(Cet article a été initialement publié sur Forbes.com)
Les véhicules définis par logiciel deviennent rapidement des systèmes intelligents et capables de s’améliorer de manière autonome, grâce à l’intelligence artificielle (AI). À mesure que leurs capacités s’étendent, le principal défi ne réside plus dans la création de modèles plus volumineux, mais dans la gestion des énormes volumes de données dont ces modèles dépendent.
Un SDV peut générer jusqu’à2 téraoctets de données brutes par jour, selon la complexité de ses systèmes IoT, télématiques et de capteurs. Même dans le cas le plus modeste, cela équivaut à des centaines de films en HD créés chaque jour à partir d’un seul véhicule. Multiplié par des millions de SDV, cela représente un écosystème produisant des exaoctets de données par an, dont la majeure partie reste dispersée entre les véhicules et le cloud, et sous-exploitée par les systèmes d’ AI .
Contrairement aux entreprises « cloud-native », les constructeurs automobiles doivent composer avec des architectures fragmentées et des normes de données hétérogènes. Chaque déploiement d’ AI , qu’il s’agisse d’aide à la conduite, de gestion énergétique ou de maintenance prédictive, nécessite une intégration sur mesure. Cela ralentit les progrès, alors même que les véhicules sont censés fournir des informations en temps réel.
Je pense que la prochaine vague d’ AI s automobiles repose sur l’orchestration des données, c’est-à-dire la capacité à normaliser la circulation des informations entre le véhicule, les terminaux périphériques et le cloud, afin qu’elles puissent être immédiatement exploitées à des fins d’apprentissage et d’automatisation.
Des modèles plus complexes à des bases de données plus solides
Le marché mondial de l'AI e automobile devrait atteindre près de 50 milliards de dollars d'ici 2034,contre4,7 milliardsde dollarsen2025. Alors que les investissements dans les algorithmes s'accélèrent, les avancées les plus révolutionnaires se produisent en coulisses, dans la manière dont les données des véhicules sont collectées, traitées et exploitées par les algorithmes et modèles d'AI .
À l'intérieur d'un véhicule moderne, des dizaines d'unités de commande électroniques communiquent via des réseaux tels que CAN et Ethernet. Chaque sous-système repose sur des définitions de données, des intervalles de transmission et des niveaux de sécurité différents. Pour les ingénieurs d'AI , la synchronisation de ces signaux reste une tâche complexe, d'autant plus que celle-ci s'étend à l'ensemble des gammes de véhicules et des fournisseurs.
Les nouvelles architectures d'orchestration permettent de normaliser les signaux en temps réel et d'acheminer les données vers les ressources de calcul appropriées, qu'elles se trouvent dans le véhicule ou dans le cloud. Les équipes peuvent développer une seule fois sur une couche de données commune et réutiliser cette solution sur l'ensemble des gammes de véhicules, ce qui réduit les efforts d'intégration tout en permettant des déploiements logiciels plus rapides et plus sûrs à l'échelle de la flotte.
Pour les constructeurs automobiles, l'un des éléments clés de l'orchestration réside dans l'innovation continue, grâce à des flux de travail déclenchés par des événements qui permettent aux véhicules de continuer à évoluer bien après leur sortie d'usine.
Ces flux de travail relient les capteurs embarqués, les systèmes d’ AI s et l’intelligence cloud afin de détecter certaines situations et d’y répondre automatiquement. La détection des collisions en est un exemple frappant. Lorsqu’un choc se produit, des systèmes interconnectés peuvent déclencher en temps réel une séquence coordonnée d’actions :
• Activer les systèmes d'aide à la conduite pour immobiliser le véhicule en toute sécurité
• Isoler les circuits haute tension afin d'éviter les incendies après un accident
• Lancer des tests d'autodiagnostic pour identifier les composants endommagés
• Transmettre les données relatives aux réparations aux centres de service les plus proches avant même l'arrivée du véhicule
En associant les données en temps réel des capteurs à des réponses orchestrées, les constructeurs automobiles peuvent œuvrer à l’amélioration de la sécurité, de la fiabilité et des performances grâce à des mises à jour logicielles, transformant ainsi les données brutes en cycles d’amélioration continue tout au long du cycle de vie d’un véhicule. Ces boucles de rétroaction en boucle fermée permettent aux équipementiers de déployer plus rapidement les modifications, de tirer des enseignements des événements réels et de réduire les coûts d’expérimentation. Deloitte indique que les équipementiers qui recourent à un processus décisionnel centralisé (orchestré) en matière de véhicules connectés (SDV)réalisent une économie de 23 %sur leurs dépenses de R&D liées aux SDV, soit jusqu’à 700 millions de dollars dans certains cas.
