Como projetar uma plataforma de veículo conectado no Cloud IoT Core

Esta solução permite examinar o gerenciamento de veículos conectados que têm seguro baseado em uso com o Cloud IoT Core no Google Cloud.

Veículos estão se transformando de objetos individuais, autossuficientes, com foco no transporte para pontos de extremidade sofisticados, conectados com a internet e, muitas vezes, com capacidade de comunicação bidirecional. Os novos streams de dados gerados por veículos modernos conectados inovam modelos de negócios como seguros baseados em uso, permitem experiências automotivas e criam o alicerce para avanços tecnológicos, como direção autônoma e comunicação veículo a veículo (V2V, na sigla em inglês).

O Google Cloud fornece uma plataforma de computação robusta que aproveita o modelo de segurança completo do Google para a criação e operação de plataformas de veículos conectados.

Tipos de dados

Dados de veículos conectados são compostos de um vasto conjunto de sensores e dados de uso como:

  • Local do veículo. Coordenadas de GPS, limite de velocidade, acelerômetro, orientação por bússola.
  • Parâmetros da transmissão. Status da direção, RPM do motor, temperatura do motor, nível do combustível, códigos de falha.
  • Status do ambiente do veículo. Temperatura interna/externa, detecção de chuva, umidade.
  • Sensores personalizados. Câmeras, serviços de rastreamento de terceiros, incluindo temperatura da carga, local, velocidade, impactos prejudiciais.

Casos de uso

Diversos casos novos de uso automotivo são ativados por um veículo conectado combinado com armazenamento de dados e capacidades de análise da nuvem, inclusive:

Seguro baseado em uso. Historicamente, via de regra, as políticas de seguro têm se baseado no quanto você dirige, entretanto com a telemetria avançada e os dados de sensor, é possível incorporar comportamentos de direção nos modelos de risco. Isso inclui aceleração/desaceleração, velocidade comparada a limites de velocidade e tipos de direção como deslocamentos diários em autoestrada em comparação com deslocamentos em ruas. As políticas de seguro são baseadas na observação do comportamento na direção, o que significa que motoristas mais seguros podem ser recompensados com prêmios de seguros mais baixos.

Manutenção preditiva. Monitorando ativamente os dados de telemetria, combine-os com os de outras fontes de dados, como tolerâncias operacionais esperadas ou padrões operacionais anteriores para melhor identificar possíveis falhas. Problemas com peças e componentes operacionais podem ser identificados por fornecedores. Motoristas têm uma nova experiência de serviço totalmente automatizada: eles podem ser alertados pelo veículo sobre uma manutenção recomendada e sobre o local, a data e a hora do serviço.

Rastreamento de cargas. O rastreamento de transportes é um desafio importante para consumidores e empresas. Consumidores que sabem exatamente quando os pedidos chegarão têm uma experiência de cliente mais positiva. Empresas têm inúmeros casos de uso. Um exemplo é o rastreamento de mercadorias por meio da cadeia de suprimentos, um desafio na produção de alimentos. Com sensores e plataforma conectada, capture informações de instalações de processamento, data de processamento e verifique se as mercadorias ficaram dentro de uma tolerância de temperatura específica.

Experiência automotiva personalizada. Muitos veículos já oferecem conexão com a Internet, opções de entretenimento e interação via smartphone. Por meio de análise de streams de dados do veículo, personalize a experiência automotiva para especificar comportamentos de direção, destinos de viagens comuns e localizações frequentes. Por exemplo, o interior do veículo pode automaticamente pré-aquecer ou esfriar antes do deslocamento diário, com base em padrões de uso diários.

Desafios

Cada veículo pode produzir até 560 GB de dados diários. Esse dilúvio de dados representa oportunidades para gerar valores de stream contínuo de dados e desafios no processo e na análise de dados nessa escala.

Os principais desafios no desenvolvimento de uma plataforma para conectar e gerenciar dados de veículo incluem:

  • Gerenciamento de dispositivos. Para conectar dispositivos à qualquer plataforma, é necessário estar apto para autenticar, autorizar, fazer atualizações, configurar e monitorar o software. Esses serviços precisam ser escalonados para milhares de dispositivos e fornecer disponibilidade persistente.
  • Ingestão de dados. Mensagens precisam ser recebidas, processadas e armazenadas de maneira confiável pela plataforma.
  • Análise de dados. Faça análises complexas de dados de série temporal gerados de dispositivos para receber insights sobre eventos, tolerâncias, tendências e possíveis falhas.
  • Aplicativos. Desenvolvedores precisam criar aplicativos de negócio. Essa lógica deve se integrar às fontes de dados existentes, incluindo fontes de terceiros e data centers no local.
  • Modelos de predição. Tenha modelos de predição com base em dados atuais e históricos para prever resultados de negócios.

