AI驅(qū)動型平臺采用感知技術(shù)后，不僅能利用過去的失敗案例進行自學，還能通過學習預計未來的狀況。該功能極為重要，因為許多召回事件的癥結(jié)在于出現(xiàn)了新的問題。

利用傳感器數(shù)據(jù)實現(xiàn)自學后，認知應用就能從微觀層面了解常規(guī)工況及環(huán)境因素對機器造成的影響了，效果遠超人腦常用的宏模式(macro-patterns)。這意味著，當在品質(zhì)檢查流程匯中未被探查到細微異常(micro-anomalies)及小變動出現(xiàn)時，可自動識別上述情況。于是，就能提前預知設(shè)備關(guān)?；蚬收系臅r間，并在發(fā)布產(chǎn)品召回或引起設(shè)備關(guān)停前，提前解決問題。

為確保該技術(shù)得到有效地利用，汽車制造商應致力于在生產(chǎn)流程中部署多個接觸點。在最初的制造流程中，認知型預見性維護可識別在線缺陷(in-line defects)，在產(chǎn)品進入市場前，就能解決存在的問題。

認知型預見性維護不僅能監(jiān)控車輛生產(chǎn)，還能在確保生產(chǎn)線平穩(wěn)運行的情況下，使用生產(chǎn)線機器打造零件。在制造工廠內(nèi)配置了大量的工業(yè)級物聯(lián)網(wǎng)及傳感器后，可了解機器的運行及健康狀況，測定精度可達分鐘級別。

這意味著工廠能始終采用精準的數(shù)字化模擬其所有機器的運行情況，為其機器提供工裝，查看其是否在未來某個時間段實現(xiàn)維護。認知學習被引入制造流程后，可分析機器的健康狀態(tài)并進行上報，從而實現(xiàn)提前維護，避免后期出現(xiàn)故障。

當車輛出廠后，預見性維護依然發(fā)揮其作用。認知型預見性維護建模可根據(jù)互聯(lián)車輛、檢修記錄、已更換零部件的測試數(shù)據(jù)等多個數(shù)據(jù)渠道進行判定。此外，天氣條件、路況、駕駛員注意力及生物識別感應器(biometric sensors)及社交媒體等獲得相關(guān)信息及數(shù)據(jù)。該數(shù)據(jù)可被用于識別并解決故障，避免設(shè)備關(guān)停，或快速開展維護流程并規(guī)劃零部件庫存及現(xiàn)場人員配置。

對汽車業(yè)而言，認知型預見性維護的重要性越來越高，即使是細微的優(yōu)勢也能為車企節(jié)省數(shù)百萬美元。然而，最令人興奮的是，認知技術(shù)在汽車制造流程中的應用只是個開始而已。