Le rôle de l'IA et des outils d'IA dans le développement et le test de logiciels automobiles

L'intelligence artificielle (IA) est un sujet brûlant dans de nombreux secteurs et applications. Mais ce n'est pas un concept nouveau pour l'industrie automobile. L'IA, en particulier l'apprentissage automatique (le processus qui consiste à enseigner aux machines à apprendre à partir de données et à s'améliorer au fil du temps), est utilisée depuis un certain temps déjà, initialement pour améliorer les approches basées sur la physique dans le domaine du développement.

Cependant, l'arrivée des véhicules connectés et la création de données provenant de diverses sources, telles que les données d'utilisation des clients et les données sur les flottes, ont considérablement transformé le paysage. Auparavant, les données devaient être générées, mais aujourd'hui, l'industrie exploite d'énormes quantités de données provenant de ces sources pour former des modèles d'IA en temps réel, ce qui améliore le processus de développement.

L'IA dans l'automobile

L'impact de l'IA sur l'industrie automobile est complexe. Il est essentiel de distinguer les différentes applications de l'IA, telles que les modèles d'apprentissage automatique qui améliorent les modèles physiques, les grands modèles linguistiques qui améliorent l'efficacité du développement logiciel et les outils d'IA qui facilitent la compréhension et le traitement de la documentation. Ces applications sont essentielles dans divers aspects du développement automobile, de l'amélioration des interfaces utilisateur à la conduite autonome.

L'un des principaux défis liés à l'intégration de l'IA dans le développement automobile réside dans la gestion des énormes quantités de données générées. Les méthodes traditionnelles de validation et de traitement des données ne suffisent plus. Il faut désormais disposer d'infrastructures et de plateformes avancées pour traiter et filtrer efficacement ces données. Malgré ces défis, les avantages de l'IA sont considérables et peuvent réduire considérablement le temps et les coûts associés aux processus manuels. Par exemple :

• Les données provenant d'une seule source peuvent être utilisées de différentes manières par différentes équipes (par exemple, étalonnage et développement de logiciels).
• Les processus de test peuvent être rationalisés.
• Les activités de développement peuvent être optimisées et fonctionner en continu.

L'IA dans le développement et le test de logiciels

Dans le domaine du développement et du test de logiciels, les outils d'IA contribuent depuis des années à améliorer l'efficacité et la fiabilité. L'IA peut par exemple générer des cas de test à partir d'exigences, ce qui réduit le temps et les erreurs potentielles associés aux processus manuels. Après tout, l'IA peut fonctionner 24 heures sur 24, 7 jours sur 7, mais comme pour tout ce qui est basé sur des données, la qualité des résultats et des analyses dépend de la qualité des données utilisées.

De plus, l'IA peut analyser des vidéos et créer des données artificielles à partir de scénarios réels qui ne peuvent être mesurés physiquement et pour lesquels la création d'un outil serait trop coûteuse, ce qui améliore la couverture des tests et la fiabilité des résultats. Elle peut également s'avérer utile pour générer des cas de test à partir des exigences. Auparavant, il s'agissait d'un processus manuel dans lequel un ingénieur devait lire et interpréter les exigences, puis créer des cas de test. Grâce à l'IA, tout cela peut être automatisé, ce qui réduit considérablement le temps nécessaire et les risques d'erreurs et/ou d'interprétations erronées.

Cependant, il n'est pas possible de prendre des raccourcis dans le développement et le test de logiciels. L'intégration de l'IA dans des domaines critiques pour la sécurité, tels que la conduite autonome, nécessite une validation et des tests rigoureux afin de garantir la fiabilité et la sécurité. Ainsi, pour l'instant, l'IA est un outil permettant d'améliorer le temps de développement et de renforcer la confiance dans les résultats des tests.

L'avenir de l'IA dans l'automobile

À l'avenir, les applications potentielles de l'IA dans l'industrie automobile sont vastes. À mesure que la puissance informatique devient plus abordable et accessible, le rôle de l'IA dans le développement et les essais devrait s'étendre. Par exemple, la puissance informatique d'un véhicule est limitée, c'est pourquoi les entreprises cherchent à étendre cette puissance au cloud.

Cependant, l'industrie doit se pencher sur les questions réglementaires et de responsabilité, en particulier celles liées aux véhicules autonomes. En cas d'erreur et d'accident, qui est responsable ? La décision a été prise par la voiture, alors est-ce le constructeur automobile, le fournisseur du logiciel ou quelqu'un d'autre ? Il s'agit là d'un aspect complexe que l'industrie doit résoudre à mesure que les technologies autonomes progressent.

Cela soulève la question de la vitesse à laquelle nous avançons. Personne ne veut être à la traîne, mais aller trop vite peut entraîner une perte de contrôle sur ce qui se passe, ce qui est inacceptable en matière de sécurité. Chez ETAS, notre travail porte sur la sécurité des véhicules. Nous nous concentrons donc sur la manière de rendre un véhicule sûr et sécurisé. Nous devons donc contrôler et nous fier aux résultats des outils d'IA. Nous envisageons un avenir où l'utilisation de l'IA pour gagner en efficacité sera équilibrée par des processus de validation rigoureux garantissant la sécurité et la fiabilité.

L'approche d'ETAS en matière d'IA

ETAS est à la pointe de l'intégration de l'IA dans le développement automobile et notre engagement en faveur de l'innovation nous permet de rester un acteur clé dans le paysage en constante évolution de l'IA automobile. Notre approche consiste notamment à utiliser l'IA pour traiter et optimiser les données, générer des cas de test et améliorer la fiabilité des modèles. Par exemple, nous utilisons des outils d'IA aux deux extrémités de la chaîne de développement :

• Côté gauche/codage : l'IA générative et un outil de chatbot aident les développeurs qui utilisent la chaîne d'outils ETAS à résoudre les problèmes courants liés à AUTOSAR, à la génération de code C, aux fichiers ARXML et à la configuration du logiciel de base. Ce faisant, l'outil d'IA apprend les problèmes courants, fournit une réponse à quelque chose qu'il connaît déjà ou facilite la prise en charge par un humain du processus pour un problème non documenté.
• Côté droit/Validation : dans la suite de calibrage IA, de grandes quantités de données sont utilisées pour optimiser le calibrage en fonction d'informations réelles. Auparavant, ce processus fastidieux était effectué manuellement par une personne. Grâce à l'IA, l'efficacité est considérablement améliorée et les connaissances sont conservées, contrairement à ce qui se passe lorsqu'une personne compétente quitte l'entreprise.

Un autre exemple est l'ETAS Embedded AI Coder, qui permet un déploiement sûr, rapide et efficace des fonctions d'IA sur les unités de contrôle électronique (ECU). Grâce aux performances de pointe de cet outil, le temps de développement est considérablement réduit, ce qui libère les ressources traditionnelles nécessaires à la génération de code C. De plus, lorsqu'il est associé à l'ASCMO d'ETAS, il peut générer des modèles d'IA pour plusieurs domaines, offrant ainsi une solution unique pour le développement de modèles et la génération de code C. Ensemble, ces outils élargissent l'écosystème des codeurs embarqués, permettant ainsi à des personnes non expertes en IA de générer des modèles.

L'IA et les outils d'IA révolutionnent l'industrie automobile, offrant des opportunités sans précédent en matière d'efficacité et d'innovation. À mesure que l'industrie continue d'évoluer, l'intégration de l'IA jouera un rôle crucial dans l'avenir du développement et des essais automobiles. L'approche proactive d'ETAS en matière d'exploitation de l'IA souligne le potentiel transformateur de ces technologies dans la création de véhicules plus sûrs et plus efficaces.