Comment l'AI e « edge » transforme la sécurité routière

0:00 Présentation du podcast « Driving Innovation »

Bienvenue sur « Driving Innovation », un podcast proposé par Sonatus qui explore les technologies et les solutions qui façonnent les secteurs de l'automobile et de la mobilité.

Aujourd’hui, nous allons découvrir comment l’ AI e en périphérie transforme l’évaluation des risques liés aux conducteurs, l’innovation en matière d’assurance et l’intelligence embarquée.

0:19 Présentation de l'invité : Siva Yoganathan

Je reçois aujourd'hui Siva Yoganathan, vice-président de l'ingénierie chez MOTER Technologies.

MOTER contribue à redéfinir le secteur de l'Insurtech en allant au-delà des modèles de souscription traditionnels et en s'appuyant sur les comportements de conduite réels, les données contextuelles des véhicules et l'AI e embarquée pour créer des expériences de mobilité plus sûres et plus personnalisées.

0:39 Collaboration entre MOTER et Sonatus

Au cours de cet entretien, nous aborderons la manière dont MOTER et Sonatus collaborent pour déployer des modèles d'AI s avancés directement à bord du véhicule grâce à Sonatus AI Director, ce qui permet un accompagnement du conducteur en temps réel, un déploiement évolutif, une protection renforcée de la vie privée, ainsi qu'une approche fondamentalement nouvelle de l'assurance et de la sécurité basées sur le comportement.

1 h 09 : Comprendre le rôle de MOTER dans l'intelligence des risques

Sival, bienvenue sur Driving Innovation. Commençons par une brève présentation de l'entreprise et de ton rôle au sein de celle-ci.

Merci, Sanjay, de m’avoir invité à ce podcast. MOTER est donc une entreprise d’insurtech qui se consacre au développement de modèles fondamentaux d’ AI , utilisés pour l’analyse des risques en périphérie. Notre objectif ne se limite pas à la simple mesure des risques, mais vise réellement à les réduire. Il ne s’agit pas non plus d’utiliser les véhicules comme de simples sources de collecte de données, mais bien de créer des modèles d’ AI qui permettent de les interpréter, de les analyser et d’apporter de la valeur ajoutée directement en périphérie.

Et c'est pourquoi MOTER se concentre, comme son nom l'indique, sur la « mobilité à la limite en temps réel » (Mobility on the Edge in Real Time).

D'accord.

Voilà donc notre nom. C'est bien trouvé.

Merci. Si j’ai bien compris, l’approche de MOTER va bien au-delà des modèles traditionnels d’assurance basés sur l’utilisation. Pouvez-vous nous expliquer en quoi votre modèle d’analyse des risques liés à la conduite est fondamentalement différent et pourquoi vous accordez autant d’importance à l’intelligence contextuelle de la conduite dans ce contexte ?

2 h 21 : Analyse des risques traditionnelle vs analyse des risques contextuelle

D'accord. Donc, quand on pense à un système de contrôle de la circulation traditionnel, on utilise surtout des événements liés aux freinages, aux accélérations et aux virages, n'est-ce pas ? Et aux excès de vitesse.

C'est vrai qu'ils apportent une valeur ajoutée. Mais il est important de comprendre le contexte dans lequel un conducteur donné peut être amené à freiner. Prenons l'exemple d'un freinage brusque, d'accord ? Une personne peut donc freiner brusquement parce qu'un objet s'est retrouvé devant son véhicule sur la même voie.

C'est donc ce qu'on appelle l'évitement. C'est formidable. Mais que se passe-t-il si le freinage est dû à un talonnage agressif et prolongé, à une distraction sur la voie ou à un écart excessif de la voie ? Ce sont là des situations à risque qui peuvent être corrigées et qui peuvent permettre de réduire le nombre de collisions, n'est-ce pas ?

3 h 08 : L'importance de la contextualisation dans l'évaluation des risques

C'est pourquoi la mise en contexte est importante. Ainsi, lors de l'élaboration de nos modèles fondamentaux, nous analysons les événements en examinant la vue de la route depuis l'habitacle et les informations télématiques de base, afin de constituer un ensemble de modèles fondamentaux d'AI , approuvés par le Département des assurances, destinés à l'évaluation des risques.

3 h 28 : Exécution en périphérie dans les modèles d’ AI s automobiles

Parfait, vous souhaitez donc pouvoir éliminer les faux positifs. Si quelqu'un freine pour des raisons légitimes, vous ne voulez pas le pénaliser pour cela. C'est tout à fait logique. L'un des aspects les plus intéressants de cette collaboration est que ces modèles fonctionnent directement à l'intérieur du véhicule. Pourquoi l'exécution en périphérie était-elle si importante pour Moter ?

