当涉及保持利润率时，车辆和零部件制造商的数据科学家处于驾驶座位。
Viaduct是一家为时间序列推断开发模型的公司，它正在帮助企业从当今联网汽车上捕获的数据中获取故障洞察。它通过利用传感器数据并进行相关性分析来实现这一目标。
这家成立四年的初创公司总部位于加利福尼亚州门洛帕克，提供了一个平台来检测异常模式、跟踪问题和部署故障预测。Viaduct的创始人兼首席执行官David Hallac表示，这使得汽车制造商和零部件供应商能够通过实时数据及时解决问题，从而减少保修索赔、召回和缺陷。
他说：“Viaduct已经在200多万辆车上部署，帮助避免了50万小时的停机时间，并在整个行业节省了数亿美元的保修费用。”
该公司依靠NVIDIA A100 Tensor Core GPU和NVIDIA时间序列预测平台（TSPP）框架进行训练、调优和部署时间序列模型，这些模型用于预测数据。
据该公司称，Viaduct已与五家主要的乘用车和商用卡车制造商合作。
“客户认为这是一项巨大的节省——我们所影响的事情对利润来说是很大的。这是停机时间的影响，保修的影响，以及产品开发的低效性。”Hallac说道。
Viaduct是NVIDIA Inception计划的成员，该计划为公司提供技术支持和人工智能平台指导。
起源：研究走上道路
Hallac在斯坦福大学开始了他的Viaduct之路。当他还是那里的博士生时，大众汽车公司带来了从60多名驾驶员那里收集到的传感器数据，并提供了一个研究资助金来探索用途。
研究人员探索的问题是如何理解在几个月内收集的大量车辆数据中的模式和趋势。
斯坦福的研究人员与大众电子研究实验室合作发布了一篇关于这项工作的论文，其中介绍了Drive2Vec，一种用于嵌入传感器数据的深度学习方法。
他说：“我们开发了一系列专注于从高维时间序列数据中进行结构推断的算法。我们发现了有用的见解，并能够帮助公司大规模地训练和部署预测算法。”
开发具有高达10倍推断能力的洞察知识图谱
Viaduct使用其TSI引擎处理时间序列分析，该引擎汇集了制造、遥测和服务数据。它的模型是使用利用NVIDIA TSPP的A100 GPU进行训练的。
Hallac说：“我们将其描述为一个知识图谱——我们正在构建这个知识图谱，其中包含所有不同传感器和信号以及它们之间的相关性。”
使用Drive2Vec自动编码器生成了几个关键特征，通过马尔可夫随机场推断过程学习了相关性，并利用NVIDIA TSPP框架进行时间序列预测。
Hallac表示，与运行逻辑回归和梯度提升算法的CPU系统相比，该平台上的NVIDIA GPU使Viaduct能够实现高达30倍的推断准确性。
通过主动的人工智能保护利润
使用Viaduct平台的一家汽车制造商能够主动处理一些问题，修复它们，然后确定哪些车辆面临这些问题，并仅要求车主将这些车辆送修。这不仅影响了保修索赔，还使服务台能够更清楚地了解正在进行的车辆维修类型。
此外，由于车辆和零部件制造商在保修方面合作，结果对双方都很重要。
据这家初创公司称，Viaduct为一家客户在五个问题上减少了超过5000万美元的保修费用。
Hallac谈到了节省成本的潜力时说：“每个人都希望获得信息，每个人都感到痛苦，当系统被优化时，每个人都会受益。”
保持车辆评级
Viaduct去年开始与一家主要汽车制造商合作，以解决质量控制问题。这项合作旨在改善其在生产后期质量问题的识别和修复时间。
该汽车制造商的JD Power IQS（初始质量研究）得分一直在下降，而保修费用却在上升，公司希望扭转这种情况。因此，该汽车制造商开始使用Viaduct的平台和其TSI引擎。
在A/B测试中，与传统的反应式质量控制方法相比，Viaduct的平台在车辆发布的第一年平均能够提前53天发现问题。根据Hallac的说法，这些结果节省了“数千万美元”的保修费用，并且该车型的JD Power质量和可靠性评分相比上一款车型年份提高了“多个点”。
此外，Viaduct的AI技术正在获得客户的认可，反映出其对企业的价值。
了解更多有关NVIDIA A100和NVIDIA TSPP的信息。