Вам необходимо повысить эффективность работы 20 миллионов сотовых и отключенных транспортных средств путем автоматической настройки рабочих параметров. Как следует поступить?

Для повышения эффективности 20 миллионов транспортных средств требуется автоматизация и масштабируемость. Сбор всех операционных данных и обучение моделей машинного обучения (ML) для определения идеальных операций является эффективным подходом. Запуск этих моделей локально на транспортном средстве (edge computing) позволяет вносить корректировки в режиме реального времени без задержек, связанных с передачей данных в облако и обратно, что критически важно для сотовых и отключенных устройств. Поручение инженерам ручного анализа данных и реализация алгоритма на основе правил не масштабируется для 20 миллионов устройств и не сможет адаптироваться к изменяющимся условиям. Потоковое задание Cloud Dataflow со скользящим окном и Google Cloud Messaging может быть полезно для сбора и обработки данных, но не решает проблему автоматической настройки параметров на основе сложных закономерностей, для чего требуются ML-модели. Размещение моделей на Cloud ML Platform для корректировок из облака может привести к задержкам и проблемам со связью для сотовых и отключенных транспортных средств, делая локальное выполнение моделей более предпочтительным.