Déployer à grande échelle l'AI de pointe embarquée

Si l’ AI e dans le cloud est utile pour les fonctionnalités d’infodivertissement telles que les assistants vocaux et la navigation, elle s’avère insuffisante pour les fonctions critiques du véhicule en raison de problèmes de latence, de connectivité et de confidentialité.
- Réactivité en temps réel : l’ AI e en périphérie traite les données directement au sein du véhicule, ce qui permet de prendre des décisions immédiates sans le délai lié à l’envoi des données vers le cloud et à leur retour.
- Fiabilité : elle garantit le fonctionnement des fonctionnalités même en l’absence de connexion Internet stable, ce qui est crucial pour les applications critiques en matière de sécurité.
- Confidentialité et coûts : le traitement local des données répond aux préoccupations en matière de confidentialité et réduit les coûts élevés liés au transfert de grands volumes de données vers le cloud.

Le déploiement d’ AI s dans les véhicules s’avère difficile, car les modèles optimisés pour une unité de contrôle électronique (ECU) échouent souvent sur une autre en raison de différences matérielles. Sonatus AI Director résout ce problème grâce aux fonctionnalités suivantes :
- Déploiement adapté aux ressources de calcul : la plateforme garantit que chaque modèle AI est automatiquement adapté et optimisé pour son environnement cible spécifique, qu’il s’agisse d’un noyau d’application, d’un noyau temps réel ou d’une NPU.
- Isolation par conteneurisation : elle utilise des environnements d’exécution isolés pour exécuter les modèles en toute sécurité, ce qui évite les conflits et garantit que des modèles variés peuvent fonctionner de manière fiable sur le même matériel.
- Chaîne d’outils unifiée : elle remplace les processus manuels et fragmentés par une plateforme unique et standardisée qui gère l’ensemble du cycle de vie — de l’entraînement au déploiement — sur diverses unités de contrôle électronique (ECU) et architectures de véhicules.

La plateforme offre des avantages concrets qui accélèrent la mise sur le marché et réduisent les coûts pour les principales parties prenantes :
- Pour les équipementiers (constructeurs automobiles) : elle réduit considérablement les frais généraux d’ingénierie en standardisant le déploiement des modèles internes et ceux des partenaires. Elle évite également de devoir créer une logique d’extraction de données sur mesure pour chaque nouvelle fonctionnalité, ce qui permet d’accélérer les cycles d’innovation.
- Pour les fournisseurs et les développeurs de modèles : elle accélère la transition du prototype à la production en fournissant une interface cohérente. Ils peuvent déployer leurs fonctionnalités d’ AI s « à valeur ajoutée » (telles que le diagnostic des batteries ou la cybersécurité) sans avoir à se plier aux processus d’intégration complexes de chaque constructeur automobile.
- Pour les fournisseurs de semi-conducteurs : cela permet une adoption plus rapide de leurs puces (comme les processeurs NXP) en proposant un flux de travail pré-intégré et « adapté aux semi-conducteurs », qui démontre plus rapidement les performances aux constructeurs automobiles.