Sfruttare appieno il potenziale dell’edge computing a bordo dei veicoli AI

Sebbene il Cloud AI offra un’immensa potenza di calcolo, presenta limiti critici quando viene applicato ai veicoli, tra cui la latenza di rete, la connettività intermittente e gli elevati costi di trasmissione dei dati. Al contrario, l’Edge AI offre diversi vantaggi distinti:
- Reattività in tempo reale: elaborando i dati localmente, l’Edge AI consente un processo decisionale a latenza ultra-bassa, essenziale per la sicurezza e le prestazioni anche quando il veicolo non dispone di segnale Internet.
- Efficienza in termini di costi: l’esecuzione locale riduce significativamente i costi operativi associati al continuo caricamento di grandi volumi di dati sul cloud per l’elaborazione.
- Privacy e sicurezza: conservare a bordo i dati sensibili relativi agli utenti e ai veicoli migliora la privacy e aiuta le case automobilistiche a conformarsi alle nuove normative sulla sovranità dei dati.

L’implementazione dell’Edge AI richiede un cambiamento radicale verso architetture di veicoli definiti dal software (Software-Defined Vehicle, SDV) in grado di gestire carichi di lavoro dinamici. I tre pilastri fondamentali sono:
- Reti ad alte prestazioni: i veicoli devono passare dai bus CAN statici a reti Ethernet ad alta larghezza di banda e al Software-Defined Networking (SDN). Ciò consente la configurazione dinamica dei flussi di dati e utilizza il Time-Sensitive Networking (TSN) per garantire la larghezza di banda necessaria alle attività critiche AI .
- Elaborazione configurabile: le case automobilistiche stanno consolidando le centraline elettroniche (ECU) specializzate in ECU ad alte prestazioni (High-Performance Computing, HPC) per uso generico. Queste utilizzano la containerizzazione e la virtualizzazione per isolare i carichi di lavoro del sistema di controllo elettronico ( AI ), consentendo a più applicazioni di funzionare in sicurezza su hardware condiviso senza interferenze.
- Gestione intelligente dei dati: sono necessari un’architettura orientata ai servizi (SOA) e modelli di dati standardizzati (come COVESA VSS) per normalizzare i segnali dei veicoli, separando i produttori di dati dai consumatori in modo che i modelli " AI " possano facilmente sottoscrivere i dati specifici di cui hanno bisogno.

Le catene di strumenti ML standard presuppongono in genere risorse cloud abbondanti e hardware flessibile, che non corrispondono alla realtà vincolata degli ambienti automobilistici. Sono necessarie catene di strumenti specializzate per il settore automobilistico per affrontare sfide specifiche:
- Raccolta efficiente dei dati: a differenza del cloud, i dati di addestramento provengono dall’interno del veicolo. Gli strumenti devono essere in grado di acquisire in modo selettivo solo i dati più rilevanti in base a trigger specifici, per ridurre al minimo i costi di archiviazione e trasferimento.
- Ottimizzazione attenta alle risorse: i modelli devono essere ottimizzati per centraline (ECU) economicamente efficienti utilizzando tecniche come la quantizzazione e il pruning, al fine di garantire prestazioni adeguate entro rigidi limiti di potenza e temperatura.
- Pre-elaborazione locale: poiché la preparazione dei dati non può avvenire nel cloud, la catena di strumenti di distribuzione deve integrare tutta la logica di pre-elaborazione necessaria direttamente nel modello, per tradurre i segnali grezzi del veicolo in input utilizzabili.