(Questo articolo è stato originariamente pubblicato su Forbes.com)
I veicoli definiti dal software stanno rapidamente diventando sistemi intelligenti e in grado di migliorarsi autonomamente, basati sull'intelligenza artificiale (AI). Man mano che le loro capacità si ampliano, la sfida principale non è più quella di costruire modelli più grandi, bensì di gestire gli enormi volumi di dati da cui tali modelli dipendono.
Un SDV può generare fino a2 terabyte di dati grezzi al giorno, a seconda della complessità dei propri sistemi IoT, telematici e di sensori. Anche nella fascia più bassa, ciò equivale a centinaia di film in HD generati da un singolo veicolo ogni giorno. Moltiplicando questo dato per milioni di SDV, si ottiene un ecosistema che produce exabyte di dati all’anno, la maggior parte dei quali è ancora dispersa tra veicoli e cloud e sottoutilizzata dai sistemi di “ AI ”.
A differenza delle aziende cloud-native, le case automobilistiche devono destreggiarsi tra architetture frammentate e standard di dati non uniformi. Ogni implementazione dell’ AI , che si tratti di sistemi di assistenza alla guida, gestione energetica o manutenzione predittiva, richiede un’integrazione personalizzata. Ciò rallenta i progressi proprio nel momento in cui ci si aspetta che i veicoli forniscano informazioni in tempo reale.
Credo che la prossima ondata di " AI " nel settore automobilistico dipenda dall'orchestrazione dei dati, ovvero dalla capacità di standardizzare il modo in cui le informazioni circolano tra il veicolo, l'edge e il cloud, in modo che possano essere utilizzate immediatamente per l'apprendimento e l'automazione.
Da modelli più grandi a basi di dati più solide
Si prevede che il mercato globale dell’ AI e nel settore automobilistico raggiunga un valore di quasi 50 miliardi di dollari entro il 2034,rispetto ai4,7 miliardi di dollari del 2025. Con l’intensificarsi degli investimenti negli algoritmi, i progressi più rivoluzionari stanno avvenendo “dietro le quinte”, ovvero nel modo in cui i dati dei veicoli vengono acquisiti, elaborati e utilizzati dagli algoritmi e dai modelli di intelligenza artificiale ( AI ).
All’interno di un veicolo moderno, decine di centraline elettroniche comunicano tra loro tramite reti quali CAN ed Ethernet. Ogni sottosistema si basa su definizioni dei dati, intervalli di trasmissione e livelli di sicurezza diversi. Per gli ingegneri dell’ AI , la sincronizzazione di questi segnali rimane un compito complesso, che si complica ulteriormente quando si considerano le diverse linee di veicoli e i vari fornitori.
I framework di orchestrazione di nuova generazione possono aiutare a normalizzare i segnali in tempo reale e a instradare i dati verso le risorse di elaborazione appropriate all’interno del veicolo o nel cloud. I team possono sviluppare una volta su un livello dati comune e riutilizzare il codice su diverse linee di veicoli, riducendo lo sforzo di integrazione e consentendo al contempo implementazioni software più rapide e sicure su scala di flotta.
Per le case automobilistiche, uno degli elementi più importanti dell’orchestrazione è l’innovazione continua attraverso flussi di lavoro attivati da eventi, che consentono ai veicoli di evolversi anche molto tempo dopo aver lasciato la fabbrica.
Questi flussi di lavoro integrano i sensori di bordo, i sistemi “ AI ” e l’intelligenza cloud per rilevare determinate condizioni e reagire automaticamente. Il rilevamento degli incidenti ne è un chiaro esempio. Quando si verifica un impatto, i sistemi interconnessi possono attivare in tempo reale una sequenza coordinata di azioni:
• Attivare i moduli di assistenza alla guida per portare l'auto a un arresto sicuro
• Isolare i circuiti ad alta tensione per prevenire incendi in seguito a un incidente
• Eseguire un test di autodiagnostica per individuare i componenti danneggiati
• Trasmettere i dati relativi alla riparazione ai centri di assistenza più vicini prima ancora che il veicolo arrivi
Collegando i dati in tempo reale dei sensori a risposte coordinate, le case automobilistiche possono lavorare per migliorare la sicurezza, l’affidabilità e le prestazioni attraverso aggiornamenti software, trasformando i dati grezzi in cicli di miglioramento continuo per tutta la durata di vita del veicolo. Questi cicli di feedback a circuito chiuso consentono agli OEM di implementare le modifiche più rapidamente, imparare dagli eventi del mondo reale e ridurre i costi di sperimentazione. Deloitte riferisce che gli OEM che utilizzano un processo decisionale centralizzato (coordinato) per gli SDVrisparmiano il 23%sulla spesa di ricerca e sviluppo relativa agli SDV, arrivando in alcuni casi a 700 milioni di dollari.
