Die Verfügbarkeitsgleichung: Warum Fahrzeugplattformen nicht auf die Cloud warten können

Dies ist Teil 3 von „Die Verfügbarkeitsgleichung“. Teil 1 befasste sich mit dem Fahrzeugkontext, und Teil 2 befasste sich mit dem Kompromiss zwischen Hardware und Software. In diesem Teil geht es darum, wo die Arbeit ausgeführt werden sollte.

Ein Fernlastwagen durchfährt einen Abschnitt der Autobahn, auf dem der Mobilfunkempfang ausfällt. Irgendwo auf diesem Abschnitt tritt für 90 Sekunden ein zeitweiliger elektrischer Fehler auf, der sich dann wieder behebt. Wenn die Erkennung über die Cloud erfolgt, kann eines von zwei Dingen passieren: Entweder wird das Ereignis übersehen, oder es trifft eine verzögerte Momentaufnahme ein, nachdem die relevanten Signale bereits überschrieben wurden. Wenn das Problem das nächste Mal auftritt, könnte dies in einer Werkstatt geschehen, in der keine Aufzeichnungen über die Umstände vorliegen, die es zuvor verursacht haben.

Dies ist die Feldversion des „Re-Drive“-Problems, das beschrieben wird in „The Agentic Loop“. Bei Nutzfahrzeugen tritt es häufiger auf, was auf den Einsatzort und die Einsatzweise dieser Fahrzeuge zurückzuführen ist.

Konnektivität ist keine Selbstverständlichkeit

Die Netzabdeckungskarten sind optimistisch. In einer Untersuchung der FCC-Mitarbeiter aus dem Jahr 2019führten Außendienstmitarbeiter 24.649 Fahrtests über eine Strecke von fast 10.000 Meilen in 12 Bundesstaaten durch. Nur bei 62,3 % der Tests wurden die von den Netzbetreibern auf ihren Karten prognostizierten Download-Geschwindigkeiten erreicht. Die Netze haben sich seit 2019 zwar verbessert, doch die Erkenntnis bleibt bestehen: Eine Karte, die die Netzabdeckung anzeigt, bedeutet nicht, dass ein Lkw im Moment eines Defekts auch tatsächlich Empfang hat. Offroad-Fahrzeuge auf Bergbaustandorten, landwirtschaftlichen Betrieben, Baustellen und in Häfen sind an Orten im Einsatz, denen Netzplaner selten Priorität einräumen. Die Flotten planen bereits entsprechend. Fahrer warten, bis sie einen Hof erreichen, um ihre Protokolle zu senden, Techniker rufen die Daten manuell ab, wenn ein Lkw eintrifft, und ein Lkw, der unterwegs den Kontakt verliert, wird als normal und nicht als Warnsignal gewertet. Jede dieser Umgehungslösungen kostet Betriebszeit, und keine davon erkennt eine 90-sekündige Störung auf einem menschenleeren Autobahnabschnitt.

Diese Unsicherheit macht den Offline-Betrieb zu einer Konstruktionsanforderung und nicht nur zu einer Ausweichlösung. In der McKinsey-Umfrage zum Thema Edge- AI im Automobilbereichnannten 39 % der Befragten die Offline-Verfügbarkeit als zentrale Anforderung für alle Anwendungsfälle im Bereich „ AI “ – noch vor geringerer Latenz (35 %) sowie Datenschutz und -sicherheit (20 %). Nur 6 % nannten die Kosten für die Netzwerkdaten. Bei den Argumenten für den Edge-Einsatz geht es weniger um die Mobilfunkrechnung als vielmehr darum, was die Cloud nicht sehen kann.

Datenvolumen: Es geht um das Signal-Rausch-Verhältnis, nicht um die Datenkosten

Netzwerke für Nutzfahrzeuge erzeugen kontinuierlich Daten. Ein einzelnes SAE J1939/14 -Bus kann mit bis zu 500 kbit/s betrieben werden, viele schwere Lkw verfügen über mehr als einen, und neuere Plattformen nutzen zusätzlich Automotive-Ethernet, wobei ein Großteil der Daten aus Kamerabildern für ADAS- und Sicherheitssysteme besteht. Über einen ganzen Fahrtag hinweg sind das weit mehr Daten, als es sich lohnt zu übertragen, und der Großteil davon bestätigt lediglich, dass nichts schiefgelaufen ist.

Als die Agentic Loop beschreibt, ist eine permanente Protokollierung „aufwändig bei der Übertragung über Mobilfunknetze, aufwändig bei der Speicherung und aufwändig bei der Auswertung“. Die Alternative besteht darin, direkt im Fahrzeug zu entscheiden, welche Daten wichtig sind:

