从信息时代到智能时代，算法成为新的生产力，车辆产品的设计从传统的开发模式转变为数据驱动的迭代。在积极拥抱时代变革的同时，车联网在数据采集和数据分析方面面临诸多挑战。
基于此背景，在SOA产品屏蔽车辆云平台差异、低代码工具、原子化功能的设计理念下，智协汇通提供了一套技术全栈数据闭环解决方案，实现了高精度、高质量的灵活按需数据采集。同时，近期还推出了轻量化自动驾驶数据采集方案，满足车企和客户的全方位数据采集需求。
算法——个性化时代的先进生产力
2012年，今日头条上线，对当代门户新闻网站造成降维打击。推荐引擎通过对用户行为的深度学习和训练算法，让每个用户看到不同的信息，实现“千人千面”的个性化展示。背后的生产范式是先进生产力。
如今算法充斥着人们生活的各个角落，新四化趋势下的智能化、个性化需求也将算法这种先进的生产力引入了汽车领域。
信息时代，软件需要程序员思考业务逻辑，然后通过编程实现。智能时代，生产范式从“代码+数据”转变。以自动驾驶为例，在实现逐层编程的同时，将机器学习模型引入感知和决策层，利用数据闭环训练算法实现软件的快速迭代。
不仅仅是自动驾驶，未来会有越来越多的场景遵循新的生产模式。如何构建新的生产力和范式，成为车企需要考虑的问题。
当然，大数据的底层建设在信息时代就已经存在，比如车联网。
如今各大主机厂都有车联网背景，都搭建了大数据平台，包括数据仓库、BI分析等等。但从业界对大数据的期待来看，其成果和价值并不显著，因为信息时代IT部门主导的业务逻辑难以匹配智能时代海量、灵活、高精度的数据需求。
智汇通认为，智能时代大数据平台的设计思路需要改变，新一代的核心生产力是敏捷能力和工具链的结合。通过跨车云数据技术的工具链封装，业务部门可以灵活运用数据，快速探索业务，快速验证试错，最终形成数据驱动的业务闭环。
因此，需要建立一套快速迭代、敏捷的数据闭环工具链，从而赋能业务部门自主探索数据。
数据思维+灵活数据采集，打通数据闭环前端
数据驱动的业务闭环遵循“业务思考-数据采集-数据标注-算法训练-部署迭代”的流程。
在这个过程中，既要满足业务部门对数据采集在精度、维度、质量上的全方位要求，同时也要降低大数据分析的门槛，让业务部门实现独立分析。此外，还需要在车云范围内实现快速算法部署、快速迭代和数据闭环，让一套技术架构和工具满足所有业务部门的需求。可见，利用车联网的数据实现数据闭环是一个很大的挑战。
构建数据闭环的前提是建立数据思维，用数据考虑业务。那么什么是数据思维呢？此前，智协汇通在一次与客户的合作中得到了答案。
对于驾驶行为分析中“急加速”和“急减速”的识别算法，最重要的是设置合理的判别阈值。汽车行业的传统方案是根据过去积累的工程经验设定一个值，但实践证明这样的阈值并不可靠。
基于大数据的方法是首先采集大量的行车记录数据，通过特征识别找出特征数据段，计算其中的特征值，通过统计分析找出阈值。这就是向数据思维的转变——通过海量数据得出结果，而不是根据经验。
当你具备了基于数据的商业思维能力，车联网的数据获取过程中就会有挑战。
目前基本的数据获取能力还是瓶颈。虽然车联网已经建设多年，但是最早的车联网数据采集是为了满足法律法规的要求。因此，业务部门在考虑新的业务场景时，往往会发现信号的数量、精度和质量都不足，无法支持多维度的专业数据分析。而且车联网采集的信号是固定的，难以改变，导致数据采集灵活性差，难以满足不同的需求。
无论是流量还是云端的存储成本，以及数据的清洗和处理、关键数据的提取、建模和分析，整个过程的效率和成本都让RD团队头疼不已。
智汇通看到了车端数据采集的关键痛点，打造了低代码开发工具-直接算法下发-车端秒级操作-灵活数据采集/上传/存储的闭环方案，帮助主机厂多维度、高精度、低成本、高质量地采集数据。
针对时间成本、采集难度等痛点，智协汇通提出了基于车载终端的柔性触发机制，可以根据具体场景灵活定义采集维度和精度，管理数据从采集到应用的全过程，从而加速产品迭代，赋能车载终端成为物联网边缘计算网络的中心。
迎接敏捷挑战的“开箱即用”低代码开发工具
相对于汽车行业的传统数据分析，车联网的数据分析与前者最大的区别在于多了一步特征提取。从原始信号中提取人和车辆的环境特征，形成人像。