Trasformare l'orchestrazione dei dati in un impatto concreto
L'AI e nel settore automobilistico è andata oltre gli algoritmi. Oggi si tratta di estendere l'intelligenza in modo sicuro, efficiente e redditizio a milioni di sistemi connessi. Un approccio efficace all'orchestrazione dei dati contribuisce a rendere possibile tutto ciò, collegando le informazioni dalla fase di sviluppo fino alle operazioni quotidiane e trasformando la mobilità in una piattaforma in continuo miglioramento.
Man mano che i veicoli si trasformano in ecosistemi software, l’orchestrazione può contribuire a migliorare l’efficienza, aumentare la sicurezza e generare rendimenti finanziari misurabili in tre aree fondamentali:
1. Efficienza:le pipeline di dati unificate riducono le integrazioni ridondanti e consentono ai modelli di " AI " di riutilizzare le risorse di rete e di calcolo esistenti, accelerando il time-to-market e riducendo i costi di ingegneria.
2. Sicurezza:l'accesso ai dati in tempo reale garantisce che i sistemi " AI " reagiscano immediatamente alle mutevoli condizioni stradali o di sistema, mentre gli ambienti di simulazione riproducono i dati storici per verificare le prestazioni prima della messa in opera.
3. Risparmi:le architetture software-defined e l’orchestrazione intelligente potrebbero generare un valore incrementalecompreso tra 400 e 600 miliardi di dollarientro il 2030grazie acicli di sviluppo più rapidi, diagnostica predittiva e implementazione delle funzionalità over-the-air. In combinazione con le efficienze derivanti dall’orchestrazione, come la riduzione dei cicli di aggiornamento da mesi a settimane, il ritorno finanziario si moltiplica su tutte le flotte, poiché ogni miglioramento si applica istantaneamente su larga scala.
Come si presenta nella pratica un’efficace orchestrazione dei dati
Per le case automobilistiche e i fornitori impegnati a rendere operativa l'orchestrazione, una serie ristretta di principi aiuta a determinare se questi sforzi porteranno a una crescita o si arenano. Suggerisco di partire dalla normalizzazione dei segnali, non dai modelli. L'implementazione dell'AI e prima che i dati dei veicoli siano definiti in modo coerente su tutte le piattaforme limita il riutilizzo e rallenta i progressi. Una base dati unificata consente la scalabilità.
È inoltre importante progettare fin dall’inizio un’orchestrazione che abbracci sia l’edge del veicolo che il cloud. L’elaborazione di tutti i dati nel cloud comporta un aumento della latenza e dei costi, mentre l’invio di tutti i dati al veicolo limita l’apprendimento. I framework efficaci garantiscono un equilibrio tra questi due aspetti.
Inoltre, considerate i flussi di lavoro basati sugli eventi come parte integrante dell’infrastruttura. Quando guasti, arresti anomali o cambiamenti ambientali innescano automaticamente delle azioni, i veicoli migliorano continuamente senza bisogno di interventi manuali. Evitate soluzioni puntuali che risolvono solo un singolo problema. La logica hard-coded può funzionare in modo isolato, ma spesso fallisce su larga scala. L’orchestrazione dovrebbe semplificare i sistemi nel tempo, non aggiungervi complessità.
Insieme, questi principi possono trasformare l’orchestrazione in un motore di innovazione continua.
Riscrivere le regole del settore automobilistico nell'era dell'AI
Da un sondaggio condotto da “ Sonatus ” su oltre 500 professionisti del settore è emerso che tra le principali priorità degli OEM per il 2025 figurano l’integrazione delle pipeline di dati, la preparazione all’ AI e e la sicurezza informatica, a conferma del fatto che i progressi più significativi deriveranno da infrastrutture più solide. Il sondaggio ha inoltre rilevato che, entro il 2030, i veicoli definiti dal software dovrebbero rappresentare gran parte della nuova produzione globale, segnando un cambiamento fondamentale nel modo in cui viene creato valore nel settore automobilistico.
Credo che i produttori all’avanguardia in questa transizione non si limiteranno a realizzare sistemi più intelligenti, ma padroneggeranno le basi dei dati che consentono all’intelligenza di migliorare costantemente. La prossima frontiera dell’ AI e nel settore automobilistico non è solo l’autonomia. Si tratta piuttosto di dotare i veicoli della capacità di apprendere, adattarsi ed evolversi attraverso dati coordinati che trasformano l’intelligenza in azione.
