Czy sztuczna inteligencja poradzi sobie z diagnozą samochodu? Sprawdzamy, co realnie potrafi AI w warsztacie

Wprowadzenie sztucznej inteligencji do warsztatu samochodowego nie polega na tym, że po podłączeniu komputera diagnostycznego algorytm od razu stawia trafną diagnozę i sam usuwa awarię. W codziennej pracy typowego serwisu znacznie bardziej praktyczne okazują się dziś narzędzia, które ułatwiają diagnostykę, systematyzują dane pochodzące z pojazdu, dają szybszy dostęp do dokumentacji technicznej, pomagają odczytywać symptomy usterek oraz wspierają tworzenie zrozumiałych raportów dla klientów.

AI przy diagnozie – pomocnik, a nie ostateczny werdykt

Najbardziej oczywistym polem, na którym sztuczna inteligencja może się sprawdzić w warsztacie, jest wspomaganie procesu diagnostycznego. Autor materiału opisuje własne zmagania z usterkami w dwóch samochodach, podczas których wskazówki od Claude'a okazały się przydatne praktycznie w każdym przypadku. Co istotne, poważniejsze problemy, których nie udało mu się rozwiązać samemu, zostały przez mechanika zdiagnozowane identycznie jak wcześniej wskazał to model AI. Zgodne okazały się nawet szacunkowe koszty naprawy. Autor zaznacza, że jako osoba niebędąca specjalistą może przeceniać zdolności dużych modeli językowych, a opisywane usterki mogły być po prostu dość typowe – jednak samo doświadczenie samodzielnego wyeliminowania części problemów z pomocą AI ocenia jako satysfakcjonujące. Warto jednak spojrzeć na temat z perspektywy nie amatora, lecz osoby prowadzącej warsztat.

Współczesne pojazdy produkują ogromne ilości informacji: kody błędów, aktualne parametry pracy, historię zdarzeń, odczyty z czujników, a także dane z systemów ADAS, układów hybrydowych, elektrycznych oraz sterowników odpowiadających za bezpieczeństwo. Sam kod błędu bardzo rzadko stanowi kompletną diagnozę – to raczej punkt wyjścia do dalszych działań. Tutaj właśnie AI, automatyzacja i rozwinięte systemy diagnostyczne mogą pomóc w organizacji tych danych, wskazując, które sterowniki wymagają sprawdzenia, jakie symptomy odpowiadają danemu kodowi, które parametry zestawić ze sobą i jaka procedura pozwoli dotrzeć do źródła awarii.

Mimo to mechanik wciąż musi samodzielnie wykonać pomiary, skontrolować instalację, zweryfikować zasilanie, masy, czujniki, wiązki, aktualizacje oprogramowania i typowe usterki danego modelu. Podpowiedź systemu należy traktować jako hipotezę do zbadania, nie jako gotowy wynik pomiaru. Niemniej AI może skrócić czas potrzebny na dojście do rozwiązania – jeśli sprawdziła się u laika, w rękach doświadczonego fachowca odpowiednio potwierdzone źródłami wskazówki od Claude'a mogą stanowić realne wsparcie.

Narzędzia AI już dostępne w warsztatach

Autor sprawdził, jakie rozwiązania AI są obecnie realnie dostępne i mogłyby znaleźć zastosowanie w polskich serwisach. Najbardziej rozpoznawalnym i najlepiej opisanym przykładem jest TEXA IDC6. Wśród innych rozwiązań wymienia Bosch ESI[tronic] oraz asTech LINK, jednak w ich przypadku mamy do czynienia z klasycznym oprogramowaniem diagnostycznym – te marki na razie nie budują komunikacji marketingowej wokół słowa „AI”.

Oprogramowanie diagnostyczne TEXA IDC6

TEXA IDC6 to system diagnostyczny przeznaczony do warsztatów, obsługujący wiele marek pojazdów i współpracujący z testerami TEXA. Producent wskazuje dwie funkcje związane z AI: AI Smart Diagnosis oraz AI Global Search. Zgodnie z materiałami TEXA, funkcje te są dostępne w konkretnych wariantach licencyjnych, między innymi w ramach aktywnej subskrypcji TEXPACK CAR. AI Smart Diagnosis ma prowadzić użytkownika przez poszczególne etapy diagnostyki – od automatycznej identyfikacji pojazdu, przez skanowanie sterowników, aż do sugerowania możliwych rozwiązań problemu. AI Global Search ma z kolei ułatwiać szybsze wyszukiwanie informacji w oprogramowaniu.

