車載エッジおよびクラウドにおける大規模AI

クラウドAI は会話型アシスタントなどのアプリケーションには適していますが、コストの高さや技術的な制約から、スケーラブルでミッションクリティカルな車両機能には不十分です。エッジAI への移行を後押ししている要因は以下の通りです：
- データ伝送コスト：コネクテッドカーは1日あたり少なくとも1.5～2 GBのデータを生成します。推論のためにこの量のデータを継続的にクラウドへストリーミングすると、多額のネットワーク伝送コストが発生し、量産車にとっては持続不可能です。
- レイテンシと応答性：バッテリー管理や侵入検知などのリアルタイムアプリケーションでは、クラウドのレイテンシでは対応できない即時の処理が求められます。
- プライバシーとセキュリティ：データをローカルで処理することで、独自のアルゴリズムや機密性の高いユーザーデータを漏洩から保護できるほか、インターネット接続が断続的な場合でも機能が確実に動作するようになります。

現在の車両には、多くの場合、数百もの異なるECUと断片化したMLOpsツールチェーンが搭載されており、単一のAI モデルを異なる車種ラインに展開することが困難となっています。Sonatus AI Directorは、AI のライフサイクル全体を管理する統合された「ツールチェーンおよび実行環境」として機能することで、この課題に対処します。
- 統合されたデプロイメント：特定のチップごとにモデルを書き換える必要なく、多様なコンピューティングプラットフォーム（NXP S32やルネサス R-Carなど）にわたってAI モデルをデプロイ、管理、スケーリングするための標準化されたフレームワークを提供します。
- コンピューティングを意識した最適化：ターゲットハードウェアの特定の「シリコン固有のアクセラレータ」に合わせてモデルを最適化し、CPU使用率を最大4倍、推論時間を8倍短縮します。

静的なマニュアルとは異なり、「Sonatus 」AI Technicianは、蓄積された知識とリアルタイムの車両データを組み合わせた、能動的な診断エージェントです。
- ハイブリッドAI モデル：このシステムは「ハイブリッドモデル」アプローチを採用しており、即時のデータ処理には車両のエッジ側で軽量モデルを実行し、複雑な推論にはクラウド上の大規模言語モデル（LLM）を活用します。
- コンテキストに応じた診断： Retrieval-Augmented Generation（RAG）を活用し、リアルタイムのECU信号（DTCやセンサーログなど）とメーカーのサービスマニュアルを統合します。これにより、一般的なアドバイスではなく、正確で文脈に応じた修理ガイダンスを提供することが可能になります。
- アクティブ・リゾリューション：Sonatus AutomatorAI と連携することで、問題を特定するだけでなく、特定の診断ルーチンの実行や整備の予約といった自動化されたフォローアップアクションをトリガーすることができます。