هوش مصنوعی میتواند به طراحی خودروهای جذابتر و پرفروشتر کمک کند
از هوش مصنوعی (AI) میتوان برای طراحی خودروهای جذابتر و پرفروشتر استفاده کرد. مصرفکنندگان تمایل به خرید محصولاتی دارند که ظاهری جذاب داشته و این امر بهویژه در صنعت خودرو صادق است که زیباییشناسی محصول با ۶۰ درصد تصمیمات خرید مشتریان مرتبط است. الگوریتمهای هوش مصنوعی را میتوان برای شناسایی عناصری در طراحی خودرو استفاده کرد که برای مصرفکنندگان جذابترند، و سپس این عناصر را برای ایجاد مدلهایی که هم شیک بوده و هم کاربردی به کار گرفت.
به گزارش هوشیو، از هوش مصنوعی همچنین میتوان برای شبیهسازی سناریوهای مختلف رانندگی، بهمنظور ساخت خودروهایی استفاده کرد که میتوانند در انواع سطوح مختلف زمین، شرایط و معیارهای مختلف خود را منطبق نمایند. از هوش مصنوعی میتوان برای خودکارسازی برخی از جنبههای طراحی خودرو، مانند انتخاب مواد، اجزای سازنده و بهینهسازی عملکرد خودرو نیز استفاده کرد.
خودروسازان حدوداً مبلغی معادل ۳ میلیارد دلار برای یک طرح صرف مینمایند. یک مقاله جدید نشان میدهد که چگونه از مدلهای یادگیری ماشینی برای سادهسازی فرایند طراحی خودرو و کاهش هزینههای صرف شده برای طراحیهای ناموفق استفاده میشود. با استفاده از مدلهای یادگیری ماشین، خودروسازان میتوانند بادقت بیشتری پیشبینی کنند که آیا یک طراحی موفق خواهد بود یا خیر و بهاینترتیب از میزان هزینهای که برای طراحیهای ناموفق صرف میشود، بکاهند. این امر میتواند منجر به ایجاد فرایندهای طراحی خودرو کارآمدتر و موفقتر شود و درنهایت میلیاردها دلار هزینه برای خودروسازان صرفهجویی نماید.
اصولاً در صنعت خودروسازی تصمیمات خرید افراد بر اساس ظاهر محصول است و ۶۰ درصد از تصمیمات بر اساس زیباییشناسی محصولات صورت میپذیرد. این موضوع در بسیاری از صنایع دیگر مانند املاک و مستغلات و گوشیهای هوشمند نیز صدق میکند. درحقیقت مردم به سمت محصولاتی که از نظر بصری زیباتر و چشمگیرتر هستند، گرایش پیدا میکنند.
بنا به گفته جان آر. هاوزر، استاد بازاریابی MIT Sloan، «مردم بر اساس ظاهر یا زیبایی یک خودرو را میخرند و استایل طراحی یک عامل اصلی در خرید خودرو برای آنان است.» این امر میتواند برای خودروسازان گران تمام شود و میلیاردها دلار هزینه برای طراحی و طراحیهای مجدد مدلهای خودرو برایشان رقم بزند. در واقع، خودروسازان بیش از ۱ میلیارد دلار برای طراحی مدل متوسط خودرو و بیش از آن، تا حدود ۳ میلیارد دلار را برای طراحی مجدد سرمایهگذاری میکنند.
مقالهای که اخیراً با همکاری هاوزر نوشته شده، نشان میدهد که مدلهای یادگیری ماشینی نهتنها میتوانند برای پیشبینی جذابیت طرحهای زیباییشناختی جدید استفاده شوند، بلکه طرحهایی را تولید کنند که از نظر زیباییشناختی دلپذیر یا نوآورانهتر نیز هستند. این بدان معنی است که میتوان از این مدلها برای ایجاد طرحهای جدید که از جذابیت و کیفیت بالایی برخوردار هستند استفاده کرد، بدون آنکه نیاز به فرایندهای طراحی دستی باشد. (پس از آموزش مدلها، میتوان آنها را بر روی یک لپتاپ استاندارد شرکتی اجرا کرد و فرایند طراحی بهمراتب سریعتر و مقرونبهصرفهتری داشت.)
هاوزر میگوید: «مدلها ابزار مفیدی برای طراحان بهمنظور دریافت ایدههای جدید و آزمایش آنها هستند. آنها میتوانند تصاویر جدیدی را تولید نمایند که از نظر زیباییشناختی بسیار دلپذیر هستند و میتوان آنها را بهسرعت ارزیابی کرد.»
![طراحی خودرو](https://hooshio.com/wp-content/uploads/2023/03/%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C-%D8%AE%D9%88%D8%AF%D8%B1%D9%88-%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C.webp)
خودروهای فاقد جذابیت ظاهری شانسی برای فروش ندارند
پونتیاک آزتک یک نمونه بدنام از این است که چگونه خریداران خودرو، زیبایی را در اولویت خرید خود قرار میدهند.