Odczytywanie symptomów i kodów błędów

Autor opisuje sytuację, która zrobiła na nim duże wrażenie: po krótkim przedstawieniu objawów mechanik natychmiast podał trzy możliwe scenariusze usterki, a po pozostawieniu auta w warsztacie szybko potwierdził, że pierwsza hipoteza była właściwa. Podobnie jak wcześniej, nie wyklucza, że była to popularna usterka, a on sam – jako laik – mógł nadmiernie docenić trafność diagnozy.

Możliwe, że dla doświadczonego mechanika taka sytuacja nie miała w sobie nic wyjątkowego – znajomość konkretnego modelu i typowych awarii pozwala szybko łączyć poszczególne elementy układanki. Nie zmienia to jednak faktu, że właśnie w takich przypadkach AI może wykazać się dużą przydatnością, zwłaszcza gdy liczba możliwych przyczyn jest ograniczona, a problem obejmuje jednocześnie mechanikę i elektronikę. Kiedy klient opisuje konkretny objaw, komputer pokazuje określone kody błędów, a do tego dołączają parametry z czujników, historia serwisowa i znane wady danego modelu, AI może pomóc w uporządkowaniu tropów – wskazać, co sprawdzić najpierw, które dane są istotne, a które mogą być tylko efektem wtórnym.

Ma to znaczenie, bo w diagnostyce łatwo jest wpaść w schemat wymiany podzespołów wyłącznie na podstawie kodu błędu, bez uwzględnienia szerszego kontekstu. Z tego powodu sztuczna inteligencja może być szczególnie wartościowa dla mniej doświadczonych mechaników lub osób uczących się diagnostyki – nie jako narzędzie zatwierdzające naprawę w imieniu człowieka, lecz jako pomoc w zawężeniu listy hipotez, ustaleniu kolejności sprawdzania i ograniczeniu przypadkowego poszukiwania przyczyny.

Raporty dla klienta tworzone z pomocą AI

Sztuczna inteligencja może przydać się także po zakończeniu diagnostyki. Wielu klientów nie rozumie fachowego, warsztatowego słownictwa. Często również auto odbiera od klienta inna osoba niż ta, która faktycznie zajmowała się naprawą, więc nie zawsze można dopytać o szczegóły na miejscu. Klient chce wiedzieć, za co płaci, a osoby ciekawe technicznych detali chcą też rozumieć, co dokładnie się wydarzyło i jak problem został rozwiązany.

W takich przypadkach modele językowe, takie jak ChatGPT czy Claude, mogą pomóc mechanikom, którzy zwykle mają umysł bardziej techniczny niż humanistyczny, a „ludzki język” w ich rozumieniu nie zawsze pokrywa się z tym, co jest zrozumiałe dla klienta. LLM może przekształcić notatki mechanika w prostszy, bardziej przystępny opis. Autor podaje przykład: mechanik zapisuje po naprawie: „P0171, dodatnie korekty długoterminowe, potwierdzona nieszczelność przewodu dolotowego, wymieniono uszkodzony przewód, wykonano ponowną kontrolę parametrów – korekty w normie”. Model AI może przełożyć to na komunikat zrozumiały dla klienta: „Podczas diagnostyki sterownik silnika wskazywał zbyt ubogą mieszankę, czyli nieprawidłowy stosunek powietrza do paliwa. Przyczyną okazała się nieszczelność przewodu dolotowego. Uszkodzony przewód został wymieniony, a po naprawie ponownie sprawdziliśmy parametry pracy silnika. Wyniki wróciły do normy”. Autor zaznacza jednak, że to zawsze mechanik musi zweryfikować, czy finalna wersja opisu nie zawiera błędów wynikających z halucynacji modelu.

Czego AI nie powinna robić przy diagnozowaniu pojazdów

Największym błędem byłoby traktowanie sztucznej inteligencji jako nieomylnego diagnosty. Model językowy może stwarzać wrażenie pełnej wiedzy o problemie, ale w rzeczywistości nie widzi samochodu, nie słyszy pracy silnika, nie wyczuwa zapachu spalenizny, nie sprawdza luzu mechanicznego, nie mierzy napięcia i nie odpowiada za bezpieczeństwo pojazdu.

AI nie powinna samodzielnie potwierdzać diagnoz, decydować o bezpieczeństwie pojazdu, deklarować klientowi kosztu naprawy bez weryfikacji przez specjalistę (choć klient może sam skonsultować z AI, czy podana kwota za naprawę i części jest realna), interpretować procedur producenta bez wskazania źródła, ani zastępować kwalifikacji zawodowych mechanika.

Rola sztucznej inteligencji sprowadza się do zbierania danych, porządkowania objawów, wyszukiwania dokumentacji, wskazywania możliwych tropów, wspierania przygotowania raportu oraz przyspieszania dostępu do informacji. Ostateczną decyzję zawsze podejmuje człowiek, który bierze pełną odpowiedzialność za wykonaną pracę.

Źródło: AntyWeb