Transformer l'orchestration des données en résultats concrets
L'AI e automobile ne se limite plus aux algorithmes. Il s'agit désormais de déployer l'intelligence de manière sûre, efficace et rentable sur des millions de systèmes connectés. Une approche efficace de l'orchestration des données contribue à rendre cela possible en reliant les informations, du développement à l'exploitation quotidienne, et en transformant la mobilité en une plateforme en constante amélioration.
À mesure que les véhicules évoluent pour devenir des écosystèmes logiciels, l'orchestration peut également contribuer à optimiser les performances, à améliorer la sécurité et à générer des retombées financières mesurables dans trois domaines clés :
1. Efficacité :les pipelines de données unifiés réduisent les intégrations redondantes et permettent aux modèles « AI » de réutiliser les ressources réseau et de calcul existantes, ce qui accélère la mise sur le marché et réduit les coûts d'ingénierie.
2. Sécurité :l'accès aux données en temps réel garantit que les systèmes d’ AI s réagissent immédiatement à l’évolution des conditions routières ou du système, tandis que les environnements de simulation reproduisent les données historiques afin de valider les performances avant le déploiement.
3. Économies :les architectures définies par logiciel et l'orchestration intelligente pourraient générerentre 400 et 600 milliards de dollarsde valeur ajoutée d'ici 2030grâce àdes cycles de développement plus rapides,àdes diagnostics prédictifs et au déploiement de fonctionnalités à distance. Associé aux gains d'efficacité liés à l'orchestration, tels que la réduction des cycles de mise à jour de plusieurs mois à quelques semaines, le retour sur investissement s'amplifie à l'échelle de l'ensemble du parc, chaque amélioration se répercutant instantanément à grande échelle.
À quoi ressemble concrètement une orchestration efficace des données ?
Pour les constructeurs automobiles et les équipementiers qui s'efforcent de mettre en œuvre l'orchestration, un petit ensemble de principes permet de déterminer si ces efforts porteront leurs fruits ou s'enliseront. Je suggère de commencer par la normalisation des signaux, et non par les modèles. Le déploiement d'AI s avant que les données des véhicules ne soient définies de manière cohérente sur toutes les plateformes limite la réutilisation et ralentit les progrès. Une base de données unifiée permet la mise à l'échelle.
Il est également important de concevoir dès le départ une orchestration qui couvre à la fois la périphérie du véhicule et le cloud. Le traitement de toutes les données dans le cloud entraîne une latence et des coûts supplémentaires, tandis que le transfert de toutes les données vers le véhicule limite l'apprentissage. Les frameworks efficaces permettent de trouver un équilibre entre ces deux aspects.
De plus, considérez les flux de travail pilotés par les événements comme une infrastructure essentielle. Lorsque des défaillances, des pannes ou des changements environnementaux déclenchent automatiquement des actions, les véhicules s'améliorent en continu sans intervention manuelle. Évitez les solutions ponctuelles qui ne résolvent qu'un seul problème. Une logique codée en dur peut fonctionner de manière isolée, mais échoue souvent à grande échelle. L'orchestration doit simplifier les systèmes au fil du temps, et non ajouter de la complexité.
Ensemble, ces principes peuvent faire de l'orchestration un moteur d'innovation durable.
Réécrire les règles du jeu dans le secteur automobile à l'ère de l'AI
Une enquête menée par l’ Sonatus auprès de plus de 500 professionnels du secteur a révélé que parmi les principales priorités des équipementiers pour 2025 figuraient l’intégration des flux de données, la préparation à l’ AI e et la cybersécurité, soulignant ainsi que les avancées les plus significatives proviendront d’une infrastructure renforcée. L’enquête a également montré que d’ici 2030, les véhicules définis par logiciel devraient représenter une grande partie de la nouvelle production mondiale, marquant ainsi un changement fondamental dans la manière dont la valeur est créée dans le secteur automobile.
Je pense que les constructeurs qui mènent cette transition ne se contenteront pas de développer des systèmes plus intelligents ; ils maîtriseront les fondements de données qui permettent à l'intelligence de ne cesser de s'améliorer. La prochaine étape dans l'AI e automobile ne se limite pas à l'autonomie. Il s'agit de doter les véhicules de la capacité d'apprendre, de s'adapter et d'évoluer grâce à des données orchestrées qui transforment l'intelligence en action.
