Vous devez améliorer l'efficacité opérationnelle de 20 millions de véhicules cellulaires et déconnectés en ajustant automatiquement les paramètres opérationnels. Comment devez-vous procéder ?

La bonne approche est de collecter les données, d'entraîner des modèles ML pour identifier les opérations idéales, puis d'exécuter ces modèles localement sur les véhicules. Les véhicules étant "cellulaires et déconnectés", ils ne peuvent pas toujours compter sur une connexion réseau stable pour recevoir des ajustements depuis le cloud. L'exécution locale des modèles ML permet des ajustements autonomes et en temps réel, même sans connectivité. L'inspection manuelle des données et l'implémentation d'algorithmes basés sur des règles (option 1) ne sont pas évolutives pour 20 millions de véhicules et ne s'adaptent pas aux conditions changeantes. L'utilisation de Cloud Dataflow et Google Cloud Messaging (option 3) dépend d'une connectivité constante, ce qui n'est pas garanti pour des véhicules "déconnectés". Héberger les modèles sur Cloud ML Platform (option 4) souffre du même problème de dépendance à la connectivité réseau pour les ajustements en temps réel.