Para gerar valor dos dados do veículo, esteja apto para ingerir, armazenar e processar dados do dispositivo em escala. Processe os dados com segurança em toda a plataforma e escalone aplicativos de processamento, armazenamento e análise para lidar com a quantidade de dados gerados a partir de milhões de dispositivos em vários lugares. Precisa de uma rápida análise de dados e capacidade preditiva, além de feedback loop avançado para aplicativos de aprendizado de máquina.

O Google Cloud oferece uma plataforma robusta para ingestão de dados, gerenciamento de dispositivos da Internet das Coisas (IoT na sigla em inglês), armazenamento, análises e previsões de machine learning. O gerenciamento de dispositivo centralizado de um gateway por veículo simplifica o plano de controle e o plano de dados para sensores e fontes de dados enquanto ajuda a fornecer segurança e limites operacionais com sistemas baseados em nuvem.

Requisitos e projeto de seguro baseado em uso

Nesta seção, são discutidas as exigências e a arquitetura projetadas especificamente para o seguro baseado em uso.

Diagrama da arquitetura

arquitetura de veículo conectado

Gerenciamento de dispositivos

Para seguro baseado em uso, os veículos são equipados com telemetria conectada à Internet, que relata uma série de eventos detalhados do veículo registrados durante cada viagem. O upload dos dados é feito em tempo real ou na conclusão de cada viagem. Velocidade do veículo, GPS, local e eventos de exceção são exemplos de conjunto de dados. Os dispositivos do veículo podem se comunicar com o Google Cloud usando o MQTT, um protocolo padrão do setor. É necessário que todos os dispositivos sejam autenticados mutuamente antes da troca de dados e que estejam associados a um VIN específico. A comunicação entre os dispositivos de telemetria é bidirecional, porque ambos fornecem dados e podem aceitar mensagens.

O gerenciador de dispositivo do Cloud IoT Core fornece uma solução escalonável e flexível para gerenciar veículos como dispositivos IoT. A chave pública do dispositivo é registrada pelo gerenciador de dispositivos durante o registro usado quando o dispositivo envia mensagens para autorizar a conexão e ajudar a estabilizar comunicações seguras. Depois que os dispositivos são registrados, o gerenciador faz o monitoramento e permite que você emita comandos de gerenciamento remoto aos dispositivos. O gerenciador de dispositivo é fornecido por meio de uma API que permite a fácil integração do aplicativo de seguro baseado em uso com o gerenciador de dispositivo para registrar e cancelar o registro de dispositivos do veículo.

Ingestão de dados

Cada mensagem específica a um veículo precisa ser transmitida, processada e armazenada para processamento e análise posterior. Ocorre o streaming das mensagens no fim de cada sessão de direção ou em tempo real usando as conexões de MQTT. Todos os dados de evento são armazenados com o aplicativo de seguro baseado em uso e análise detalhada.

A ponte de protocolo do Cloud IoT Core fornece uma comunicação com os dispositivos do veículo usando o MQTT. Depois que os endpoints do veículo forem autenticados, ela aceita e encaminha mensagens para o Google Cloud Pub/Sub. O Cloud Pub/Sub é um sistema de enfileiramento de mensagens globalmente escalonável, o que o torna uma excelente escolha para administrar streams de dados de veículos, ao mesmo tempo em que desassocia os dados específicos da implementação do processamento de back-end.

O Google Cloud Dataflow é usado para transformar, aprimorar e armazenar dados de telemetria usando pipelines de dados distribuídos. O Cloud Dataflow é integrado aos componentes do Google Cloud, como o Google Cloud Bigtable, para armazenamento. O Cloud Bigtable fornece um serviço de banco de dados NoSQL escalonável com baixa latência consistente e alta capacidade, tornando o serviço uma escolha ideal para armazenamento e processamento de dados de veículo de série temporal. Os dados de dispositivo brutos, aprimorados, são inicialmente armazenados no Cloud Bigtable para um processamento de dados de análise e aplicativo posterior no Google BigQuery.

Comunicação bidirecional

A comunicação bidirecional com os dispositivos do veículo pode ser usada de muitas maneiras. Exemplos incluem a solicitação de dados que não foram enviados ou o fornecimento de atualizações de configuração para os dispositivos, como tipos de eventos e dados para relatório. Com base no tipo de seguro, os veículos precisam limitar os dados reportados a eventos de exceção, como aceleração/desaceleração abrupta, ou precisam enviar todos os dados possíveis. As atualizações de configuração para os dispositivos fazem com que estes transmitam os tipos de dados solicitados ao veículo.

