Sie müssen die Betriebseffizienz von 20 Millionen Mobilfunk- und nicht verbundenen Fahrzeugen durch automatische Anpassung der Betriebsparameter steigern. Wie sollten Sie vorgehen?

Für 20 Millionen Fahrzeuge ist eine manuelle Überprüfung von Daten und die Implementierung regelbasierter Algorithmen nicht skalierbar und ineffizient, da sich optimale Parameter ständig ändern können. Das Sammeln von Betriebsdaten und das Trainieren von ML-Modellen ist der richtige Ansatz, um ideale Betriebsabläufe zu identifizieren. Die Ausführung der Modelle lokal in den Fahrzeugen (Edge AI) ist entscheidend, um eine sofortige Anpassung der Betriebsparameter zu ermöglichen, selbst wenn keine Konnektivität besteht. Ein Cloud Dataflow Streaming-Job mit Google Cloud Messaging würde eine ständige Konnektivität voraussetzen, die bei nicht verbundenen Fahrzeugen nicht gegeben ist. Das Hosten der Modelle in der Cloud ML Platform und das Senden von Anpassungen aus der Cloud würde ebenfalls eine kontinuierliche Verbindung erfordern und zu Latenzproblemen führen, was für Echtzeit-Anpassungen ungeeignet ist.