Exactement. Sanjay, je travaille depuis longtemps dans le secteur de la mobilité ; j’ai travaillé sur l’IoT et le V2X, et je suis désormais dans le domaine de l’insuretech chez MOTER, où, là encore, il est essentiel que nous puissions fournir un retour d’information quasi en temps réel. Prenons un exemple concret d’aujourd’hui.

Au cours d’une journée type aux États-Unis, des dizaines de millions de véhicules circulent sur les routes. Imaginez que chaque véhicule doive envoyer toutes ses données vers le cloud pour qu’elles y soient traitées, n’est-ce pas ? Or, certaines de ces informations essentielles concernent le consommateur qui se trouve à bord du véhicule. Il faut donc les renvoyer au conducteur pour qu’il puisse en prendre connaissance.

Donc, ce n'est pas efficace, n'est-ce pas ? Ainsi, lorsque nous sommes en mesure d'appliquer ces modèles fondamentaux d'AI s en périphérie, ces cas d'utilisation exceptionnels peuvent être exploités et utilisés immédiatement. C'est pourquoi la possibilité de faire fonctionner nos modèles en périphérie est très importante pour nous, n'est-ce pas ? Cela simplifie vraiment le processus.

La transmission de volumes importants de données est interrompue ; votre expérience utilisateur dans le véhicule et la protection de la vie privée sont des éléments essentiels, n'est-ce pas ? Pourquoi devons-nous envoyer toutes les données vers le cloud alors qu'elles peuvent être traitées et analysées directement en périphérie ?

5 h 05 : Rôle d'Sonatus , directrice de «AI » (aujourd'hui Fastlane Edge), dans le déploiement

Parlons plus précisément d’ Sonatus , et plus particulièrement d’AI Director. Quel rôle a-t-il joué pour rendre ce déploiement prêt pour la production ?

Du point de vue d’une entreprise d’insurtech comme la nôtre, notre cœur de métier réside dans l’analyse du comportement des conducteurs. Nous consacrons donc beaucoup de temps à la mise au point de ces modèles de base complexes d’ AI . Mais ce n’est qu’une partie du problème. Comment les déployer ?

Quand on y réfléchit, il existe plusieurs dizaines de fabricants d'équipements d'origine (OEM). Chacun propose de nombreuses marques et de nombreux modèles. Chaque année, ils distribuent leurs produits. Et derrière tout cela, il existe plusieurs infrastructures matérielles et plusieurs infrastructures de systèmes d'exploitation.

Comment déployons-nous alors ces modèles ? N’est-ce pas ? Votre « AI Director » en est un excellent exemple, une solution formidable qui nous épargne toute cette complexité, n’est-ce pas ? Nous nous concentrons ainsi sur notre cœur de métier : l’analyse des risques liés au comportement des conducteurs.

Nous développons ces modèles. Nous les mettons en œuvre au sein de votre infrastructure. Une fois que nous avons établi une relation OEM, oui, c'est indispensable.

Mais l'infrastructure de mise en œuvre, c'est vous qui vous en chargez. N'est-ce pas ? Vous nous épargnez toutes ces complexités. Et cela nous permet donc de déployer très facilement nos solutions chez divers équipementiers et différentes marques, tout en offrant la même expérience aux utilisateurs.

6 h 27 : Les multiples applications de l'intelligence des risques

Oui, c'est tout à fait logique. Votre plateforme génère à la fois des scores d'assurance et des conseils de conduite. Selon vous, comment les constructeurs automobiles et les assureurs peuvent-ils tirer parti de ces deux fonctionnalités ?

Vous savez, l’un des défis actuels dans le secteur de l’assurance, en matière de sécurité, c’est la fragmentation, n’est-ce pas ? Les assureurs aiment donc évaluer le risque lié à un conducteur en particulier, mais aussi à l’ensemble de leur portefeuille, n’est-ce pas ? De son côté, le conducteur cherche à identifier les points qu’il peut améliorer afin de renforcer sa sécurité et, par là même, de bénéficier d’une éventuelle réduction de sa prime. Il faut donc disposer d’un ensemble unique de modèles d’ AI s de base, utilisés par toutes les entités et toutes les parties prenantes de cet écosystème, l’écosystème de la mobilité, n’est-ce pas ?

Les équipementiers, n'est-ce pas ? Eux aussi ont des besoins, n'est-ce pas ? Ils investissent donc des milliards de dollars dans les systèmes ADAS et dans les capacités d'autonomie de niveau 1 à 5. Mais prenons l'exemple d'une fonctionnalité ADAS spécifique : la détection de suivi trop rapproché, d'accord ?

Il est indiqué qu'il est possible de régler la distance de sécurité sur « une longueur de véhicule », « deux longueurs de véhicule » ou « trois longueurs de véhicule ». Mais en tant que consommateur, comment savoir quel réglage est le plus sûr pour soi ?

