自動車開発における根本原因の調査には、平均で17週間を要します。2024年の業界全体の保証費用は580億ドルに達し、2012年の2倍となりました。さらに、車両はますます複雑化しており、ソフトウェアの増加、対象領域の拡大、そして本来相互通信を想定していなかったシステム間の微妙な相互作用が増えている。
問題はデータの不足ではありません。問題は、そのデータに対して、適切なタイミングで、適切な場所で、車両のライフサイクル全体にわたって、知見を活かせないことです。
これ Fastlane™ Platform は、Sonatusが提案するその課題への解決策です。これは、AI プラットフォームを基盤とするソリューションであり、インテリジェントなデータ収集、AI を活用したエンジニアリング解析、および車載エッジインテリジェンスを、単一のシームレスなシステムとして統合しています。このシステムは、調査や導入のたびに、またフリート内の車両が増えるたびに、ますます賢くなっていきます。
閉ループとしての車両品質
Fastlane Platform は、ある一つの考えに基づいて設計されました。それは、車両のエンジニアリングは、孤立した一連の反応ではなく、閉ループとして機能すべきであるというものです。
そのループとは、次の通りです。 「検知 → 収集 → 推論 → 実行 → 学習」です。
車両は、注目すべき挙動を検知するように設定されています。このプラットフォームは、そうした事象を取り巻く状況を詳細に把握します。車両AI は、車両データ、技術的知見、過去の調査結果、および車両群の挙動を総合的に分析します。新たに得られた知見は、再び車両に反映されます。調査を重ねるごとに、次回の調査の質が向上していきます。
あらゆる問題を「一からやり直し」と捉えるのではなく、エンジニアリングの知見は蓄積されていきます。車両群は継続的に学習するシステムとなり、その中のすべての車両が、次の車両の改善に貢献するのです。
このサイクルは、車両のライフサイクル全体―― 最初の試作車の走行試験から から、長年にわたる生産運用、そして アフターサービスに至るまで、車両のライフサイクル全体にわたって機能します。
4つの製品 – 1つのインテリジェントなワークフロー
Fastlane™ Collector – 適切な文脈を捉える
車両データに関する課題は、その量ではありません。重要なのは、その関連性です。多くのチームは、不適切なデータを過剰に収集し、適切なタイミングで必要なデータを十分に収集できていません。
Fastlane Collector 広範で静的なロギングを、インテリジェントなイベント駆動型のデータ収集に置き換えます。エンジニアは、AI を活用したポリシーを用いて、特定の調査に必要な車両信号、診断情報、ログ、ネットワークアクティビティを正確に収集します。これは、あらゆるドメインにおいて、調査上重要な特定の車両イベントをトリガーとして行われます。
大規模展開による成果は目覚ましいものです。あるグローバルOEM企業では、稼働中のデータ収集ユースケースを5件から100件近くへと拡大すると同時に、データ収集対象となるコネクテッドカーの台数を100万台から800万台以上に増やしました。その間、送信・保存されるデータ量は75％減少しました。より多くのユースケースを、より少ないデータ量で、より低いコストで実現したのです。
Fastlane Collector また、クエリ可能な車両データレイヤーを構築することで、エンジニアリングチームは、追加の試乗をスケジュールしたり、アップロードの完了を待ったりすることなく、全車両の履歴データやリアルタイムの車両状況に即座にアクセスできるようになります。
Fastlane™ Insight – コンテキストをエンジニアリング・インテリジェンスに変える
適切な文脈を収集することは不可欠です。その意味を理解することの方が、より難しい問題です。
Fastlane Insight クラウドベースの車両用AI を活用し、テレメトリデータ、診断情報、ソフトウェアログ、技術仕様、整備履歴、および過去の調査結果を関連付け、問題に関する単一かつ一貫性のある全体像を構築します。これにより、因果関係を再構築し、考えられる根本原因を特定し、今後の対応策を提案することで、現在エンジニアの調査時間の大部分を占めている手作業による複数システムにわたる相関分析に取って代わります。
その結果、単に分析が速くなるだけではありません。エンジニアリングの品質がより一貫したものになります。あらゆる調査から得られた知見が、絶えず拡大し続けるナレッジベースに蓄積されるため、将来の問題は毎回一からやり直すのではなく、より迅速かつ確実に解決できるようになります。
Fastlane™ Edge – 車両インテリジェンスの実用化
クラウドベースのFastlane Insight が何が起こったのか、その理由を説明するのであれば、車両も同様にリアルタイムで状況を認識できるはずであり、そこでFastlane Edge の出番となる。
Fastlane EdgeAI を車両内に直接導入することで、AI モデル、仮想センサー、診断ロジック、予測分析を、データが生成される現場で実行できるようにします。車両は自身の挙動をリアルタイムで継続的に評価し、従来の閾値を超える前に異常を検知するとともに、ソフトウェア定義の機能を監視し、数週間から数か月にわたって徐々に進行する劣化パターンを認識します。
