Cara Bertahan dari Persaingan Otomotif – Menuju AI – Teknologi, Sains, dan Teknik Terbaik

Penulis: Oleksandr Odukha

Mobil Mengemudi Sendiri

Hal-hal yang harus dipertimbangkan oleh OEM untuk meningkatkan peluang mereka untuk tetap kompetitif di era kendaraan tanpa pengemudi

Menurut penelitian oleh MarketsandMarkets, produksi perangkat lunak otomotif diperkirakan akan tumbuh dari industri senilai USD 16,9 miliar pada tahun 2020 menjadi industri USD37,7 miliar pada tahun 2025, tumbuh dengan CAGR 16,9%.

Industri mobilitas tidak lagi mengutamakan perangkat keras dengan perangkat lunak sebagai embel-embel opsional. Didorong oleh meningkatnya permintaan akan aplikasi keselamatan tingkat lanjut, komponen listrik dan elektronik, serta konektivitas, pengembangan perangkat lunak otomotif menjadi fokus pembuat mobil. Membangun kendaraan yang murni dari logam dan sistem mekanis tidak cukup untuk memenangkan persaingan. Orang tidak hanya menginginkan mobil lagi. Mereka menginginkan perangkat pintar di atas roda.

Untuk tujuan ini, OEM tradisional harus bertindak seperti perusahaan IT. Namun seiring dengan beberapa manfaat yang jelas, hal ini menimbulkan tantangan baru. Ini termasuk kebutuhan untuk membuat pembaruan dengan cepat (selama proses pengembangan dan setelah produk dirilis), risiko keamanan siber dan tantangan keamanan fungsional, komplikasi kepatuhan, kebutuhan untuk memproses banyak data, dan kebutuhan untuk mencari pengujian yang lebih canggih. teknik.

Bagaimana OEM dapat mengatasi semua tantangan ini? Inilah yang saya pelajari dari pengalaman saya yang luas dalam perangkat lunak penggerak otonom rekayasa.

Pembaruan tangkas dan OTA

Selain memiliki keahlian teknis, bertindak seperti perusahaan IT melibatkan integrasi metodologi terbaru seperti Agile ke dalam proses pengembangan perangkat lunak otomotif. Mengapa ini sangat penting? Salah satu alasan mengapa para pembuat mobil kesulitan untuk mengikuti standar yang selalu berubah, kebutuhan pelanggan, dan persaingan adalah terlalu lama untuk membangun sebuah mobil. Kemajuan teknologi jauh lebih cepat. Dan di situlah Agile berperan.

Metodologi Agile berputar di sekitar tim lintas fungsi yang terdiri dari anggota dengan keahlian berbeda yang bekerja menuju tujuan bersama. Dengan mengotomatiskan banyak langkah, Agile memungkinkan OEM untuk fokus pada pemenuhan tujuan bisnis, metrik kualitas produk, dan standar keamanan.

Perkembangan yang gesit dan kemampuan mobil yang terhubung untuk menerima pembaruan perangkat lunak over-the-air (OTA) adalah kombinasi yang tak terkalahkan, membuat OEM fleksibel dan mudah beradaptasi. Kemampuan OTA tidak hanya memungkinkan pembuat mobil untuk menunjukkan masalah sebelum pergi ke pasar tetapi juga memungkinkan untuk terus meningkatkan produk secara real time bahkan setelah dirilis.

Tesla adalah contoh sempurna tentang bagaimana OEM dapat berhasil memanfaatkan kekuatan pembaruan Agile dan OTA. Sementara pembuat mobil tradisional harus menghapus seluruh lini produk dari pasar jika terjadi masalah, Tesla bertindak sebagai perusahaan perangkat lunak, memperbaiki bug dan membuat pembaruan melalui udara, secara real time.

Moral dari cerita ini? Pembaruan tangkas dan OTA lebih dari sekadar tren teknologi lainnya. Kendaraan pelanggan Anda memang membutuhkan perbaikan bug dengan cepat.

Teknik pengolahan data tingkat lanjut

Tantangan lain yang dihadapi OEM modern adalah banyaknya data sensor, yang sangat penting untuk pengalaman berkendara yang mulus. Kamera yang diberdayakan oleh computer vision, sensor radar, sensor Lidar, dan sensor lainnya secara kolektif dapat menghasilkan hingga 25 gigabyte data per jam. Dan jumlah ini terus meningkat. Tapi kemana perginya semua data ini?

Begitu data sensor dikumpulkan, itu dikompresi dan kemudian diproses oleh algoritma kecerdasan buatan (AI). Tugas AI adalah mengidentifikasi data yang diperlukan untuk tindakan mission-critical dan menganalisisnya secara lokal sambil mengirim data non-kritis ke cloud.

