Zum Hauptinhalt springen
Weißbuch

AI -Lösungen für Fahrzeug-Edge und Cloud in großem Maßstab

Die Marktchance – und wie OEMs sie nutzen können

Die Fahrzeug- AI t in eine Phase rasanten Wachstums eingetreten. Frost & Sullivan prognostiziert, dass der adressierbare Markt für „ AI “ in den wichtigsten Anwendungsbereichen der Automobilbranche von 43 Mrd. US-Dollar im Jahr 2025 auf über 238 Mrd. US-Dollar bis 2030.

Die Herausforderung besteht nicht darin, Anwendungsfälle für „ AI “ zu identifizieren – sondern darin, sie auf Serienfahrzeuge, unterschiedliche Steuergeräte und globale Plattformen zu übertragen , ohne dabei die Kosten oder die Komplexität zu erhöhen.

Dieses Whitepaper von Frost & Sullivan untersucht, wo sich neuer Mehrwert ergibt und wie Automobilhersteller „ AI “ in großem Maßstab umsetzen können.

Was Sie lernen werden

  • Wo die Fahrzeug AI e die größte Wirkung erzielt
    Prognostik, Sensorenvirtualisierung, Batteriezustand, Cybersicherheit, UBI und „ AI -Begleiter“ – untermauert durch Marktgrößen- und TAM-Analysen.
  • Warum Edge- AI us für Serienfahrzeuge entscheidend ist
    Geringere Latenz, reduzierte Cloud-Kosten, besserer Datenschutz und Kompatibilität mit weit verbreiteten Steuergeräten.
  • Wie OEMs „ AI “ auf alle Fahrzeuge ausweiten können
    Einheitliche Koordination von Daten, Modellen, Bereitstellung, Optimierung und Überwachung.
  • Wie „ Sonatus “ eine geschlossene Fahrzeugintelligenz ermöglicht
    Mithilfe eines „Beobachten–Analysieren–Handeln“-Modells, das auf Collector AI basiert, AI Director, AI Technician und Automator AI.

Beispiele für Anwendungsfälle aus der Praxis im Fokus

Das Whitepaper enthält wichtige Beispiele, die veranschaulichen, wie „ AI “ im Fahrzeug in verschiedenen Schlüsselbereichen eingesetzt wird, darunter:

  • Vorhersage von Reifenbelastung, Verschleiß und Restlebensdauer
  • Implementierungen virtueller Sensoren, wie beispielsweise die softwarebasierte Scheinwerfer-Niveauregulierung
  • AI-gesteuerte Diagnose der Batteriezustands- und Sicherheitsdaten
  • Edge-basierte, generative Cybersicherheits AI n zur Erkennung von Eindringlingen
  • Integrierte, verhaltens- und nutzungsbasierte Versicherungsmodelle.

Wie „ Sonatus “ OEMs dabei unterstützt, diese Chance zu nutzen

Sonatus ermöglicht skalierbare, produktionsreife „ AI “ durch einen geschlossenen Regelkreis Beobachten–Analysieren–Handeln Modell:

  • Collector AI – Richtliniengesteuerte, ereignisgesteuerte Fahrzeugdaten
  • AI Leiter – Implementiert und optimiert „ AI “-Modelle in verschiedenen Steuergeräten
  • AI Techniker – „ AI “-gestützte Diagnose und After-Sales-Analysen
  • Automator AI – Sichere Umsetzung von Erkenntnissen aus „ AI “ durch Low-Code-Orchestrierung

Laden Sie das Whitepaper „In-Vehicle Edge- und Cloud- AI en in großem Maßstab“ herunter

Häufig gestellte Fragen

Während Cloud- AI en für Anwendungen wie Sprachassistenten gut geeignet sind, reichen sie aufgrund hoher Kosten und technischer Einschränkungen für skalierbare, missionskritische Fahrzeugfunktionen nicht aus. Der Wechsel zu Edge- AI wird durch folgende Faktoren vorangetrieben:
- Datenübertragungskosten: Vernetzte Fahrzeuge generieren täglich mindestens 1,5–2 GB an Daten. Das kontinuierliche Streamen dieser Datenmenge in die Cloud zur Inferenz verursacht hohe Netzwerkübertragungskosten, die für Massenmarktfahrzeuge nicht tragbar sind.
- Latenz und Reaktionsgeschwindigkeit: Echtzeitanwendungen wie das Batteriemanagement oder die Einbruchserkennung erfordern eine sofortige Verarbeitung, die die Latenz der Cloud nicht bewältigen kann.
- Datenschutz und Sicherheit: Die lokale Datenverarbeitung schützt proprietäre Algorithmen und sensible Nutzerdaten vor Offenlegung und stellt gleichzeitig sicher, dass Funktionen auch ohne unterbrochene Internetverbindung funktionieren.

Heutige Fahrzeuge verfügen oft über Hunderte unterschiedlicher Steuergeräte und fragmentierte MLOps-Toolchains, was den Einsatz eines einzigen Modells „ AI “ über verschiedene Fahrzeugbaureihen hinweg erschwert. Sonatus AI Director löst dieses Problem, indem es als einheitliche „Toolchain und Laufzeitumgebung“ dient, die den gesamten Lebenszyklus von „ AI “ verwaltet.
- Einheitliche Bereitstellung: Es bietet ein standardisiertes Framework zur Bereitstellung, Verwaltung und Skalierung von „ AI “-Modellen auf verschiedenen Rechenplattformen (wie NXP S32 oder Renesas R-Car), ohne dass Modelle für jeden einzelnen Chip neu geschrieben werden müssen.
- Rechenoptimierung: Es optimiert Modelle für die spezifischen „chip-spezifischen Beschleuniger“ der Zielhardware und reduziert so die CPU-Auslastung um bis zu das Vierfache und die Inferenzdauer um das Achtfache.

Im Gegensatz zu einem statischen Handbuch ist der „ Sonatus “AI Technician ein aktiver Diagnoseassistent, der historisches Wissen mit Echtzeit-Fahrzeugdaten kombiniert.
- Hybrid AI -Modell: Es nutzt einen „Hybridmodell“-Ansatz, bei dem leichtgewichtige Modelle am Fahrzeugrand für sofortige Datenauswertung und große Sprachmodelle (LLMs) in der Cloud für komplexe Schlussfolgerungen eingesetzt werden.
- Kontextbezogene Diagnose: Es nutzt Retrieval-Augmented Generation (RAG), um Echtzeit-ECU-Signale (wie DTCs und Sensorprotokolle) mit Werks-Servicehandbüchern zu kombinieren. Dadurch kann es präzise, kontextbezogene Reparaturanleitungen anstelle von allgemeinen Ratschlägen bereitstellen.
- Aktive Problemlösung: Es lässt sich in den „ Sonatus -Automator“ AI integrieren, um nicht nur das Problem zu identifizieren, sondern auch automatisierte Folgemaßnahmen auszulösen, wie beispielsweise die Ausführung einer bestimmten Diagnoseroutine oder die Planung eines Service termins.

Zurück zum Seitenanfang