جنرال موتورز در تابستان ۲۰۰۰ خودروی شاسیبلند پونتیاک آزتک را روانه بازار کرد. این خودرو دارای ویژگیهای متعددی بود و برای افرادی که از فضای باز لذت میبرند طراحی شده بود. درحالیکه آزتک بهطورکلی امتیازات رضایت مشتری بالایی را کسب کرد، اما طراحی ظاهری آن مورد استقبال خریداران خودرو قرار نگرفت. این نمونه بهخوبی نشان میدهد که چگونه زیباییشناسی میتواند نقش مهمی در تصمیمگیریهای خرید مشتریان خودرو داشته باشد، زیرا تقریباً 60٪ تصمیمات صنعت خودرو مرتبط با مبحث زیبایی ظاهری خودرو است.
آزتک شکست خورد. این خودرو که عمداً طراحی تهاجمی برای آن در نظر گرفته شده بود در بین مصرفکنندگان محبوبیتی پیدا نکرد. آزتک بهعنوان یکی از زشتترین خودروهای تمامدوران مورد تمسخر قرار میگرفت و جنرال موتورز در سال ۲۰۰۵ ساخت این خودرو را متوقف کرد. این در حالی است که خودروی شاسیبلند Enclave، بیش از 15 سال پس از رونمایی اولیه همچنان تولید میشود و همچنان محبوب است و با قیمت خردهفروشی 30٪ بالاتر از Aztek به فروش میرسد.
درحقیقت آزتک در این زمینه به ما درسی روشن میدهد، هاوزر میگوید: «اگر دو خودرو از نظر قابلیت اطمینان و عملکرد برابر باشند، مصرفکنندگان خودرویی را انتخاب میکنند که از نظر زیباییشناختی جذابتر به نظر برسد.» هوش مصنوعی میتواند با پیشبینی اینکه چه نوع طراحی برای مصرفکنندگان جذابتر است و تولید خودکار مدلهای زیباییشناختی، به خودروسازان کمک کند. امروزه خودروسازان سرمایهگذاریهای زیادی انجام میدهند تا از تجربه آزتک بعدی اجتناب نمایند.
به طور سنتی، خودروسازان از کلینیکهای موضوعی برای آزمایش و ارزیابی طرح خودروهای خود استفاده میکردند. در کلینیکهای موضوعی، صدها مشتری هدف برای قضاوت در مورد طرحها به یک مکان آورده میشوند که این قبیل آزمایشها میتوانند تا ۱۰۰۰۰۰ دلار هزینه برای کمپانیها در برداشته باشند.
این در حالی است که مدلسازی پیشبینیکننده میتواند به خودروسازان کمک کند تا پیش از آنکه این طرحها را فراتر از مرحله طراحی اولیه پیش ببرند، طرحهایی را شناسایی کنند که بهاحتمال زیاد امتیازات پایینی در زیباییشناسی کسب میکنند. بهاینترتیب میتوان در زمان و هزینه صرفهجویی کرد و با طرحهای کمتری که نیاز به آزمایش در کلینیکهای موضوعی دارند، زمانبندی توسعه کوتاهتر و هزینهها نیز کاهش مییابد.
هاوزر و همکارانش با جنرال موتورز بهعنوان یک شریک تحقیقاتی دو مدل را توسعه دادند:
مدل اول، مدل مولد، از طراحان در مورد جنبههای مختلف خودرو مانند نوع بدنه، رنگ و تصویر درخواست کمک میکند و از این اطلاعات برای ایجاد طرحهای جدید استفاده مینماید.
مدل دوم، مدل پیشبینیکننده، برای پیشبینی اینکه مصرفکنندگان چگونه به طرحها از نظر جذابیت زیباییشناختی و نوآوری آنها امتیاز خواهند داد، استفاده میشود.
تحقیقات با مدل پیشبینی، ساخته شده بر روی یک شبکه عصبی عمیق آغاز شد. این مدل توانست پیشبینیهای دقیقی در مورد اینکه چه طرحهایی برای محصولات خودرویی، احتمالاً در بین مصرفکنندگان محبوب خواهد بود، ارائه دهد. محققان سپس یک مدل تولیدی ایجاد کردند که قادر به تولید تصاویری بود که برای مصرفکنندگان از نظر زیباییشناختی خوشایند و جذاب بودند و حتی طرحهایی را پیشنهاد کردند که بعداً به بازار معرفی گردیدند. محققان همچنین دریافتند که این مدل را میتوان برای محصولات غیر خودرویی نیز به کاربرد.
هاوزر گفت: «مدل ما توانست تشخیص دهد که کدام طرح خوب و کدام بد است. اما همانطور که در این فرایند پیش رفتیم، متوجه شدیم که قدرت واقعی این مدل در ایجاد طرحهای جدید است.»