Motores generales
Es comprensible si estás empezando a experimentar fatiga de la IA; Parece que cada semana hay otro anuncio de alguna empresa que se jacta de cómo un chatbot LLM revolucionará todo, generalmente seguido en breve sucesión de informes de noticias sobre lo terriblemente mal que ha ido todo. Pero resulta que no todo uso de la IA por parte de un fabricante de automóviles es un desastre de relaciones públicas. Da la casualidad de que General Motors ha estado utilizando el aprendizaje automático para ayudar a guiar las decisiones comerciales sobre dónde instalar nuevos cargadores rápidos de CC para vehículos eléctricos.
La transformación de GM en una empresa basada en vehículos eléctricos no ha desaparecido enteramente hasta ahora, sin problemas, pero en 2022, reveló que, junto con la empresa Pilot, planeaba implementar una red de 2000 cargadores rápidos de CC en los centros de viajes Flying J y Pilot en todo Estados Unidos. ¿Pero cómo decidir qué ubicaciones?
«Creo que el tema general es que realmente estamos buscando oportunidades para simplificar la vida de nuestros clientes, empleados, distribuidores y proveedores», explicó Jon Francis, director de análisis y datos de GM. «Y vemos los efectos positivos de la IA a escala, ya sea en la parte de fabricación del negocio, la ingeniería, la cadena de suministro, la experiencia del cliente; realmente está presente en todos ellos.
«Obviamente, el lugar donde aparece más directamente es en modo autónomo, y ese es un caso de uso importante para nosotros, pero en realidad [on a] En el día a día, la IA está mejorando muchos sistemas y flujos de trabajo dentro de la organización», dijo a Ars.
«Hay muchas empresas, y no quiero dar nombres, pero hay algo que persigue objetos brillantes, y creo que hay muchas cosas interesantes y atractivas que se pueden hacer con la IA, pero para GM, realmente estamos buscando soluciones que impulsarán el negocio de manera significativa», dijo Francis.
GM quiere instalar cargadores en unos 200 centros de viajes Flying J y Pilot para finales de 2024, pero la gran pregunta era determinar exactamente en qué ubicaciones centrarse. Después de todo, hay más de 750 repartidos en 44 estados de EE. UU. y seis provincias de Canadá.
Obviamente, el tráfico es una gran preocupación: cada cargador rápido de CC cuesta entre 100.000 y 300.000 dólares, y eso sin contar los costos asociados con el refuerzo de la infraestructura eléctrica para alimentarlos, ni los diversos procesos de obtención de permisos que tienden a retrasar todo. Colocar un banco de cargadores en un centro de viajes que rara vez se visita no es el mejor uso de los recursos, pero tampoco lo es implementarlos en un área que ya está repleta de otros cargadores rápidos.
Motores generales
Ahí es donde entró el ML. Los científicos de datos de GM crearon herramientas que agregan diferentes conjuntos de datos SIG. Por ejemplo, tiene una base de datos geográfica de cargadores de CC ya instalados en todo el país (el Departamento de Energía de EE. UU. mantiene dicho recurso) superpuesta con datos de tráfico y luego con las ubicaciones de los centros de viajes. El resultado es un mapa con ubicaciones potenciales, que el equipo de GM utiliza para limitar los sitios exactos que quiere elegir.
Es cierto que si tuviera acceso a todos esos conjuntos de datos, probablemente podría hacerlo todo manualmente. Pero estamos hablando de conjuntos de datos con, en algunos casos, miles de millones de puntos de datos. Hace unos años, los analistas de GM podrían haber hecho eso a nivel de ciudad sin dedicar años al proyecto, pero hacerlo a escala nacional es el tipo de tarea que requiere la cantidad de plataformas en la nube y clústeres distribuidos que en realidad ahora apenas se están convirtiendo en vulgar.
Como resultado, GM pudo implementar los primeros 25 sitios el año pasado, con 100 puestos de carga en los 25. Para fines de este año, le dijo a Ars que debería tener alrededor de 200 ubicaciones operativas.
Eso ciertamente me parece más útil que un chatbot más.