N'est-ce pas ? Il existe bien une recommandation de la part des équipementiers, mais elle n'est pas adaptée à mes caractéristiques de sécurité. Or, ces modèles de base d'AI , qui fonctionnent directement en périphérie, enregistrent le profil des caractéristiques de sécurité du conducteur. Ils peuvent ainsi recommander le réglage qui lui convient le mieux.

Ouais. Pas vrai ?

Je pense donc que l’intérêt du coaching ne réside pas seulement dans l’envoi d’alertes immédiates et de notifications d’événements, mais aussi dans le fait d’aider à configurer le véhicule de manière à ce qu’il soit sûr pour les conducteurs, en fonction de leur expérience personnalisée. Nous constatons ainsi que ces modèles d’ AI s aident non seulement les assureurs à évaluer les risques et les conducteurs à améliorer leur comportement, mais aussi les organismes chargés des infrastructures, tels que les départements des Transports et les municipalités, qui souhaitent comprendre quels types de comportements sont observés dans leurs comtés, leurs sous-comtés et sur leur réseau routier, et comment les améliorer. Tous ces acteurs doivent donc pouvoir fonctionner en périphérie, collecter et analyser les données. Ces modèles d’ AI s fonctionnent en périphérie : ils collectent, analysent et traitent les données, puis les résultats de ce traitement sont distribués aux différents utilisateurs en fonction de l’expérience utilisateur (UX) qu’ils sont susceptibles d’apprécier.

8 h 57 : L'avenir de l'AI embarquée dans les véhicules

Lorsque vous vous projetez dans l'avenir, comment voyez-vous évoluer l'AI embarquée et l'intelligence embarquée dans les véhicules ? D'une manière générale, bien sûr, vous travaillez dans le domaine de l' sur les risques, etc., mais peut-être même au-delà de cela.

Je pense sincèrement que l’ AI e embarquée n’en est encore qu’à ses débuts, n’est-ce pas ? Et une partie du problème réside dans la capacité à gérer le déploiement de cette infrastructure, n’est-ce pas ? Nous pouvons créer ces modèles extraordinaires, mais nous avons besoin d’un moyen de les déployer et d’en faire profiter les consommateurs, les clients, n’est-ce pas ? Je pense qu’à l’heure actuelle, des efforts considérables sont consacrés à la sécurité, disons du point de vue des assurances : évaluation des risques, modèles d’analyse des risques, accompagnement immédiat des conducteurs, n’est-ce pas ?

9 h 42 : Innovations en matière de gestion préventive des risques

Je pense que la prochaine étape concerne la capacité de calcul d’itinéraires préventifs en fonction des risques. Par exemple, aujourd’hui, si je veux aller du point A au point B et que je saisis l’adresse de destination, le système examine alors la congestion, le temps d’arrivée estimé et quelques autres paramètres pour recommander un itinéraire. Mais imaginez que ces modèles analytiques basés sur l’ AI , fournissant des données au niveau des nœuds – c’est-à-dire à chaque intersection ou tous les miles, demi-miles, peu importe –, attribuent à certains points fixes un score de risque. Et si ces données sont transmises au cloud, votre itinéraire peut alors être déterminé en fonction de votre destination, n’est-ce pas ?

Ensuite, si l’on constate que cet itinéraire comporte dix panneaux « Stop » et que bon nombre d’entre eux présentent un profil à haut risque, alors il vaut mieux choisir un autre itinéraire, n’est-ce pas ? C’est là le prochain niveau d’innovation en matière de calcul d’itinéraires, et je pense que l’ AI e en périphérie y contribuera. Et le troisième point, que nous avons déjà abordé, concerne l’expérience personnalisée à bord du véhicule. Aujourd’hui, quand on monte dans une voiture, certaines proposent des options 1, 2 ou 3 : on sélectionne un préréglage et le siège et le volant s’ajustent en conséquence, voire la voiture se souvient de nos préférences musicales, etc., n’est-ce pas ?

11 h 04 Conclusion et perspectives d'avenir

C'est passionnant. Eh bien, Siva, merci de vous être joint à nous et de nous avoir expliqué comment MOTER contribue à redéfinir l'avenir de l'Insurtech et de la mobilité intelligente. Cette collaboration met véritablement en évidence l'importance croissante de l'AI e en périphérie dans les véhicules, non seulement pour permettre des solutions d'assurance plus intelligentes et un accompagnement des conducteurs, mais aussi pour améliorer la protection de la vie privée, l'évolutivité et la réactivité en temps réel au sein de l'écosystème des véhicules connectés.

11 h 26 : Conclusions et prochaines étapes

Merci de votre attention et restez à l'écoute pour découvrir d'autres entretiens avec les innovateurs qui façonnent l'avenir des véhicules définis par logiciel et de l'AI automobile.