Concevoir une plate-forme de véhicule connecté sur Cloud IoT Core

Cette solution examine la gestion des véhicules connectés via une assurance basée sur l'utilisation en utilisant Cloud IoT Core sur Google Cloud.

Les véhicules sont en train de se transformer d'objets individuels, autonomes et axés sur le transport, en points de terminaison sophistiqués, connectés à Internet et souvent capables de communication bidirectionnelle. Les nouveaux flux de données générés par les véhicules modernes connectés mettent en œuvre des modèles commerciaux innovants tels que l'assurance basée sur l'utilisation. Ils permettent de nouvelles expériences dans l'habitacle et jettent les bases des avancées technologiques dans les véhicules, telles que la conduite autonome et la communication V2V.

Google Cloud fournit une plate-forme de calcul robuste qui tire parti du modèle de sécurité de bout en bout de Google pour la création et l'exploitation de plates-formes de véhicules connectés.

Types de données

Les données de véhicules connectés sont composées d'un vaste ensemble de données de capteur et d'utilisation, telles que :

  • Emplacement de véhicule. Coordonnées GPS, limitation de vitesse, accéléromètre, orientation de la boussole.
  • Métriques de transmission. État de la conduite, RPM du moteur, température du moteur, niveau de carburant, codes d'erreur.
  • État de l'environnement du véhicule. Température intérieure/extérieure, détection de pluie, humidité.
  • Capteurs personnalisés. Caméras, services de suivi tiers, y compris les températures de charge utile, l'emplacement, la vitesse et les impacts dommageables.

Cas d'utilisation

Un véhicule connecté, combiné aux capacités de stockage et d'analyse de données du cloud, permet de nombreux nouveaux cas d'utilisation dans le secteur automobile, comme par exemple :

Assurance basée sur l'utilisation. Les polices d'assurance ont la plupart du temps été basées sur les kilomètres parcourus, mais avec la télémétrie et les données de capteurs avancées, il est possible d'incorporer les comportements de conduite réels dans les modèles de risque d'assurance. Ces comportements comprennent l'accélération/le freinage, la vitesse par rapport aux limitations de vitesse et les types de conduite, par exemple les trajets sur autoroute ou en agglomération. Les assureurs basent leurs politiques sur les comportements de conduite observés, ce qui signifie que les conducteurs prudents peuvent être récompensés par des primes d'assurance moins élevées.

Maintenance prédictive En surveillant activement les données de télémétrie, vous pouvez combiner ces données avec d'autres sources de données, telles que les tolérances opérationnelles attendues ou les modèles de fonctionnement précédents, afin de mieux identifier les défaillances possibles. Les fournisseurs peuvent identifier les problèmes liés aux pièces et aux composants opérationnels. Les conducteurs bénéficient d'une toute nouvelle expérience de service automatisée : le véhicule peut alerter le conducteur des recommandations de maintenance, puis recommander un lieu, une date et une heure de rendez-vous.

Suivi du fret. Le suivi des envois est un défi important tant pour les consommateurs que pour les entreprises. Les consommateurs qui savent exactement quand leur commande arrivera bénéficieront d'une expérience client plus positive. Les entreprises ont une myriade de cas d'utilisation. Un exemple est le suivi des marchandises tout au long de la chaîne d'approvisionnement, un défi pour la production alimentaire. Avec les capteurs et la plate-forme connectée, vous pouvez capturer les informations sur les installations de traitement et la date de traitement, et vérifier que les marchandises sont restées dans les limites d'une tolérance de température donnée.

Expérience personnalisée dans le véhicule. De nombreux véhicules grand public offrent déjà une connectivité Internet, des options de divertissement et une interaction avec le véhicule à l'aide d'un smartphone. Grâce à l'analyse des flux de données du véhicule, vous pouvez personnaliser l'expérience en voiture en fonction de comportements de conduite spécifiques, de destinations de voyage courantes et de recherches fréquentes. Par exemple, le véhicule pourrait préchauffer ou refroidir automatiquement l'habitacle avant un trajet quotidien en fonction des habitudes de conduite quotidiennes.

Défis

Les véhicules peuvent produire plus de 560 Go de données par véhicule et par jour. Ce déluge de données représente une opportunité de tirer profit du flux continu de données, mais le traitement et l'analyse des données à cette échelle présente des difficultés.

Les principaux défis à relever pour développer une plate-forme de connexion et de gestion des données du véhicule sont les suivants :

  • Gestion des appareils. Pour connecter des appareils à n'importe quelle plate-forme, vous devez être en mesure d'authentifier, d'autoriser, de transmettre des mises à jour, de configurer et de surveiller les logiciels. Ces services doivent s'adapter à des millions d'appareils et assurer une disponibilité persistante.
  • Ingestion de données. La plate-forme doit recevoir, traiter et stocker des messages de manière fiable.
  • Analyse de données. Vous pouvez effectuer une analyse complexe de données de séries temporelles générées à partir d'appareils pour mieux comprendre les événements, les tolérances, les tendances et les défaillances possibles.
  • Applications. Les développeurs doivent créer une logique d'application au niveau de l'entreprise. Cette logique doit s'intégrer aux sources de données existantes, y compris les sources tierces et les centres de données sur site.
  • Modèles prédictifs. Vous devez disposer de modèles prédictifs basés sur des données actuelles et historiques pour pouvoir prédire les résultats au niveau de l'entreprise.

