数据平台是连接汽车和汽车的互联网的关键

当您想到计算机时，您如何看待什么？大多数人都设想在办公室的笔记本电脑或桌面。有些人可能会想到数据中心中的服务器。有些人甚至可能认识到智能手机和平板电脑的移动设备实际上只是小型便携式计算机。有多少人想到一辆连通车？

汽车正在成为下一个个人计算平台。很多人都听说iPhone中的处理能力大于20世纪60年代的美国航空航天局的Apolo计算机中使用的加工能力。但是船上的加工电源是一种同样显着的增长故事。考虑到今天典型汽车的计算能力从1990年的水平增加了1000万次 - 这比摩尔定律更快。事实上，现代车辆的计算量增加了80％的复合年增长率（CAGR）。

连通汽车和自动驾驶技术为汽车行业推动了令人难以置信的价值，并吸引了私营和公共市场的“汽车技术”的重大投资。随着这种增长的伴随是由于其独特的要求，用于支持连接的汽车应用的数据平台的基本班次。如果我们看一下连接的汽车和自动驾驶作为下一个杀手应用程序，我们就可以从平台上学习，因为他们正在促使他们造成更大动作的竖笛。特别是，用于支持连接的汽车应用程序的数据平台必须支持：

1. 规模的实时处理。越来越复杂的先进驾驶员援助系统（ADAS）需要实时处理车辆上的大量数据，以提供诸如碰撞避免，自动制动和自适应巡航控制等功能。随着汽车实现更高水平的自主驱动能力，需要复合。An autonomous driving car gains a holistic understanding of the vehicle’s position and circumstances by combining multiple sensor outputs from devices including radar (10-100 KB/s), sonar (10-100 KB/s), GPS (50 KB/s), cameras (20-40 MB/s) and莱达（10-70 MB / s）。总共产生约4 TB的数据，并在车辆上处理，用于每个自动驾驶时间。因此，数据平台需要支持真正的实时数据处理和决策（例如，制动或加速）。
2. 机器和深度学习。虽然车辆上的一些系统利用人类策划规则，但是帮助车辆在道路上快速做出决定，越来越强调使用机器学习和深度学习实时做出更好的决定。例如，使用基于规则的系统难以实现行人检测;相反，汽车使用深度学习模型，可以进行实时仪表板安装的相机馈送的语义分割，以便检测行人。这种转向使用机器学习需要使用新兴的软件框架 - 就像Caffe2或Tensorflow - 并且可能会有许多新进入者来。此外，培训和部署机器学习模型的过程促成了新的迭代开发过程，要求大量培训数据以及数据科学家，应用程序开发商，数据工程师和治理专业人员之间密切合​​作。支持这些应用程序的数据平台需要支持令人难以置信的各种处理引擎和数据类型，并且需要促进复杂的应用程序开发过程，尽可能小的摩擦。
3. 分布式计算。随着汽车本身加上互联网连接的载体，现代汽车是最终的边缘处理装置。除了车辆上的实时ADAS功能外，该车还发送相关的汇总信息在数据中心或云中的集中式舰队管理应用程序在许多车辆中聚合，以便分析舰队性能并预测维护问题。在许多情况下，汽车和数据中心/云之间的数据移动必须是双向的，因此通过数据中心的实验可以随时间重新调整和改善机器学习模型，并且可以无缝地重新部署到车辆。车辆到车辆功能将进一步需要，汽车在支持全向数据移动的点对点网络中通信。虽然2000年代可能被称为云时代，但我们今天看到的班次通过连接的汽车举例说明，虽然连接的汽车是指在任何物理数据中心或公共云环境之外的总处理中的快速增长。考虑到，与汽车船上的80％CAGR船上，IDC，Gartner和Wikibon的行业估计将公共云计算的增长达到16％-19％CAGR之间。支持连接的汽车应用的数据平台必须是基础架构不可知的，并且必须支持连续的协调数据流动 - 无缝移动数据和在数据中心和/或云和车辆之间计算。

随着汽车作为下一个伟大的消费平台，真正破坏性应用的下一个先锋在数据平台级别的激励是显着的新功能。随着计算和数据处理随着汽车本身的增加而变得普遍存在，主要挑战将是管理大量的数据和数据速度在来自不同传感器的汽车上生成，以便使用新兴的计算框架，包括机器学习的数据的实时处理，并将汽车与数据中心无缝连接。与之前的智能手机一样，这并不奇怪，数据管理平台提供商正好放置在连接的汽车生态系统中的价值创建中心。

所有IOT议程网络贡献者负责其帖子的内容和准确性。意见是作者，不一定能够传达物联盟议程的思想。