Uma comunicação bidirecional com dispositivos gerenciados é estabelecida pelo gerenciador de dispositivo Cloud IoT por meio de atualizações do configurador do dispositivo. Para atualizar a configuração associada com o dispositivo específico, o gerenciador do dispositivo envia as alterações da configuração para o dispositivo do veículo.

Análise de dados

Dados do veículo são agregados e combinados com os dados corporativos do veículo e da política do cliente. O volume de dados é dimensionado com o número de veículos. Os dados aprimorados são armazenados e enviados ao aplicativo de seguro baseado em uso para aplicar regras de negócios a contas de cliente baseadas em resultados da análise.

A capacidade de processar pipelines de dados que combinam dados do dispositivo do veículo com os do veículo corporativo e do cliente é propiciada pelo Cloud Dataflow, que armazena dados combinados no BigQuery. O poderoso mecanismo de análise para o aplicativo seguro baseado em uso e para análise do sistema fora de banda é fornecido pelo BigQuery. Ambos são importantes: a análise do processo de negócios para dar suporte a complexas regras de negócios do aplicativo de seguro baseado em uso e a análise de sistema para ter insights sobre o comportamento geral do sistema.

Aprendizado de máquina

Conforme volumes de dados crescem e é feita análise de dados em dados de entrada, é possível criar modelos de aprendizado de máquina para associar de maneira algorítmica o comportamento do motorista e as reivindicações anteriores de seguro para classificar com exatidão o perfil de risco do motorista. Por meio de redes neurais profundas, centenas ou milhares de diferentes sinais de entrada são usados por modelos para fazer a classificação em categorias de risco ou criar uma probabilidade de pontuação de risco. Ao longo do tempo, esses modelos permitem que a seguradora ofereça políticas mais personalizadas, prêmios baseados em hábitos de direção e dicas de direção segura aos motoristas.

O TensorFlow e a AI Platform fornecem um framework de modelagem sofisticado e um ambiente de execução escalonável. O TensorFlow é um framework de aprendizado de máquina famosa desenvolvida originalmente pelo Google Brain e lançada depois como código aberto no GitHub. O TensorFlow é usado para desenvolver modelos de rede neural profunda personalizada e é otimizado para desempenho, flexibilidade e escalonamento, fatores críticos no uso dos dados gerados por IoT. Um dos desafios no uso do aprendizado de máquina em escalonamento é assegurar a potência necessária do computador para processar modelos. A AI Platform fornece um ambiente escalonável para treinar modelos do TensorFlow com hardware de infraestrutura de computação Google especializado, incluindo unidade de processamento gráfico (GPUs, na sigla em inglês). A AI Platform pode ser escalonada para treinar rapidamente modelos que, de outra forma, poderiam levar dias. Depois que o modelo é treinado, a AI Platform pode usá-lo para fazer previsões em lote ou em tempo real, tornando o serviço extremamente flexível.

Em nosso caso de seguro baseado em uso, o TensorFlow é usado para criar modelos com redes neurais profundas usando os dados recebidos do veículo. São incluídos nos resultados desses modelos a probabilidade de uma reivindicação para um veículo específico e a magnitude prevista desta. Esses dados são usados como um sinal no modelo de risco de seguro baseado em uso.

Aplicação e apresentação

O aplicativo base é um seguro baseado em uso que avalia os dados de entrada do veículo em relação às regras de processo de negócios para determinar qual política de preços é oferecida. A função de gerenciamento de dispositivos é integrada com um componente do aplicativo quando um cliente se inscreve ou descontinua o serviço do seguro baseado em uso. Muitos sistemas como dados do cliente, do veículo e da política existem em um data center corporativo ou no local e são integrados como parte do aplicativo de seguro baseado em uso.

Com o Google Cloud, você tem uma variedade de opções de computação, incluindo máquinas virtuais no Google Compute Engine, contêineres no Google Kubernetes Engine e plataforma como serviço no Google App Engine. O Kubernetes Engine é usado para executar e gerenciar contêineres, que fornecem flexibilidade e alto desempenho para a funcionalidade principal do aplicativo. No Compute Engine, é oferecida uma gama de tipos de máquina diferentes que fazem dele um serviço ideal para os componentes de integração da arquitetura do aplicativo. Serviços de back-end em contêineres padrão oferecem alto grau de flexibilidade enquanto aproveita a escalabilidade oferecida por uma arquitetura de microserviços. O App Engine é usado para fornecer serviços front end a aplicativos da Web e dispositivos móveis do consumidor para escalabilidade, serviços integrados e simplicidade para atender a clientes da Web e dispositivos móveis.

Próximas etapas