Pour retirer une valeur des données du véhicule, vous devez être en mesure d'ingérer, de stocker et de traiter des données d'appareils à grande échelle. Vous devez traiter les données en toute sécurité sur l'ensemble de la plate-forme et pouvoir adapter les applications de traitement, de stockage et d'analyse à la quantité de données générée par des millions d'appareils sur différents sites. Vous avez besoin d'une analyse rapide des données, de capacités prédictives avancées et de boucles de rétroaction pour les applications issues du machine learning.

Google Cloud fournit une plate-forme robuste pour l'ingestion de données, la gestion des appareils Internet des objets (IdO), le stockage, l'analyse et les prédictions du machine learning. La gestion centralisée des équipements d'une passerelle par véhicule simplifie le plan de contrôle et le plan de données pour les capteurs et les sources de données, tout en contribuant à la sécurité et aux limites opérationnelles des systèmes basés sur le cloud.

Conditions et conception de l'assurance basée sur l'utilisation

Cette section traite des exigences et de l'architecture spécifique conçues pour le cas d'utilisation de l'assurance basée sur l'utilisation.

Schéma de l'architecture

architecture de voiture connectée

Gestion des appareils

Dans le cas d'utilisation de l'assurance basée sur l'utilisation, les véhicules sont équipés d'une télémétrie connectée à Internet qui rapporte une série d'événements de véhicules de faible activité enregistrée pendant le trajet de chaque véhicule. Les données sont téléchargées en temps réel ou à la fin de chaque voyage. Les exemples d'ensembles de données incluent la vitesse du véhicule, la localisation GPS et les événements exceptionnels. Les appareils du véhicule peuvent communiquer avec Google Cloud à l'aide de MQTT, un protocole de communication standard. Chaque appareil doit passer par un processus d'authentification mutuelle avant d'échanger des données et doit être associé à un VIN spécifique. La communication est bidirectionnelle entre les appareils de télémétrie, car ils fournissent tous deux des données et peuvent également accepter des messages.

Le gestionnaire d'appareils de Cloud IoT Core fournit une solution évolutive et flexible pour gérer les véhicules en tant qu'appareils IdO. Le gestionnaire d'appareils enregistre la clé publique d'appareils lors de l'enregistrement de l'appareil. Ce dernier est utilisé lorsque l'appareil envoie des messages pour autoriser sa connexion et aider à établir des communications sécurisées. Une fois les appareils enregistrés, le gestionnaire d'appareils les surveille et vous permet d'envoyer des commandes de gestion à distance aux appareils. Le gestionnaire d'appareils est fourni via une API qui permet à l'application d'assurance basée sur l'utilisation de s'intégrer facilement à la gestion des appareils afin d'enregistrer et de retirer les appareils du véhicule.

Ingestion de données

Tous les messages de bas niveau de chaque véhicule doivent être transmis, traités puis stockés pour un traitement et des analyses ultérieurs. Les messages sont diffusés à la fin de chaque session de conduite ou en temps réel à l'aide de connexions MQTT. Toutes les données d'événement sont stockées pour être utilisées avec l'application d'assurance basée sur l'utilisation et l'analyse détaillée.

Le pont de protocole de Cloud IoT Core assure la communication avec les appareils du véhicule à l'aide de MQTT. Une fois les points de terminaison de véhicule authentifiés, le pont de protocole accepte les messages et les transmet à Google Cloud Pub/Sub. Cloud Pub/Sub est un système de mise en file d'attente de messages évolutif à l'échelle mondiale, ce qui en fait un excellent choix pour gérer les flux de données de véhicules tout en dissociant les spécificités de la mise en œuvre du traitement backend.

Google Cloud Dataflow est utilisé pour transformer, enrichir, puis stocker des données de télémétrie à l'aide de pipelines de données distribués. Cloud Dataflow est intégré aux composants Google Cloud tels que Google Cloud Bigtable pour le stockage. Cloud Bigtable fournit un service de base de données NoSQL évolutif avec une latence faible constante et un débit élevé, ce qui en fait le choix idéal pour le stockage et le traitement de données de véhicule en séries temporelles. Les données d'appareil brutes enrichies sont initialement stockées dans Cloud Bigtable pour un traitement ultérieur des données d'application et d'analyse dans Google BigQuery.

Communication bidirectionnelle

La communication bidirectionnelle avec les dispositifs du véhicule peut être utilisée de nombreuses manières. Les exemples incluent la demande de données qui n'ont pas encore été téléchargées ou la distribution de mises à jour de configuration pour l'appareil, comme par exemple pour les types d'événements et les données à rapporter. En fonction du type d'assurance, les véhicules peuvent limiter les données qu'ils signalent à des événements exceptionnels tels qu'une accélération/un freinage brusque ou bien envoyer toutes les données possibles. Les mises à jour de la configuration sur les appareils entraînent la transmission des types de données demandés pour le véhicule donné.

