Wie Edge- AI s die Sicherheit der Fahrer revolutioniert

0:00 Einführung in den Podcast „ Driving Innovation “

Willkommen bei „ Driving Innovation “, einem Podcast von „ Sonatus “, der sich mit Technologien und Lösungen befasst, die die Automobil- und Mobilitätsbranche prägen.

Heute befassen wir uns damit, wie „ AI at the Edge“ die Risikobewertung von Fahrern, Versicherungsinnovationen und die Intelligenz im Fahrzeug verändert.

0:19 Vorstellung des Gastes: Siva Yoganathan

Zu mir gesellt sich Siva Yoganathan, Vizepräsident für Technik bei MOTER Technologies.

MOTER trägt dazu bei, den Insurtech-Sektor neu zu definieren, indem es über traditionelle Risikoprüfungsmodelle hinausgeht und Daten zum tatsächlichen Fahrverhalten, kontextbezogene Fahrzeugdaten sowie integrierte „ AI “ nutzt, um sicherere und individuellere Mobilitätserlebnisse zu schaffen.

0:39 Zusammenarbeit zwischen MOTER und Sonatus

In diesem Gespräch werden wir erörtern, wie MOTER und Sonatus zusammenarbeiten, um fortschrittliche Modelle aus dem Bereich „ AI “ mithilfe von Sonatus AI Director direkt im Fahrzeug einzusetzen. Dies ermöglicht Echtzeit-Fahrercoaching, eine skalierbare Implementierung, einen stärkeren Datenschutz sowie einen grundlegend neuen Ansatz für verhaltensbasierte Versicherungen und Sicherheit.

1:09 Die Rolle von MOTER im Bereich Risk Intelligence verstehen

Sival, willkommen bei „ Driving Innovation “. Beginnen wir doch mit einer kurzen Vorstellung und einer Erläuterung deiner Rolle dort.

Vielen Dank, Sanjay, dass ich bei diesem Podcast zu Gast sein darf. MOTER ist also ein InsurTech-Unternehmen, und wir konzentrieren uns auf die Entwicklung von „ AI “-Grundmodellen, die für die Risikoanalyse am Edge eingesetzt werden. Unser Fokus liegt nicht nur auf der Risikomessung, sondern vor allem auf der Risikominderung. Außerdem geht es uns nicht darum, die Fahrzeuge lediglich zur Datenerfassung zu nutzen, sondern vielmehr darum, „ AI “-Modelle zu entwickeln, die dabei helfen, diese Daten zu interpretieren, zu analysieren und direkt am Edge einen Mehrwert zu schaffen.

Und genau darauf konzentriert sich MOTER – wie der Name schon sagt, steht MOTER für „Mobility on the Edge in Real Time“.

Okay.

Das ist also unser Name. Das ist clever.

Vielen Dank. Wenn ich das richtig verstehe, geht der Ansatz von MOTER weit über herkömmliche nutzungsabhängige Versicherungsmodelle hinaus. Können Sie erläutern, worin der grundlegende Unterschied Ihres Modells zur Fahrerrisikoanalyse besteht und warum Sie so großen Wert auf kontextbezogene Fahrdaten legen, die in diesem Zusammenhang eine so große Rolle spielen?

2:21 Traditionelle vs. kontextbezogene Risikoanalyse

Richtig. Wenn man also an ein herkömmliches UBI denkt, werden dort meist Ereignisse wie Brems- und Beschleunigungsmanöver sowie Geschwindigkeitsüberschreitungen herangezogen, richtig?

Es stimmt, dass sie einen Mehrwert bieten. Aber es ist wichtig, den Kontext zu verstehen, in dem ein bestimmter Fahrer möglicherweise bremst. Nehmen wir doch einmal das Beispiel einer starken Bremsung, oder? Eine Person könnte also stark bremsen, weil ein Objekt auf derselben Fahrspur vor das Fahrzeug geraten ist.

