(Dieser Artikel wurde ursprünglich auf Forbes.com veröffentlicht.)
Softwaredefinierte Fahrzeuge entwickeln sich rasch zu intelligenten, sich selbst optimierenden Systemen, die auf künstlicher Intelligenz basieren (AI). Mit der Erweiterung ihrer Fähigkeiten besteht die zentrale Herausforderung nicht mehr darin, größere Modelle zu entwickeln, sondern die enormen Datenmengen zu verwalten, auf die diese Modelle angewiesen sind.
Ein SDV kann je nach Komplexität seiner IoT-, Telematik- und Sensorsystemetäglich bis zu2 Terabyte an Rohdaten erzeugen. Selbst im niedrigsten Fall entspricht dies Hunderten von HD-Filmen, die täglich von einem einzigen Fahrzeug erzeugt werden. Multipliziert mit Millionen von SDVs ergibt sich ein Ökosystem, das jährlich Exabyte an Daten produziert, von denen der Großteil nach wie vor über Fahrzeug und Cloud verstreut ist und von den Systemen zur „ AI “ nur unzureichend genutzt wird.
Im Gegensatz zu Cloud-nativen Unternehmen sehen sich Automobilhersteller mit fragmentierten Architekturen und uneinheitlichen Datenstandards konfrontiert. Jede „ AI “-Implementierung – sei es für Fahrerassistenz, Energiemanagement oder vorausschauende Wartung – erfordert eine maßgeschneiderte Integration. Dies bremst den Fortschritt, gerade jetzt, wo von Fahrzeugen erwartet wird, dass sie Echtzeit-Intelligenz liefern.
Ich bin davon überzeugt, dass die nächste Welle der Automobil- AI en von der Datenorchestrierung abhängt – also von der Fähigkeit, den Informationsfluss zwischen Fahrzeug, Edge und Cloud zu standardisieren, damit die Daten sofort für Lernprozesse und Automatisierung genutzt werden können.
Von größeren Modellen zu besseren Datengrundlagen
Der weltweite Markt für „ AI “ in der Automobilbranche wird voraussichtlich bis 2034 auf einen Wert von fast 50 Milliarden US-Dollar anwachsen, ausgehendvon4,7 MilliardenUS-Dollar im Jahr 2025. Während die Investitionen in Algorithmen an Fahrt gewinnen, vollziehen sich die einschneidendsten Fortschritte hinter den Kulissen – nämlich bei der Art und Weise, wie Fahrzeugdaten von Algorithmen und Modellen für „ AI “ abgerufen, aufbereitet und genutzt werden.
In einem modernen Fahrzeug kommunizieren Dutzende elektronischer Steuergeräte über Netzwerke wie CAN und Ethernet miteinander. Jedes Teilsystem stützt sich auf unterschiedliche Datendefinitionen, Übertragungsintervalle und Sicherheitsebenen. Für die Ingenieure von „ AI “ bleibt die Synchronisierung dieser Signale eine komplexe Aufgabe, die sich über Fahrzeugbaureihen und Zulieferer hinweg noch weiter verkompliziert.
Neue Orchestrierungs-Frameworks können dabei helfen, Signale in Echtzeit zu normalisieren und Daten an die entsprechenden Recheninstanzen im Fahrzeug oder in der Cloud weiterzuleiten. Teams können einmalig auf einer gemeinsamen Datenschicht entwickeln und die Ergebnisse über verschiedene Fahrzeugbaureihen hinweg wiederverwenden. Dies reduziert den Integrationsaufwand und ermöglicht gleichzeitig schnellere und sicherere Software-Einführungen im Flottenmaßstab.
Für Automobilhersteller ist eines der wichtigsten Elemente der Orchestrierung die kontinuierliche Innovation durch ereignisgesteuerte Arbeitsabläufe, die es ermöglichen, dass sich Fahrzeuge noch lange nach Verlassen des Werks weiterentwickeln.
Diese Arbeitsabläufe verbinden Sensoren im Fahrzeug, „ AI “-Systeme und Cloud-Intelligenz, um bestimmte Zustände zu erkennen und automatisch darauf zu reagieren. Die Unfallerkennung ist ein anschauliches Beispiel dafür. Bei einem Aufprall können die vernetzten Systeme in Echtzeit eine koordinierte Abfolge von Maßnahmen auslösen:
• Die Fahrerassistenzmodule aktivieren, um das Fahrzeug sicher zum Stehen zu bringen
• Hochspannungskreise isolieren, um Brände nach einem Unfall zu verhindern
• Führen Sie eine Selbstdiagnose durch, um beschädigte Komponenten zu identifizieren
• Reparaturdaten an nahegelegene Servicezentren übermitteln, noch bevor das Fahrzeug dort eintrifft
Durch die Verknüpfung von Live-Sensordaten mit koordinierten Reaktionen können Automobilhersteller daran arbeiten, Sicherheit, Zuverlässigkeit und Leistung durch Software-Updates zu verbessern und so Rohdaten in kontinuierliche Verbesserungszyklen über die gesamte Lebensdauer eines Fahrzeugs hinweg umzuwandeln. Diese geschlossenen Regelkreise ermöglichen es OEMs, Änderungen schneller umzusetzen, aus Ereignissen in der Praxis zu lernen und die Kosten für Experimente zu senken. Deloitte berichtet, dass OEMs, die eine zentralisierte (koordinierte) Entscheidungsfindung für SDVs nutzen,23 %ihrer SDV-bezogenen F&E-Ausgabeneinsparen– in einigen Fällen bis zu 700 Millionen US-Dollar.
