L'equazione dell'uptime: perché le piattaforme per veicoli non possono aspettare il cloud

Questa è la Parte 3 di “L’equazione dell’uptime”. Parte 1 trattava il contesto del veicolo, mentre la Parte 2 ha trattato il compromesso tra hardware e software. Questa parte tratta dove dovrebbe essere eseguito il lavoro.

Un camion a lungo raggio percorre un tratto di autostrada in cui il segnale cellulare viene a mancare. Da qualche parte lungo quel tratto, si verifica un guasto elettrico intermittente della durata di 90 secondi, che poi si risolve. Se il rilevamento dipende dal cloud, possono verificarsi due situazioni: l’evento non viene rilevato oppure arriva un’istantanea in ritardo, dopo che i segnali rilevanti sono già stati sovrascritti. La prossima volta che il problema si presenta, potrebbe verificarsi in un’officina che non dispone di alcuna registrazione delle condizioni che lo avevano causato in precedenza.

Questa è la versione "sul campo" del problema del "re-drive" descritto in "The Agentic Loop". Nei veicoli commerciali si verifica più spesso, a causa del luogo e delle modalità di utilizzo di questi veicoli.

La connettività non è scontata

Le mappe di copertura sono ottimistiche. In un’ indagine condotta dal personale della FCC nel 2019, gli agenti sul campo hanno effettuato 24.649 test di guida su un percorso di quasi 10.000 miglia in 12 stati. Solo il 62,3% dei test ha raggiunto le velocità di download previste dalle mappe degli operatori. Le reti sono migliorate dal 2019, ma la lezione rimane valida: una mappa che mostra la copertura non garantisce che un camion avrà segnale nel momento in cui si verifica un guasto. Le attrezzature fuoristrada nei siti minerari, nelle aziende agricole, nei cantieri edili e nei porti operano in luoghi a cui i responsabili della pianificazione della copertura raramente danno priorità. Le flotte si organizzano già tenendo conto di questo. Gli autisti aspettano di raggiungere un piazzale per inviare i registri, i tecnici estraggono i dati manualmente quando un camion rientra, e un camion che smette di comunicare mentre è in strada viene considerato un evento normale piuttosto che un segnale di allarme. Ogni soluzione alternativa comporta una perdita di tempo di operatività, e nessuna di esse rileva un guasto di 90 secondi su un tratto di autostrada deserto.

Tale incertezza rende il funzionamento offline un requisito progettuale, non solo una soluzione di ripiego. Nell’indagine di McKinsey su AI e edge nel settore automobilistico, il 39% degli intervistati ha indicato la disponibilità offline come requisito fondamentale per tutti i casi d’uso dell’ AI , davanti alla minore latenza (35%) e alla privacy e sicurezza dei dati (20%). Solo il 6% ha citato il costo dei dati di rete. Il vantaggio dell’edge non riguarda tanto la bolletta del cellulare quanto piuttosto ciò che il cloud non può vedere.

Volume: il problema è il rapporto segnale-rumore, non la bolletta dei dati

Le reti dei veicoli commerciali generano dati in modo continuo. Una singola bus SAE J1939/14 può funzionare a una velocità massima di 500 kbit/s; molti autocarri pesanti ne utilizzano più di uno, mentre le piattaforme più recenti integrano l’Automotive Ethernet, gran parte della quale trasporta i flussi video delle telecamere per i sistemi ADAS e di sicurezza. Nel corso di un’intera giornata di guida, si tratta di una quantità di dati di gran lunga superiore a quella che vale la pena inviare, e la maggior parte di essi conferma semplicemente che non si sono verificati problemi.

Poiché il Agentic Loop , la registrazione continua dei dati è «costosa da trasmettere sulle reti cellulari, costosa da archiviare e costosa da elaborare». L’alternativa è decidere — direttamente sul veicolo — quali dati siano rilevanti:

• Acquisizione innescata da evento. Registra i segnali prima e dopo un evento, anziché tutto in ogni momento. Con Fastlane™ Edge Smart Triggers, ad esempio, un modello leggero di rilevamento delle anomalie installato sul veicolo avvia una policy di " Fastlane™ Collector " solo quando rileva un comportamento anomalo, come un motore che funziona al di fuori del proprio intervallo normale; in questo modo, il veicolo acquisisce i segnali relativi all'evento anomalo anziché un flusso continuo.
• Compressione a bordo del veicolo. Fastlane™ Collector Indica una riduzione fino a 28 volte delle dimensioni del carico utile dei dati grazie alla compressione delle serie temporali.
• Cronologia a bordo del veicolo. Un database di serie temporali relativo al veicolo conserva la cronologia dei segnali delle ultime settimane o mesi. Se si verifica un guasto in una zona senza copertura, il contesto rimane comunque disponibile quando il camion si riconnette e gli ingegneri possono estrarre l'intervallo di tempo esatto di cui hanno bisogno, invece di aspettare che il guasto si ripresenti.
• Filtraggio prima del caricamento. Invia risultati sintetizzati e pertinenti anziché flussi di dati grezzi. In un caso di studio di un partner sul rilevamento delle intrusioni a bordo dei veicoli, l’elaborazione in locale e il caricamento solo degli avvisi rilevanti hanno ridotto i costi del cloud del 60%.