Das ist also Vermeidung. Das ist wunderbar. Aber was ist, wenn das Bremsen auf lang anhaltendes aggressives zu dichtes Auffahren, eine Ablenkung in der Fahrspur oder ein übermäßiges Verlassen der Fahrspur zurückzuführen ist? Das sind also riskante Ereignisse, die korrigiert werden können und zu weniger Unfällen führen können, oder?

3:08 Die Bedeutung der Kontextualisierung bei der Risikobewertung

Daher ist die Kontextualisierung wichtig. Bei der Entwicklung unserer Grundmodelle betrachten wir daher Ereignisse, indem wir die Straßenlage im Fahrzeuginnenraum sowie die grundlegenden Telematikdaten analysieren, um eine Sammlung von AI -Grundmodellen zu erstellen, die vom Versicherungsministerium für die Risikobewertung zugelassen sind.

3:28 Edge-Ausführung in Fahrzeug- AI smodellen

Großartig, Sie möchten also Fehlalarme vermeiden. Wenn jemand aus berechtigten Gründen bremst, soll er dafür nicht bestraft werden. Das leuchtet absolut ein. Einer der überzeugendsten Aspekte dieser Zusammenarbeit ist, dass diese Modelle direkt im Fahrzeug laufen. Warum war die Ausführung am Edge für Moter so wichtig?

Richtig. Sanjay, ich bin schon seit langer Zeit im Mobilitätsbereich tätig und habe mich mit IoT und V2X beschäftigt. Jetzt arbeite ich bei MOTER im Insuretech-Bereich, wo es wiederum sehr wichtig ist, dass wir Feedback nahezu in Echtzeit geben können. Nehmen wir ein Beispiel aus dem heutigen Tag.

An einem typischen Tag sind in den Vereinigten Staaten mehrere zehn Millionen Fahrzeuge unterwegs. Stellen Sie sich vor, jedes Fahrzeug müsste alle Fahrzeugdaten zur Verarbeitung in die Cloud senden, nicht wahr? Und dann befinden sich einige dieser wichtigen Informationen im Fahrzeug selbst. Man muss sie an den Fahrer zurücksenden, damit er sie nutzen kann.

Das ist also nicht effektiv, oder? Wenn wir diese grundlegenden Modelle von AI am Edge einsetzen können, lassen sich diese phänomenalen Anwendungsfälle sofort nutzen. Deshalb ist es für uns so wichtig, unsere Modelle am Edge ausführen zu können, oder? Das rationalisiert den Prozess wirklich erheblich.

Die Übertragung großer Datenmengen wird unterbunden, Ihr Nutzererlebnis im Fahrzeug und der Datenschutz sind doch von entscheidender Bedeutung, oder? Warum müssen wir alle Daten in die Cloud senden, wenn sie doch direkt vor Ort verarbeitet und analysiert werden können?

5:05 Die Rolle von „ Sonatus “ (AI Director, heute Fastlane Edge) bei der Bereitstellung

Lassen Sie uns konkret über „ Sonatus “ und insbesondere über den „AI Director“ sprechen. Welche Rolle hat dieser bei der Vorbereitung dieser Bereitstellung für den Produktivbetrieb gespielt?

Aus der Perspektive eines InsurTech-Unternehmens wie dem unseren liegt unsere Kernkompetenz also in der Analyse des Fahrverhaltens. Wir verwenden daher viel Zeit darauf, diese komplexen Modelle auf Basis von „ AI “ zu entwickeln. Das ist jedoch nur ein Teil des Problems. Wie setzen wir das nun um?

Wenn man mal darüber nachdenkt: Es gibt mehrere Dutzend OEMs. Jeder hat zahlreiche Marken und Modelle im Angebot. Diese werden jährlich vertrieben. Und darunter gibt es verschiedene Hardware-Infrastrukturen und Betriebssystem-Infrastrukturen.