しかし、「Fastlane Edge 」は、単に車両の挙動を監視するだけにとどまりません。これにより、エンジニアリングチームは、専用ハードウェアに代わる仮想センサーから、予知保全、適応型キャリブレーション、さらには車両の性能、効率、信頼性を継続的に向上させるインテリジェントなソフトウェア定義機能に至るまで、まったく新しい「AI 」で定義された機能を量産車に導入することが可能になります。
Fastlane™ Copilot – 車両のSOPまでの時間を短縮するAI
現代の車両は、従来の検証手法の枠を超えています。静的なデータ収集、手作業による調査、繰り返しの試乗といった手法では、ソフトウェア主導で相互接続が進む車両システムの発展に追いつくことはできません。今日の検証チームには、現代の車両の高度化と複雑さに見合ったソリューション、すなわち、重要な事象を検知し、適切なコンテキストを把握し、AI を活用した分析を行い、あらゆる調査を継続的に改善できるツールが求められています。
Fastlane Copilot これは、生産アーキテクチャに変更を加えることなく、既存のプロトタイプ車やテスト車両に直接搭載できるプラグイン型のハードウェアプラットフォームです。開発のこの重要な段階において、プロトタイプ車両群に「Fastlane Collector 」および「Fastlane Edge 」を導入し、クラウド上の車両AI 解析と連携させます。
検証チームは、インテリジェントなデータ収集、車載環境でのAI による推論、およびAI を活用した調査ワークフローを活用できます。これにより、車両は即座に高性能な検証プラットフォームとなります。エンジニアリングチームは、問題を再現することに費やす時間を減らし、問題解決により多くの時間を割くことができます。
実際の運用ではどのような形になるか
Fastlane Platform は、エンジニアリングワークフロー全体の進め方を一変させます。
エンジニアは、試作車から手作業でデータを取得するのに何時間も費やす代わりに、必要なコンテキストを数分で正確に把握できるようになります。AI を活用した分析により、異常を迅速に特定し、車両の各領域にわたる挙動の相関関係を把握し、エンジニアが手作業による調査を開始する前に、考えられる根本原因を絞り込むことができます。従来は1～2日を要していた根本原因の分析とレポート作成も、多くの場合、1時間以内に完了させることができます。
その累積的な影響は劇的です。初期の試験では、調査から解決までの所要時間が、およそ 1.5～3日程度からわずか1～2時間 に短縮されたことが示されており、これはおよそ 90％。エンジニアリングチームは、データの収集や調査手順の追跡を繰り返し行うのではなく、解決策の検証、ソフトウェアの改善、そして車両プログラムの推進に時間を費やしています。
生産用車両の導入において、Fastlane Edge は、エンジニアリングチームやサービスチームに十分な準備期間を与えるアラートウィンドウを備えた予知保全を実現します。具体的には、モーターおよびインバーターの熱劣化については4～8週間、高電圧バッテリーの抵抗値の異常については2～3ヶ月、TPMSセンサーのバッテリー消耗については3～6ヶ月の余裕期間を確保します。 大規模なリコールを1件回避するだけで、OEMは1億ドル以上のコスト削減が可能です。緊急サービス、付随的損害、および関連する保証費用を考慮すると、計画的なメンテナンスのコストは、事後対応型の修理に比べて通常、数分の1で済みます。
ソフトウェア定義型車両機能において、Fastlane Edgeの導入効果は、統合期間とユニットエコノミクスに現れています。従来のハードウェアセンサーに代わるソフトウェアベースのヘッドライトレベル調整システムは、1台あたり約20ドルのコスト削減を実現し、統合期間を数ヶ月から数日に短縮します。Fastlane Edge がアラートがクラウドに到達する前にフィルタリングを行うLLMベースの侵入検知システムの導入により、クラウドインフラコストを60％削減し、脅威の優先順位付けを80％高速化します。コンテキスト認識型のバッテリー管理モデルは、バッテリー故障の予測において98.7％の精度を達成しています 。これにより、顧客が異常に気付く前に、現場チームが対応するための十分な余裕が生まれます。
ループが閉じる時
Fastlaneの各製品は、個別にみても重要な課題を解決しています。これらが組み合わさることで、自動車の設計、検証、改良において、根本的に異なるアプローチが生まれます。
車両は常に自身の状態を監視しています。状況情報は自動的に収集されます。車両用AI は、エンジニアリングや車両群に関する知識を総合的に分析し、何が起きたのかを解明するとともに、今後の展開を予測します。新たに開発されたインテリジェンスが車両群に導入されると、将来の事象をより早期に検知し、ソフトウェアの挙動を最適化し、各車両の能力を拡大します。
「検知 → 収集 → 推論 → 実行 → 学習」というループは、継続的に稼働するエンジニアリングシステムであり、車両1台ごとに、調査1件ごとに、そして走行距離1マイルごとに、その能力を高めていきます。
車両がますますソフトウェア主導型になるにつれ、エンジニアリングもますます知能主導型にならなければなりません。最も迅速に動き出す組織は、単に優れたソフトウェアを構築するだけにとどまりません。それらは、継続的に観察し、推論し、学習し、改善し続ける車両を構築するでしょう。
Fastlane Platform は、まさにそれを実現するために開発されたものです。
