È necessario aumentare l'efficienza operativa di 20 milioni di veicoli cellulari e disconnessi regolando automaticamente i parametri operativi. Come si dovrebbe procedere?

L'opzione corretta è la più efficace perché affrontare 20 milioni di veicoli "disconnessi" richiede l'elaborazione dei dati e l'applicazione dei modelli localmente (edge computing). Raccogliere tutti i dati e addestrare modelli ML per identificare le operazioni ideali è un approccio scalabile per l'ottimizzazione. Eseguire i modelli localmente sui veicoli consente regolazioni automatiche in tempo reale, anche in assenza di connettività costante, garantendo efficienza operativa continua. Le altre opzioni sono meno adatte: L'ispezione manuale dei dati da parte degli ingegneri non è scalabile per 20 milioni di veicoli. L'implementazione di un job di streaming Cloud Dataflow con Google Cloud Messaging presuppone una connettività costante e affidabile, che non è garantita per veicoli "disconnessi". Ospitare i modelli su Cloud ML Platform per apportare modifiche dal cloud presenta lo stesso problema di dipendenza dalla connettività per i veicoli disconnessi.