Wie setzen wir diese Modelle dann ein? Richtig? Ihr „ AI Director“ ist ein hervorragendes Beispiel dafür, eine großartige Lösung, die uns tatsächlich all diese Komplexität abnimmt, nicht wahr? Wir konzentrieren uns auf unsere Kernkompetenz: die Analyse von Risiken im Fahrverhalten.

Wir entwickeln diese Modelle. Wir setzen sie in Ihrer Infrastruktur ein. Sobald wir eine OEM-Partnerschaft eingegangen sind, ja, dann ist das notwendig.

Aber um die Implementierungsinfrastruktur kümmert ihr euch doch, oder? Ihr schont uns vor all diesen Komplexitäten. Und dadurch wird es für uns so einfach, Lösungen bei verschiedenen OEMs und Marken bereitzustellen und den Nutzern dennoch das gleiche Erlebnis zu bieten.

6:27 Die vielfältigen Einsatzmöglichkeiten von Risk Intelligence

Ja, das leuchtet mir voll und ganz ein. Ihre Plattform liefert also sowohl Bewertungsergebnisse für Versicherungen als auch Erkenntnisse für das Fahrercoaching. Inwiefern profitieren Ihrer Meinung nach Automobilhersteller und Versicherer von diesen beiden Funktionen?

Wissen Sie, eine der Herausforderungen in der Versicherungsbranche im Bereich Sicherheit ist heute die Fragmentierung, nicht wahr? Versicherungen möchten also gerne das Risiko eines bestimmten Fahrers, aber auch des gesamten Portfolios messen, richtig? Und der Fahrer konzentriert sich dann darauf, was er verbessern kann, damit sich die Sicherheit erhöht und möglicherweise auch die Prämie sinkt. Man braucht also eine einheitliche Sammlung grundlegender „ AI “-Modelle, die jede Einheit, jeder Akteur in diesem Ökosystem – dem Mobilitätsökosystem – nutzt, nicht wahr?

OEMs, richtig? Die haben also auch einen Bedarf, oder? Deshalb investieren sie Milliarden Dollar in ADAS und autonome Fahrfunktionen der Stufen 1 bis 5. Aber diese Fahrzeugfunktionen – nehmen wir zum Beispiel die ADAS-Funktion zur Vermeidung von zu dichtem Auffahren, richtig?

Dort steht, dass man die Konfiguration auf eine Fahrzeuglänge, zwei Fahrzeuglängen oder drei Fahrzeuglängen einstellen kann. Aber woher sollen Verbraucher wissen, welche Einstellung für sie sicherer ist?

Stimmt’s? Es gibt zwar eine Empfehlung der Fahrzeughersteller, aber diese ist nicht auf meine individuellen Sicherheitsmerkmale zugeschnitten. Diese „ AI “-Grundmodelle, die direkt am Edge laufen, speichern also das Profil der Sicherheitsmerkmale des Fahrers. So können sie empfehlen, welche Einstellung für den jeweiligen Fahrer geeignet ist.

Ja. Stimmt's?

Ich denke also, der Wert des Coachings liegt nicht nur darin, sofortige Warnungen und Ereignisbenachrichtigungen zu geben, sondern auch darin, dabei zu helfen, das Fahrzeug so zu konfigurieren, dass es für den Fahrer sicher ist und ihm ein individuelles Fahrerlebnis bietet. Wir sehen also, dass diese AI Modelle nicht nur den Versicherungsgesellschaften bei der Risikobewertung helfen und den Fahrern dabei, ihr Fahrverhalten zu verbessern, sondern auch Infrastrukturbetreibern wie Verkehrsbehörden und Kommunen, die verstehen möchten, welche Verhaltensmuster in ihren Landkreisen, Unterbezirken und im Straßennetz auftreten und wie diese verbessert werden können. Sie alle müssen also in der Lage sein, am Edge zu laufen, Daten zu erfassen und zu analysieren. Diese AI Modelle laufen am Edge, erfassen, analysieren und verarbeiten Daten, und diese verarbeiteten Daten werden dann an die verschiedenen Nutzer verteilt, basierend auf der UX-Erfahrung, die ihnen gefallen wird.