• Ereignisgesteuerte Erfassung. Zeichnen Sie die Signale vor und nach einem Ereignis auf, anstatt ständig alles aufzuzeichnen. Mit Fastlane™ Edge Smart Triggerslöst beispielsweise ein schlankes Modell zur Anomalieerkennung im Fahrzeug eine „ Fastlane™ Collector “-Richtlinie erst dann aus, wenn es ein abnormales Verhalten feststellt – etwa einen Motor, der außerhalb seines normalen Betriebsbereichs läuft –, sodass das Fahrzeug die Signale rund um das abnormale Ereignis erfasst, anstatt einen kontinuierlichen Datenstrom.
• Komprimierung im Fahrzeug. Fastlane™ Collector Nennt eine bis zu 28-fache Reduzierung der Datenmenge durch Zeitreihenkompression.
• Fahrzeuginterne Historie. Eine Zeitreihendatenbank auf dem Fahrzeug speichert die Signalhistorie der letzten Wochen oder Monate. Tritt ein Fehler in einer Funklücke auf, ist der Kontext weiterhin vorhanden, sobald der Lkw wieder eine Verbindung herstellt, und die Ingenieure können genau den benötigten Zeitabschnitt abrufen, anstatt darauf zu warten, dass der Fehler erneut auftritt.
• Filterung vor dem Hochladen. Senden Sie zusammengefasste, relevante Ergebnisse anstelle von Rohdatenströmen. In einer Fallstudie eines Partners zur Einbruchserkennung im Fahrzeug konnten durch die lokale Verarbeitung und das Hochladen nur relevanter Warnmeldungen die Cloud-Kosten um 60 % gesenkt werden.

Verzögerung: Manche Entscheidungen können nicht warten

Bestimmte Maßnahmen – wie der Schutz einer Komponente, die Anpassung des Systembetriebs, die Warnung eines Fahrers oder die Meldung eines möglichen Cyberangriffs – müssen innerhalb von Sekunden erfolgen. Das macht das Fahrzeug zum naheliegenden Ort für deren Abwicklung, auch wenn die Latenz allein nicht darüber entscheidet, wo die Intelligenz zum Einsatz kommen sollte. McKinsey weist darauf hin, dass der Edge-Bereich nicht immer einen entscheidenden Latenzvorteil bietet. Bei vielen diagnostischen Anwendungsfällen sind Verfügbarkeit und Kontext wichtiger als Millisekunden.

Das alles mindert jedoch nicht die Bedeutung der Cloud. Sie übernimmt die Aufgaben, die ein einzelnes Fahrzeug nicht bewältigen kann:

• Flottenweite Mustererkennung. Ein Fehlermodus kann bei einem Lkw wie ein Störgeräusch erscheinen, bei Tausenden von Lkws jedoch ein offensichtliches Problem darstellen.
• Ursachenanalyse. Dabei werden Fahrzeugdaten mit technischen Unterlagen, der Wartungshistorie und früheren Fällen kombiniert. Fastlane™ Insight Dies geschieht in der Cloud, wobei „ AI “ eingesetzt wird, um diese Quellen miteinander zu verknüpfen und wahrscheinliche Ursachen zu ermitteln.
• Modelltraining und -validierung. Hierbei kommen die am Edge erfassten, kontextreichen Ereignisse zum Einsatz.
• Verteilung. Aktualisierte Modelle und Erfassungsrichtlinien werden drahtlos an die Fahrzeuge übertragen.

Der Edge-Bereich erkennt und erfasst, die Cloud analysiert und lernt, und der Edge-Bereich handelt dann auf der Grundlage dessen, was die Cloud gelernt hat. Fastlane™ Edge basiert auf diesem Kreislauf: Es führt im Fahrzeug eine Anomalieerkennung durch und erhält drahtlos aktualisierte Modelle, während die Cloud lernt. Die Ausführung von Intelligenz am Edge verringert die Abhängigkeit von der Konnektivität, während das flottenweite Lernen die bereits auf der Straße befindlichen Fahrzeuge kontinuierlich verbessert.

Eine Grenze ziehen

Eine nützliche Regel: Erledige die Arbeit dort, wo die Daten und die Frist sind.

Wenn eine Entscheidung von den aktuellen Daten eines einzelnen Fahrzeugs abhängt, gehört sie ins Fahrzeug. Wenn sie von den Daten vieler Fahrzeuge über einen bestimmten Zeitraum hinweg abhängt, gehört sie in die Cloud. Die Erfassung von Kontextdaten im Fahrzeug ist auch für gemischte Flotten von Vorteil. Wenn diese Daten an der Quelle mithilfe gemeinsamer Signaldefinitionen wie COVESA VSS, kann er in einheitlicher Form von jeder Marke beim Telematikanbieter der Flotte ankommen. Und Marktprognosen deuten darauf hin, dass die Erstausrüster in dieses Modell investieren. GM Insights schätzt, dass Nutzfahrzeuge im Jahr 2025 einen Anteil von 3,59 Milliarden US-Dollar am Markt für Edge-Computing im Automobilbereich ausmachen werden, mit einem jährlichen Wachstum von etwa 22 %.

Sobald die Edge-Geräte die richtigen Kontextdaten erfassen, dienen diese als Grundlage für „ AI “, das Ausfälle nicht nur meldet, sondern auch vorhersagen kann. Teil 4 knüpft daran an.

Fazit: Nutzfahrzeuge benötigen Intelligenz an beiden Enden der Verbindung. Das Fahrzeug übernimmt die Erkennung, die Erfassung des Kontexts und zeitkritische Maßnahmen. Die Cloud übernimmt das Lernen über die gesamte Flotte hinweg. Die Empfehlung: Diese Aufgaben sollten standardmäßig dem Fahrzeug zugewiesen werden, während die Cloud für alles genutzt wird, wofür die Daten von mehr als einem Lkw benötigt werden. Beide Komponenten sollten von Anfang an als ein Kreislauf konzipiert werden, sodass die in der Cloud trainierten Modelle wieder an die Lkw zurückfließen, die die Daten erfasst haben. Ein Fehler, den der Lkw nicht erfasst, ist ein Fehler, der wieder auftritt – und jeder erneute Auftreten kostet Betriebszeit.