Data adalah daging dan darah dari kendaraan yang mengemudi sendiri, dan semakin tinggi tingkat otonominya, semakin banyak data yang perlu dikumpulkan. Karena hal ini menciptakan tantangan pemrosesan, diperlukan mesin pembelajaran mesin (ML) yang mahal. Teknik fusi data dan kompresi data tingkat lanjut menggunakan teknologi pembelajaran mendalam untuk menangani aliran data secara efisien. Teknik-teknik ini akan menurunkan harga kendaraan otonom, membuatnya tersedia untuk pasar massal.

Keamanan Terbina

Meskipun data adalah daging dan darah dari mobil yang terhubung, itu juga merupakan titik lemah mereka. Biarkan saya membongkar ini sedikit.

Munculnya konektivitas (yang melibatkan pengumpulan banyak data) telah menyebabkan peningkatan ancaman keamanan siber yang drastis. Penjahat dunia maya mungkin memanfaatkan kerentanan keamanan data kendaraan untuk mencuri informasi pengenal pribadi pengemudi (termasuk informasi keuangan) atau bahkan memanipulasi sistem kemudi dan pengereman dari jarak jauh. Semua ini membahayakan nyawa pengemudi.

Apakah industri otomotif modern siap untuk mencegah semua ancaman ini? Hampir tidak. Sejak 2017, jumlah insiden keamanan siber otomotif meningkat 605%. Apakah itu berarti keamanan siber otomotif adalah target yang tidak dapat diraih? Tentu saja tidak. Masalahnya adalah kurangnya keamanan internal, yang dicapai dengan merancang sistem untuk bekerja di lingkungan yang tidak bersahabat. Sampai saat ini, ini adalah satu-satunya cara untuk membangun sistem yang aman.

Keamanan dan keselamatan harus dilihat bukan sebagai elemen yang terpisah tetapi sebagai praktik teknik – baik dari perspektif perangkat lunak maupun perangkat keras – dan diterapkan dari nol hingga tingkat sistem. Standar pengkodean yang aman harus menjadi bintang utara dari proses pengembangan. Selain itu, ingatlah bahwa pengujian tidak boleh disimpan untuk yang terakhir – pengujian yang ketat sangat penting di seluruh siklus pengembangan produk.

Lebih banyak komplikasi dengan kepatuhan data

Saya benci mengatakan ini, tetapi saya tidak sepenuhnya jujur ​​dengan Anda di bagian sebelumnya.

Faktanya, cara paling andal untuk melindungi data adalah dengan tidak mengumpulkannya. Mengingat itu, Anda tidak boleh mengumpulkan data sama sekali atau mengumpulkannya sesuai dengan batasan yang diuraikan dalam Undang-Undang Privasi Konsumen California (CCPA) dan Peraturan Perlindungan Data Umum (GDPR). Meskipun kedua rezim ini melindungi data pengguna, ada perbedaan tertentu di antara keduanya.

Menurut CCPA, konsumen memiliki hak untuk mengetahui informasi apa yang dikumpulkan tentang mereka dan bagaimana pemrosesannya, untuk membatasi atau mengontrol penggunaan data ini, untuk meminta penghapusan data ini, dan memilih untuk tidak menjualnya kepada pihak ketiga. Para Pihak. GDPR memberikan kontrol lebih besar atas pemrosesan data kepada konsumen. Misalnya, Anda bahkan tidak dapat mengumpulkan data pribadi pengemudi berdasarkan GDPR sebelum mereka memberikan persetujuan eksplisit. Selain itu, jika pengguna tidak menyetujui pemrosesan data yang tidak penting untuk menyediakan layanan, penyedia tidak dapat berhenti menawarkan layanan tersebut.

Baik CCPA dan GDPR telah memberikan beban yang signifikan pada OEM, operator armada, dan penyedia persewaan mobil. Mereka harus memastikan bahwa ada sistem yang memungkinkan konsumen menggunakan hak mereka. Jadi, bagaimana Anda bisa memastikan kepatuhan 100%? Pahami data apa yang Anda miliki, nilai risiko kebocoran data, dan konsultasikan dengan profesional.

Teknik pengujian lanjutan

Meskipun ini adalah poin terakhir, pengujian tidak boleh disimpan untuk yang terakhir.

Salah satu alasan utama mengapa mobil self-driving masih belum ada di jalan raya adalah ketidakmampuan untuk mengujinya dalam setiap skenario yang memungkinkan. Ini lebih dari sekadar memastikan mobil Anda “mengetahui” aturan mengemudi dan pola perilaku dalam situasi standar. Bagaimana dengan kasus yang sulit diprediksi?

