalt újdonságokat a rendszerbe, így a „gondolkodás” fázisa következő alkalommal további szempontokkal bővülhet.

És hogy mitől hoz más világot az önvezetésben a deep learning? Nem csak a tanulás során ad lehetőséget a robbanásszerű fejlődésre, de a szabályalapú programozáshoz képest hosszú távon még nagyobb mértékben teszi lehetővé a balesetek számának csökkenését.

Kapcsolat:

Boros Árpád, szenior menedzser, Mobilitás / Járműipar KPMG Tanácsadó Kft. | T: +36 1 887 4118 | M: +36 70 370 1972