AI-driven Automotive Service Market: Towards more Resource-Efficient and Sustainable Vehicle Maintenance
Diarienummer | |
Koordinator | Högskolan i Halmstad - Högskolan i Halmstad Akademin f informationsteknologi |
Bidrag från Vinnova | 4 000 000 kronor |
Projektets löptid | november 2023 - december 2025 |
Status | Pågående |
Utlysning | Transport- och mobilitetstjänster - FFI |
Ansökningsomgång | Transport- och mobilitetstjänster - FFI - hösten 2023 |
Syfte och mål
Fordonsindustrin måste bli mer resurseffektiv och hållbar. Volvokoncernen är stolt över att kunna leverera kompletta transportlösningar, från fordon som passar för alla uppgifter till tjänster som håller fordonen igång effektivt. Det kan bara uppnås genom att förutse var och när en reservdel kommer att behövas och leverera den delen till rätt region innan behovet ens uppstår, vilket minskar kostnaderna och ökar servicenivåerna. Effektiv resursanvändning för att tillhandahålla rätt delar på rätt plats och vid rätt tidpunkt kräver ny prediktiv logistik.
Förväntade effekter och resultat
Hållbara transporter kräver nya ML-baserade, flexibla och gröna tjänster som minskar resursutnyttjandet och kostnaderna samtidigt som kundnöjdheten ökar och konkurrensfördelarna bibehålls. Högre förutsägbarhet ger möjligheter till bättre systemförståelse, storskalig optimering, kvalitetsövervakning, datadrivna beslut och mer miljövänliga transportkanaler. Vi kommer att förbättra hållbarheten på eftermarknaden för tunga fordon genom att minska tre aspekter: brådskande transportbeställningar, transporter fram och tillbaka och skrotning av delar.
Planerat upplägg och genomförande
Projektpartners är Volvo Service Market Logistics, Rejmes Transportfordon och CAISR Högskolan i Halmstad. Med mer tillgänglig data kan AI och ML bidra till att minska klimatutsläppen och energiförbrukningen genom effektivare resursanvändning i eftermarknadsverksamheten för fordon. AIM-TRUE fokuserar på att använda nya metainlärningsverktyg för att förbättra de tjänster som tillhandahålls av Volvokoncernen. Vi kommer att utnyttja ML för att bättre förstå de faktorer som påverkar tillgängligheten av delar och möjliggöra individualiserade strategier för lagerstyrning.