Jawabannya adalah pengujian, pengujian, dan sekali lagi – pengujian, menggunakan teknik pengujian lanjutan seperti lingkungan simulasi dan metode in-the-loop. Mari pertimbangkan masing-masing teknik ini secara mendetail.

Lingkungan simulasi memodelkan skenario mengemudi lengkap, termasuk pengemudi, lalu lintas, stimulasi sensor, dan dinamika kendaraan. Ini adalah cara yang aman dan efektif untuk memvalidasi banyak aspek kendaraan serta membuat prototipe dan menerapkan fitur baru.

Sebaliknya, metode in-the-loop bertujuan untuk menguji aspek yang terpisah dengan menggabungkan elemen dunia nyata dan simulasi. Bergantung pada tujuan pengujian, metode ini termasuk dalam kategori berikut:

Software-in-the-loop (SIL) menguji perangkat lunak dalam lingkungan simulasi tanpa komponen perangkat keras yang sebenarnya. Hardware-in-the-loop (HIL) menguji elemen perangkat keras dengan menempatkannya ke dalam lingkungan simulasi. Vehicle-in-the-loop (VEHIL) adalah cara untuk menguji performa kendaraan menggunakan elemen yang mensimulasikan kendaraan lain di jalan. Driver-in-the-loop (DIL) didasarkan pada menempatkan pengemudi nyata ke dalam kendaraan simulasi yang beroperasi di lingkungan virtual.

Semua metode ini secara aktif digunakan untuk melatih dan menguji sistem bantuan pengemudi tingkat lanjut dan memiliki potensi besar untuk merevolusi industri pengembangan perangkat lunak mobil tanpa pengemudi, membuat mobil yang sepenuhnya otonom menjadi kenyataan.

Siapa yang akan membantu Anda mengatasi semua tantangan ini?

Pengembangan perangkat lunak yang disematkan untuk kendaraan self-driving memerlukan kompetensi yang saat ini tidak dimiliki OEM tradisional. Untuk menebusnya, perusahaan memperoleh startup teknologi, seperti yang dilakukan General Motors. Raksasa otomotif membeli Cruise Automation, sebuah startup kendaraan self-driving, pada tahun 2016 untuk memajukan pengembangan kendaraan otonom dan mendapatkan keunggulan di pasar otomotif.

Tidak hanya OEM yang menggunakan strategi ini. Pada 2017, produsen chip Intel mengakuisisi Mobileye, pemimpin dalam visi komputer untuk teknologi mengemudi otonom. Mobileye mencakup berbagai teknologi termasuk fusi sensor, pemetaan, data crowdsourcing untuk peta definisi tinggi, dan intelijen kebijakan mengemudi.

Akuisisi ini telah membawa hubungan baru Intel dengan pembuat mobil, termasuk dengan raksasa seperti Audi dan BMW. Ini merupakan langkah maju yang luar biasa bagi Intel, konsumen mereka, dan industri otomotif secara keseluruhan.

Opsi kedua adalah bermitra dengan perusahaan pengembang perangkat lunak untuk mengembangkan perangkat lunak kendaraan otonom.

Ketika berbicara tentang outsourcing, saya sarankan untuk mencari kompetensi berikut (selain keahlian dalam pengembangan perangkat lunak untuk mengemudi otonom) pada pengembang:

Pengalaman luas dalam komputasi awan, solusi berbasis AI, dan perangkat lunak AR / VR Keahlian dalam pengembangan perangkat lunak siklus penuh Pola pikir tangkas Keakraban dengan ISO 27001/9001, ISO 26262, AUTOSAR 4.0, A-Spice, standar data navigasi eksklusif, dan internasional lainnya standar keamanan data.

Untungnya, ada cukup banyak perusahaan pengembang perangkat lunak otomotif yang memenuhi semua persyaratan ini. Jika Anda mencari penyedia layanan teratas di industri ini, Anda dapat menemukan daftarnya di artikel lain yang diterbitkan di Medium.

Kesimpulan

Dengan munculnya revolusi teknologi informasi, perangkat lunak tidak lagi menjadi elemen tambahan kendaraan. Mirip dengan perangkat pintar lainnya, mobil sekarang menjadi perangkat keras komoditas untuk platform perangkat lunak. Itulah mengapa perangkat lunak telah menjadi pembeda proyek otomotif yang sukses, menciptakan tantangan baru yang terkait dengan pemrosesan data, keamanan dan keselamatan, kepatuhan keamanan data, pengujian, dan kebutuhan untuk merilis produk dan memperbaruinya dengan cepat.

Tidak diragukan lagi semua persyaratan ini merupakan beban berat yang harus ditanggung oleh OEM tradisional, sehingga kemitraan teknologi menjadi suatu kebutuhan.

Nobody Wants Just a Car: How to Survive the Automotive Competition awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Towards AI

Leave a Reply