然而，车联网分析现有的背景和工作模式极大地限制了数据的高效利用:it和业务部门的跨界沟通使得需求响应效率低下；代码开发慢导致软件变更迭代速度慢；此外，云端和大数据模型的跨车升级和通用化成本较高，更换模型时需要重写很多代码。
基于数据分析方面的敏捷挑战，智协汇借鉴计算机行业微服务、低代码的成熟思路，形成了一套解决方案。
智汇通的图形化和低代码开发工具将汽车领域常用的算法封装到运算符中，工程师通过拖拽就可以快速建立模型。这个大数据分析建模工具有专门针对汽车行业的工具箱，比如工况识别、信号滤波等。支持汽车各种专业数据格式的分析，以及机器学习建模推理。在车云同构的框架下，该算法可以在几秒钟内部署完成。显然，这种“开箱即用”的工具可以帮助业务人员和开发人员减少可观的时间成本。
车云的同构全栈数据驱动能力解决了新的挑战
这两年，智协汇通在量产实践中看到了更多的需求，包括对偶发异常的远程快速定位和分析。
目前主流车企已经开始搭建远程诊断系统。然而，随着软件复杂度的快速增加，新架构带来的潜在异常和意外故障大大增加，传统的远程诊断系统已经不能满足新的要求。另外，目前远程诊断采集的冻帧数据质量普遍较差，采样频率较低，无法支持故障相关性分析和故障溯源。
智汇与各大远程诊断供应商合作，采用远程诊断+柔性数据采集+OTA方案，构建故障诊断与处理闭环。通过灵活的数据采集方案采集高精度多维数据，支持潜在异常的排查和故障的相关性分析。软件异常可以通过OTA快速解决，同时根据数据生成判断异常的规则，并将规则发送给车辆监控异常问题。
对于功能异常的指标，智协汇通的数据闭环方案也可以快速迭代，持续部署，从而增强车辆故障预警的实时性。
此外，智协汇通的解决方案已成功应用于机器学习识别减速带和路面特征的场景。
企业在开发骑行和驾驶功能时，往往会收集减速带、石子路等路面特征信息。通过众包数据采集，并在地图上标注出来，让车辆在未来通过这些特色道路时，能够主动调整悬挂状态，提高乘坐和驾驶舒适性。而传统的减速带识别算法模型从开发到车辆部署需要18到24个月，并且在传统的车联网数据采集模式下，数据质量难以保证，数据成本高，功能实现难度很大。
智汇通的解决方案在车端采集传感器和执行器的状态数据，在云端建立和训练工况识别模型，算法快速发送到边缘端，采集路面特征数据并标注地图，大大缩短了从设计到部署的周期。
智汇通的解决方案在车载端构建了与云端相同的一套高性能算子库，使用统一的语言解析器，形成车云同构计算框架。这套计算框架可以屏蔽车云的差异，实现智能算法模型从云到车的一键部署，无需从底层C++开始。车端边缘计算配合云计算，大大提高了数据到桌面的效率。
基于智协汇通的数据闭环解决方案，车企可以获得跨车云技术闭环、数据独立分析、数据到桌面的全栈数据驱动能力，从而掌握智能时代的先进生产力。
专注于数据域、跨域、多场景解决方案，满足全方位需求
智汇通成立于2015年，由“软件+数据+汽车”的跨界团队组成。它拥有数据库、边缘计算和基础软件等多项核心底层技术，并专注于为原始设备制造商构建跨车云的数据驱动能力。
基于车云的同构数据闭环解决方案和高精度数据采集处理能力，智协汇通可以赋能车企和合作伙伴，实现业务创新、数据共享、开发者平台搭建等，真正构建基于数据驱动的生态链。
智汇通可以通过车辆数据库和边缘计算，完成自动驾驶数据闭环解决方案的轻量化部署。其解决方案已经覆盖了模型开发、模型验证、模型部署、边缘计算、数据采集的全流程闭环。在自动驾驶数据闭环方案的量产实践中，智协汇通也积累了大量经验，帮助用户在数据闭环过程中调整和提高效率。
基于车云的同构数据闭环解决方案和高精度数据采集处理能力，智协汇通的解决方案可应用于自动驾驶和车载端各种域控制器，为主机厂提升数据采集、问题解耦和处理的效率，为用户带来更多体验和更好的安全性。
在克服了诸多技术挑战后，智协汇通的解决方案已经能够从容面对行业内各大主机厂的更多需求，包括自动驾驶、底盘动力、智能驾驶舱、TBox/中央网关等场景。目前，智协汇通的方案还在持续更新中。预计2025年，公司平台将产生100+数据驱动的解决方案，全面赋能车企提炼车端数据价值，迎接智能网联时代的挑战。