8:57 Die Zukunft der eingebetteten AI s in Fahrzeugen

Wenn Sie in die Zukunft blicken, wie sehen Sie die weitere Entwicklung von Embedded AI und der Fahrzeugintelligenz? Ganz allgemein gesprochen – Sie beschäftigen sich natürlich mit Risikoanalyse und Ähnlichem, aber vielleicht auch darüber hinaus.

Ich bin ehrlich gesagt der Meinung, dass die eingebettete künstliche Intelligenz ( AI ) noch in den Kinderschuhen steckt, oder? Und ein Teil des Problems ist die Fähigkeit, die Bereitstellung der Infrastruktur zu verwalten, nicht wahr? Wir können diese fantastischen Modelle entwickeln, aber wir brauchen einen Weg, sie einzusetzen und den Nutzern, den Kunden, einen Mehrwert zu bieten, nicht wahr? Ich denke, derzeit werden erhebliche Anstrengungen in den Bereich Sicherheit gesteckt, sagen wir mal aus Sicht der Versicherungen: diese Risikobewertung, Risikoanalysemodelle, sofortiges Fahrercoaching, nicht wahr?

9:42 Innovationen im Bereich der präventiven Risikoleitung

Ich denke, der nächste Schritt ist die Fähigkeit zur präventiven Risikoroutenführung. Wenn ich heute beispielsweise von Punkt A nach Punkt B fahren möchte und die Zieladresse eingebe, prüft das System die Verkehrsbelastung, die voraussichtliche Ankunftszeit und einige andere Parameter, um eine Route zu empfehlen. Aber stellen Sie sich vor, diese auf „ AI “ basierenden Analysemodelle würden auf Knotenebene – also an jeder Kreuzung oder alle Meile, halbe Meile oder was auch immer – an bestimmten festen Punkten eine Bewertung vornehmen, richtig, eine Risikobewertung. Und wenn diese Daten in die Cloud gesendet werden, kann Ihre Routenführung nun auf der Grundlage Ihres Zielortes bestimmt werden, oder?

Und wenn man sich dann ansieht, dass diese Route zehn Stoppschilder hat und viele davon ein hohes Risikoprofil aufweisen, dann sollten wir doch eine andere Route wählen, oder? Das ist also die nächste Stufe der Routenplanungsinnovation, bei der meiner Meinung nach das Edge- AI , helfen wird. Und der dritte Punkt, den wir bereits angesprochen haben, ist das personalisierte Erlebnis im Fahrzeug. Heute steigt man in ein Fahrzeug ein, und manche Modelle bieten vielleicht Optionen eins, zwei, drei an: Man wählt einen voreingestellten Speicherplatz aus, und schon werden Sitz und Lenkrad angepasst, und vielleicht wird sogar die Musikauswahl gespeichert und so weiter, oder?

11:04 Fazit und Ausblick

Das ist wirklich faszinierend. Nun, Siva, vielen Dank, dass Sie bei uns zu Gast sind und uns erzählen, wie MOTER dazu beiträgt, die Zukunft von Insurtech und intelligenter Mobilität neu zu gestalten. Diese Zusammenarbeit unterstreicht deutlich die wachsende Bedeutung von Edge- AI en im Fahrzeug – nicht nur, um intelligentere Versicherungslösungen und Fahrercoaching zu ermöglichen, sondern auch, um den Datenschutz, die Skalierbarkeit und die Reaktionsfähigkeit in Echtzeit im gesamten Ökosystem vernetzter Fahrzeuge zu verbessern.

11:26 Schlusswort und nächste Schritte

Vielen Dank fürs Zuhören und bleiben Sie dran für weitere Gespräche mit Innovatoren, die die Zukunft von softwaredefinierten Fahrzeugen und der Automobil AI gestalten.