新能源汽车数据分析场景：
传统汽车行业如果汽车在行驶或其他场景出现了一些问题，需要致电相关客服，客服拉工单，然后安排人员解决。这种模式属于被人发现了问题，被动解决问题。有没有一种可以不靠用户发现问题，由我们自身数据运行过程中及时发现并解决告知用户，提升用户体验度和企业影响力？
这样一种方向下，我们可以通过分析自身车辆信号，通过算法模型分析出该问题，并给出解决方案。这样一来，就变成了用户在车辆问题出现的时候或者问题已经被我们发现并给出解决办法甚至于用户无感知而我们已经把问题解决掉了，这样客服团队的人力就可以有效减少，ai的简化硅基人能力的价值得以体现。所以该项目就在这样的场景下立项。
通过整车信号上报的异常信号发现车身问题，智能诊断负责给出具体的原因并给出解决方案。模型本身有基于信号判断或NLP模型，工程负责将模型整合成服务供外部系统调用。
总体来说有几个过程
1：通过车辆实时信号发现车身问题
2：分析问题信号调用诊断模型得出诊断结果
3：模型的前后应用处理完成将结果和建议的解决方案给到售后团队售后团队安排做出相关安排
作为项目负责人，主导智能诊断模块的工程化落地，涵盖需求方案设计、项目排期与整体推进。基于整车信号数据，构建异常信号识别机制，结合信号判断与NLP模型，实现对车身问题的智能诊断与解决方案输出。工程层面通过Triton框架整合多模型服务，实现资源高效利用，仅使用单张GPU即支持多个模型并发调用，显著提升系统资源利用率。
评论