Le case automobilistiche possono spendere miliardi di dollari per progettare nuovi modelli di auto, di cui circa il 60% delle decisioni di acquisto è basato sull’estetica del prodotto. Tradizionalmente, il processo di valutazione del design si basava su cliniche tematiche costose, in cui i consumatori giudicavano i progetti. Tuttavia, un recente documento co-autore del professore di marketing del MIT Sloan, John Hauser, dimostra come i modelli di machine learning possono semplificare il processo e portare meno errori sul mercato.

Lavorando con General Motors come partner di ricerca, Hauser e i suoi coautori hanno sviluppato due modelli: un modello generativo che crea nuovi progetti di auto basati sui suggerimenti dei designer e un modello predittivo che prevede come i consumatori valuteranno i progetti rispetto all’estetica o all’innovazione. Il modello generativo produce immagini esteticamente accattivanti che i consumatori apprezzano e suggerisce persino design che vengono successivamente introdotti sul mercato. Inoltre, i ricercatori hanno scoperto che il modello può essere applicato a prodotti non automobilistici.

I modelli di machine learning non intendono sostituire i progettisti umani, ma potrebbero essere un potenziamento del processo di progettazione simile alla modellazione assistita da computer in altri settori in cui l’estetica gioca un ruolo di primo piano. La progettazione automobilistica è un processo iterativo e asincrono, che richiede decine di migliaia di decisioni e viene valutato sia dai consumatori che dai critici. Gli esperti vedono l’intelligenza artificiale come un’aggiunta ai progettisti umani, in grado di fornire idee su ciò che i clienti trovano esteticamente gradevole. Tuttavia, un progettista umano non produrrà esattamente ciò che la macchina produce.

Il documento dimostra come i modelli di machine learning possono migliorare il processo di progettazione e ridurre i costi, poiché le case automobilistiche possono eliminare i progetti che hanno maggiori probabilità di ottenere punteggi bassi in termini di estetica. In questo modo, le case automobilistiche possono evitare di avanzare queste opzioni oltre la fase di progettazione iniziale e accelerare i tempi di sviluppo.

Inoltre, i modelli di machine learning possono generare nuove idee e provarle, offrendo ai designer uno strumento per ottenere nuove prospettive. Tuttavia, i modelli hanno bisogno di un progettista esperto per definire prima i parametri e la progettazione automobilistica rimane un processo iterativo e asincrono, che richiede un lavoro umano costante.

L’articolo sottolinea che l’estetica del prodotto è un fattore cruciale nelle decisioni di acquisto nel settore automobilistico e che i modelli di machine learning possono contribuire a migliorare questo aspetto del processo di progettazione. L’esempio della Pontiac Aztek, un SUV crossover che ha ottenuto punteggi elevati di soddisfazione del cliente, ma è stato deriso come una delle auto più brutte di tutti i tempi, dimostra l’importanza dell’estetica nella vendita di un prodotto.

In conclusione, i modelli di machine learning possono essere un’aggiunta preziosa al processo di progettazione automobilistica, fornendo ai designer nuove idee e contribuendo a migliorare l’estetica dei prodotti. Tuttavia, la progettazione automobilistica rimane un processo umano e complesso che richiede una combinazione di intelligenza artificiale e lavoro umano costante.

Di Fantasy