Musisz zwiększyć wydajność operacyjną w 20 milionach pojazdów komórkowych i odłączonych, automatycznie dostosowując parametry operacyjne. Jak należy postąpić?

Prawidłowa odpowiedź to zebranie danych, wytrenowanie modeli ML i uruchomienie ich lokalnie w pojazdach. Modele uczenia maszynowego (ML) są idealne do identyfikacji złożonych wzorców w dużych zbiorach danych i automatycznego dostosowywania parametrów w celu optymalizacji wydajności. Uruchamianie modeli lokalnie (na urządzeniu) jest kluczowe dla 20 milionów pojazdów, zwłaszcza tych odłączonych, ponieważ zapewnia natychmiastowe reakcje bez zależności od łączności sieciowej i minimalizuje opóźnienia. Inżynierowie sprawdzający dane i implementujący algorytmy oparte na regułach są nieefektywni i nie skalują się dla tak dużej liczby pojazdów i złożoności. Zadanie strumieniowe Cloud Dataflow z Google Cloud Messaging wymaga stałej łączności, co jest problemem dla pojazdów odłączonych. Hostowanie modeli na Cloud ML Platform i dokonywanie korekt z chmury również wymaga stałej łączności i wprowadza opóźnienia, co jest nieodpowiednie dla operacji w czasie rzeczywistym w pojazdach.