Latenza: alcune decisioni non possono aspettare

Alcune azioni — proteggere un componente, regolare il funzionamento di un sistema, avvisare un conducente o segnalare una possibile intrusione informatica — devono avvenire nel giro di pochi secondi. Ciò rende il veicolo il luogo naturale in cui gestirle, sebbene la latenza da sola non determini dove debba essere eseguita l’elaborazione intelligente. McKinsey osserva che l’edge non offre sempre un vantaggio decisivo in termini di latenza. Per molti casi d’uso diagnostici, la disponibilità e il contesto contano più dei millisecondi.

Nulla di tutto ciò sminuisce l’importanza del cloud. Il cloud svolge il lavoro che un singolo veicolo non è in grado di svolgere:

• Rilevamento di modelli a livello di flotta. Una modalità di guasto può presentarsi come un semplice rumore su un singolo camion ed essere invece un problema evidente su migliaia di veicoli.
• Analisi delle cause alla radice. Combina i dati del veicolo con la documentazione tecnica, la cronologia degli interventi di manutenzione e i casi precedenti. Fastlane™ Insight Esegue questa analisi nel cloud, utilizzando AI per mettere in correlazione queste fonti e suggerire le possibili cause alla radice.
• Addestramento e validazione del modello. A tal fine vengono utilizzati gli eventi ricchi di contesto acquisiti a livello di periferica.
• Distribuzione. I modelli aggiornati e le politiche di raccolta vengono inviati ai veicoli tramite aggiornamento over-the-air.

L'edge rileva e acquisisce i dati, il cloud elabora e apprende, e l'edge agisce poi in base a ciò che il cloud ha appreso. Fastlane™ Edge Il sistema è costruito attorno a questo ciclo: esegue il rilevamento delle anomalie sul veicolo e riceve modelli aggiornati via etere man mano che il cloud apprende. L'esecuzione dell'intelligenza sull'edge riduce la dipendenza dalla connettività, mentre l'apprendimento a livello di flotta continua a migliorare i veicoli già in circolazione.

Tracciare una linea di demarcazione

Una regola utile: concentrare il lavoro dove si trovano i dati e la scadenza.

Se una decisione dipende dai dati di un singolo veicolo in un determinato momento, deve essere elaborata a bordo del veicolo stesso. Se invece dipende dai dati di più veicoli raccolti nel tempo, deve essere elaborata nel cloud. La raccolta del contesto a bordo del veicolo è utile anche per le flotte miste. Quando i dati vengono strutturati alla fonte utilizzando definizioni di segnale condivise come COVESA VSS, i dati possono raggiungere il fornitore di servizi telematici della flotta nella stessa forma indipendentemente dalla marca. Inoltre, le previsioni di mercato indicano che gli OEM stanno investendo in questo modello. GM Insights stima che nel 2025 i veicoli commerciali rappresenteranno 3,59 miliardi di dollari del mercato dell’edge computing automobilistico, con una crescita annua di circa il 22%.

Una volta che i dispositivi perimetrali rilevano il contesto corretto, tali dati diventano la materia prima per un sistema di monitoraggio e analisi dei guasti ( AI ) in grado di prevedere i guasti anziché limitarsi a segnalarli. La Parte 4 riprende questo argomento.

In sintesi: I veicoli commerciali necessitano di intelligenza a entrambe le estremità della connessione. Il veicolo si occupa del rilevamento, dell’acquisizione del contesto e delle azioni in cui il tempo è un fattore critico. Il cloud si occupa dell’apprendimento a livello dell’intera flotta. Il consiglio: affidare di default tali compiti al veicolo e riservare il cloud a tutto ciò che richiede i dati di più di un camion. Progettare i due elementi come un unico ciclo fin dall’inizio, in modo che i modelli addestrati nel cloud tornino ai camion che hanno acquisito i dati. Un guasto che il camion non rileva è un guasto che si ripresenta, e ogni ripetizione comporta una perdita di tempo di operatività.