O projeto Ford Care tem como objetivo automatizar a verificação das condições do automóvel utilizando dados gerados pelo veículo, dessa maneira, atuais donos de veículos Ford conseguiriam acompanhar a saúde do seu veículo e receberiam insights para prolongar a vida útil do automóvel e, consequentemente, aumentar o valor de revenda do mesmo. Em suma, o projeto servirá para impulsionar o valor de revenda dos produtos da Ford, aumentar a vida útil dos automóveis e proporcionar que as condições de um veículo autônomo estejam seguras mesmo sem uma averiguação humana. Portanto, nos próximos 5 anos com a ajuda da inteligência artificial e do aprendizado de máquina, a Ford poderá construir uma base para continuar garantindo a qualidade das experiências e sentimentos que cria em seus clientes por mais 100 anos.
O desenvolvimento foi pensado em dois núcleos, a parte de maintenance e do atendimento das requisições do app.
Esse núcleo tem como objetivo cuidar do tratamento, limpeza dos dados e treinamento dos modelos. Há de ser executado periodicamente de acordo com a frequência de atualização dos dados. Os modelos são abastecidos por dados OBD2, gerados pelos próprios veículos. Inicialmente, os treinamentos foram efetuados com dados oferecidos em um repositório do Kaggle (https://www.kaggle.com/cephasax/obdii-ds3), no entanto, no futuro usaremos os dados dos dispositivos que farão as requisições para a aplicação. Todos os modelos são devidamente treinados e exportados para a biblioteca ford_care, que conterá todas as funcionalidades para as requisições. Ainda há uma função que retorna a porcentagem de desgaste de componentes julgados como importantes (motor, transmissão, filtro de óleo e filtro de combustível). As ferramentas usadas são:
- Ford Guesser (KNN): É o modelo a ser requisitado, que responde se o veículo tem o risco de criar um alerta para algum componente do trem de força;
- Ford Classifier (KNN): Responsável por mostrar o alarme que provavelmente será retornado;
- Ford Tear: Retorna a porcentagem de desgaste dos componentes citados anteriormente, baseando-se na distância total percorrida pelo carro e vida média (em km) de cada um deles.
Essa segunda parte cuida de receber os dados via pymongo, usar os modelos em pickle e a função Ford Tear para retornar os resultados para o usuário. Essa parte há de ser descrita de maneira mais detalhada futuramente.