Le gestionnaire des appareils Cloud pour l'IdO offre la possibilité d'établir une communication bidirectionnelle avec les appareils gérés via les mises à jour de configuration des appareils. En mettant à jour la configuration associée à l'appareil spécifique, le gestionnaire des appareils transmet les modifications de configuration à l'appareil du véhicule.

Analyse de données

Les données du véhicule sont agrégées, puis combinées aux données de l'entreprise relatives au véhicule et à la police d'assurance du client. Le volume de données s'adapte au nombre de véhicules. Les données enrichies sont stockées, puis envoyées à l'application d'assurance basée sur l'utilisation pour appliquer des règles de niveau entreprise aux comptes clients en fonction des résultats des analyses.

Cloud Dataflow offre la possibilité de traiter des pipelines de données associant les données de l'appareil du véhicule aux données du véhicule de l'entreprise et du client, puis de stocker les données combinées dans BigQuery. BigQuery fournit le puissant moteur d'analyse pour l'application d'assurance basée sur l'utilisation et pour l'analyse de système hors bande. Les deux types d'analyse sont importants : l'analyse des processus métier pour prendre en charge les règles métier complexes de l'application d'assurance basée sur l'utilisation et l'analyse système pour obtenir des informations sur le comportement général du système.

Machine learning

À mesure que les volumes de données augmentent et que des analyses de données sont effectuées sur les données entrantes, il est possible de créer des modèles de machine learning pour associer de manière algorithmique les comportements du conducteur et les anciennes déclarations d'assurance afin de mieux classer son profil de risque. Les réseaux de neurones profonds permettent aux modèles d'utiliser des centaines, voire des milliers de signaux d'entrée différents pour être classés en catégories de risque ou pour générer une probabilité de score de risque. Au fil du temps, ces modèles peuvent permettre à l'assureur d'offrir des polices plus personnalisées, d'offrir aux conducteurs des primes en fonction de leurs habitudes de conduite et de donner des conseils de conduite prudente.

TensorFlow et AI Platform fournissent un framework de modélisation sophistiqué et un environnement d'exécution évolutif. TensorFlow est un framework de machine learning populaire développé à l'origine par Google Brain, puis publié de manière open source sur GitHub. TensorFlow est utilisé pour développer des modèles de réseaux de neurones profonds personnalisés. Il est optimisé pour la performance, la flexibilité et l'évolutivité, des éléments essentiels pour exploiter les données générées par l'IdO. L'un des défis de l'utilisation du machine learning à grande échelle est de sécuriser la puissance de calcul nécessaire au traitement des modèles. AI Platform fournit un environnement évolutif dans lequel entraîner les modèles TensorFlow à l'aide de matériel d'infrastructure informatique Google spécialisé, y compris des processeurs graphiques. AI Platform peut évoluer pour entraîner rapidement des modèles dont l'apprentissage aurait sinon pris des jours. Une fois le modèle entraîné, AI Platform peut l'utiliser pour effectuer des prédictions par lot ou en temps réel, ce qui rend le service extrêmement flexible.

Dans notre cas d'utilisation d'assurance basée sur l'utilisation, TensorFlow permet de créer des modèles avec des réseaux de neurones profonds formés à l'aide des données reçues du véhicule. Les résultats de ces modèles incluent la probabilité d'une demande d'indemnisation pour un véhicule donné et une prévision de son ampleur. Ces données sont utilisées comme un signal dans la modélisation du risque d'assurance basée sur l'utilisation.

Application et présentation

L'application principale est une application d'assurance basée sur l'utilisation, qui évalue les données entrantes du véhicule par rapport aux règles de processus métier afin de déterminer la tarification des polices fournies. Un composant de l'application s'intègre à la fonction de gestion des appareils lorsqu'un client souscrit ou arrête un service pour une assurance basée sur l'utilisation. De nombreux systèmes existants, comme par exemple les données sur les clients, les véhicules et les polices, se trouvent dans un centre de données d'entreprise ou sur site et sont intégrés à l'application d'assurance basée sur l'utilisation.

Google Cloud fournit toute une gamme d'outils de calcul, y compris des machines virtuelles via Google Compute Engine, des conteneurs via Google Kubernetes Engine et une plate-forme en tant que service avec Google App Engine. Kubernetes Engine est utilisé pour exécuter et gérer les conteneurs qui offrent flexibilité et hautes performances pour la fonctionnalité principale de l'application. Compute Engine propose toute une gamme de types de machines différents qui en fait un service idéal pour les composants d'intégration de l'architecture de l'application. L'exécution de services backend sur des conteneurs standard offre un haut degré de flexibilité tout en tirant parti de l'évolutivité offerte par une architecture de microservices. App Engine est utilisé pour fournir aux clients des services frontend d'applications mobiles et Web, car il offre évolutivité, services intégrés et simplicité pour servir à la fois des clients Web et mobiles.

Étapes suivantes