Datenorchestrierung in konkrete Ergebnisse umsetzen
Die Automobil- AI t über reine Algorithmen hinausgewachsen. Heute geht es darum, Intelligenz sicher, effizient und gewinnbringend auf Millionen vernetzter Systeme zu skalieren. Ein effektiver Ansatz zur Datenorchestrierung trägt dazu bei, dies zu ermöglichen, indem er Informationen von der Entwicklung bis zum täglichen Betrieb miteinander verknüpft und Mobilität zu einer sich kontinuierlich verbessernden Plattform macht.
Da sich Fahrzeuge zunehmend zu Software-Ökosystemen entwickeln, kann die Orchestrierung ebenfalls dazu beitragen, Effizienzsteigerungen zu erzielen, die Sicherheit zu verbessern und messbare finanzielle Erträge in drei Kernbereichen zu erzielen:
1. Effizienz:Einheitliche Datenpipelines reduzieren redundante Integrationen und ermöglichen es den „ AI “-Modellen, vorhandene Netzwerk- und Rechenressourcen wiederzuverwenden, wodurch die Markteinführungszeit verkürzt und der technische Aufwand gesenkt wird.
2. Sicherheit:Der Zugriff auf Echtzeitdaten stellt sicher, dass „ AI “-Systeme sofort auf sich ändernde Straßen- oder Systembedingungen reagieren, während Simulationsumgebungen historische Daten wiedergeben, um die Leistung vor der Inbetriebnahme zu überprüfen.
3. Einsparungen:Softwaredefinierte Architekturen und intelligente Orchestrierung könnten bis 2030durchschnellere Entwicklungszyklen, vorausschauende Diagnostik und die drahtlose Bereitstellung von Funktionen einen Mehrwert von400 bis 600 Milliarden US-Dollarerschließen. In Kombination mit Effizienzsteigerungen durch Orchestrierung – wie beispielsweise die Verkürzung von Update-Zyklen von Monaten auf Wochen – summiert sich der finanzielle Ertrag über alle Flotten hinweg, da sich jede Verbesserung sofort skalieren lässt.
So sieht eine effektive Datenorchestrierung in der Praxis aus
Für Automobilhersteller und Zulieferer, die daran arbeiten, Orchestrierung in die Praxis umzusetzen, hilft eine kleine Reihe von Grundsätzen dabei, zu bestimmen, ob diese Bemühungen skalierbar sind oder ins Stocken geraten. Ich schlage vor, mit der Signalnormalisierung zu beginnen und nicht mit Modellen. Der Einsatz von „ AI “, bevor Fahrzeugdaten plattformübergreifend einheitlich definiert sind, schränkt die Wiederverwendbarkeit ein und verlangsamt den Fortschritt. Eine einheitliche Datenbasis ermöglicht Skalierbarkeit.
Es ist außerdem wichtig, die Orchestrierung von Anfang an so zu konzipieren, dass sie sowohl den Fahrzeug-Edge-Bereich als auch die Cloud abdeckt. Die Verarbeitung aller Daten in der Cloud führt zu Latenz und zusätzlichen Kosten, während die vollständige Verlagerung in das Fahrzeug das Lernvermögen einschränkt. Effektive Frameworks schaffen hier ein Gleichgewicht.
Behandeln Sie zudem ereignisgesteuerte Arbeitsabläufe als Kerninfrastruktur. Wenn Fehler, Abstürze oder Änderungen der Umgebung automatisch Maßnahmen auslösen, verbessern sich die Fahrzeuge kontinuierlich, ohne dass manuelle Eingriffe erforderlich sind. Vermeiden Sie Punktlösungen, die nur ein einzelnes Problem lösen. Fest programmierte Logik mag isoliert funktionieren, versagt jedoch häufig im großen Maßstab. Die Orchestrierung sollte Systeme im Laufe der Zeit vereinfachen und nicht zusätzlich komplex machen.
Gemeinsam können diese Prinzipien die Orchestrierung zu einem Motor für nachhaltige Innovation machen.
Das Automobil-Handbuch für das Zeitalter des „ AI “ neu schreiben
Eine Umfrage von „ Sonatus “ unter mehr als 500 Branchenexperten ergab, dass zu den wichtigsten Prioritäten für Erstausrüster im Jahr 2025 die Integration von Datenpipelines, die Vorbereitung auf das „ AI “ sowie Cybersicherheit zählen, was unterstreicht, dass die bedeutendsten Fortschritte aus einer stärkeren Infrastruktur resultieren werden. Die Umfrage ergab außerdem, dass bis 2030 voraussichtlich ein Großteil der weltweiten Neuproduktion auf softwaredefinierte Fahrzeuge entfallen wird, was einen grundlegenden Wandel in der Wertschöpfung der Automobilbranche markiert.
Ich bin davon überzeugt, dass die Hersteller, die diesen Wandel anführen, nicht nur intelligentere Systeme entwickeln werden, sondern auch die Datengrundlagen beherrschen werden, die eine kontinuierliche Verbesserung der Intelligenz gewährleisten. Die nächste Herausforderung im Bereich der Automobil AI t nicht allein die Autonomie. Es geht darum, Fahrzeuge so auszustatten, dass sie durch koordinierte Daten, die Intelligenz in Handeln umsetzen, lernen, sich anpassen und weiterentwickeln können.
