Databricks Partner AWS Membantu Rivian Menuju Masa Depan Transportasi Listrik

Rivian melestarikan alam untuk generasi mendatang dengan Electric Adventure Vehicles (EAV) yang revolusioner. Dengan lebih dari 11.000 EAV di jalan menghasilkan beberapa terabita data Internet untuk Segala (IoT) per hari, perusahaan menggunakan wawasan data dan machine learning (ML) dari Databricks yang berjalan di Amazon Web Services (AWS) untuk meningkatkan kondisi dan performa kendaraan. Namun, dengan alat cloud warisan, Rivian berjuang untuk menskalakan jalur secara hemat biaya dan menghabiskan sumber daya yang signifikan untuk pemeliharaan, yang memperlambat kemampuan mereka untuk benar-benar didorong oleh data. Sejak pindah ke Databricks Lakehouse Platform, Rivian sekarang memahami bagaimana performa kendaraan dan bagaimana hal ini berdampak pada pengemudi yang menggunakannya. Dilengkapi dengan wawasan ini, Rivian berinovasi lebih cepat, mengurangi biaya, dan pada akhirnya, memberikan pengalaman berkendara yang lebih baik kepada pelanggan mereka.

Membangun dunia yang akan terus dinikmati oleh generasi mendatang memerlukan perubahan dalam cara dunia beroperasi. Berada di barisan terdepan dari gerakan ini adalah Rivian—produsen kendaraan listrik yang berfokus pada peralihan sistem energi dan transportasi dunia sepenuhnya dari bahan bakar fosil. Saat ini, armada Rivian mencakup kendaraan pribadi dan melibatkan kemitraan dengan Amazon untuk mengirimkan 100.000 van komersial. Setiap kendaraan menggunakan sensor dan kamera IoT untuk mengambil petabita data mulai dari bagaimana kendaraan berkemudi hingga bagaimana berbagai bagian berfungsi. Dengan semua data ini di ujung jari mereka, Rivian menggunakan ML untuk meningkatkan pengalaman pelanggan secara keseluruhan dengan pemeliharaan prediktif agar masalah potensial diatasi sebelum mereka berdampak pada pengemudi.

Bahkan sebelum Rivian mengirimkan EAV pertamanya, Rivian sudah menghadapi keterbatasan visibilitas data dan peralatan yang menurunkan output, mencegah kolaborasi, dan meningkatkan biaya operasional. Mereka memiliki 30 hingga 50 klaster komputasi besar dan rumit secara operasional pada waktu tertentu, yang menjadikannya mahal. Tidak hanya sistemnya yang sulit dikelola, tetapi perusahaan juga sering mengalami gangguan klaster, yang memaksa
tim mendedikasikan lebih banyak waktu untuk pemecahan masalah daripada analisis data. Selain itu, silo data yang dibuat oleh sistem terpisah memperlambat pembagian data, yang selanjutnya berkontribusi pada masalah produktivitas. Bahasa data yang diperlukan dan keahlian khusus dari set alat menciptakan hambatan masuk yang membatasi developer untuk memanfaatkan sepenuhnya data yang tersedia. Jason Shiverick, Principal Data Scientist di Rivian, mengatakan masalah terbesar adalah akses data. “Saya ingin membuka data kami kepada khalayak yang lebih luas yang terdiri dari pengguna yang kurang paham hal teknis agar mereka juga dapat memanfaatkan data dengan lebih mudah.”

Rivian tahu bahwa begitu EAV-nya memasuki pasar, jumlah data yang diserap akan melonjak. Untuk memberikan keandalan dan performa yang mereka janjikan, Rivian membutuhkan arsitektur yang tidak hanya akan mendemokratisasikan akses data tetapi juga menyediakan platform umum untuk membangun solusi inovatif yang dapat membantu memastikan pengalaman berkendara yang andal dan menyenangkan. Karena keahlian mereka di bidang tersebut, Rivian memilih Databricks Partner AWS dan AWS sebagai partner dan penyedia cloud mereka.

Untuk memodernisasi infrastruktur data mereka, Rivian memilih Databricks Lakehouse Platform, upaya kolaboratif antara AWS dan Databricks. Platform canggih ini memberi Rivian kemampuan untuk menyatukan semua data mereka ke dalam tampilan umum untuk analitik hilir dan ML. Sekarang, tim data unik memiliki berbagai alat yang dapat diakses untuk memberikan wawasan yang dapat ditindaklanjuti untuk berbagai kasus penggunaan mulai dari pemeliharaan prediktif hingga pengembangan produk yang lebih cerdas melalui alat seperti AWS Direct Connect, Amazon Simple Storage Service (Amazon S3), Amazon Elastic Kubernetes Service (Amazon EKS), dan Amazon Elastic Compute Cloud (Amazon EC2).

Tim sistem bantuan pengemudi canggih (ADAS) Rivian sekarang dapat dengan mudah menyiapkan data akselerometer telemetri untuk memahami semua gerakan EAV. Data rekaman inti ini mencakup informasi tentang pitch, roll, kecepatan, suspensi, dan aktivitas airbag untuk membantu Rivian memahami performa kendaraan, pola pengemudian, dan prediktabilitas sistem mobil yang terhubung. Berdasarkan metrik performa utama ini, Rivian dapat meningkatkan keakuratan fitur cerdas dan kontrol yang dimiliki pengemudi terhadapnya.  Dirancang untuk menghilangkan stres dari perjalanan jauh dan mengemudi di tengah kemacetan lalu lintas, fitur-fitur seperti kontrol jelajah adaptif, bantuan perubahan jalur, pengemudian darurat otomatis, dan peringatan tabrakan depan dapat disempurnakan dari waktu ke waktu untuk terus mengoptimalkan pengalaman berkendara bagi pelanggan.

Pembagian data yang aman dan kolaborasi juga difasilitasi dengan Databricks Unity Catalog. Shiverick menjelaskan bagaimana tata kelola terpadu untuk Lakehouse memberikan manfaat bagi produktivitas Rivian. “Unity Catalog memberi kami katalog data yang sepenuhnya terpusat di semua tim kami yang berbeda,” katanya. “Sekarang, kami memiliki manajemen akses dan kontrol yang tepat.” Venkat menambahkan, “Dengan Unity Catalog, kami memusatkan katalog data dan manajemen akses di berbagai tim dan ruang kerja, yang telah menyederhanakan tata kelola.” Tata kelola dan auditabilitas terkontrol versi end-to-end dari sumber data sensitif, seperti yang digunakan untuk sistem pengemudian otonom, menghasilkan solusi sederhana tetapi aman untuk rekayasa fitur. Hal ini memberi Rivian keunggulan kompetitif dalam perlombaan untuk memenangkan grid pengemudian otonom.

Kolaborasi antara Databricks dan AWS memungkinkan Rivian menskalakan kapasitas mereka untuk memberikan wawasan data yang berharga dengan kecepatan, efisiensi, dan efektivitas biaya. Rivian siap memanfaatkan lebih banyak data untuk meningkatkan operasi dan performa kendaraan mereka guna meningkatkan pengalaman pelanggan. Venkat mengatakan, “Fleksibilitas yang ditawarkan Lakehouse menghemat banyak uang dari perspektif cloud, dan hal itu merupakan keuntungan besar bagi kami.” Dengan Databricks Lakehouse di AWS yang menyediakan pendekatan sumber terpadu dan terbuka untuk data dan analitik, Tim Keandalan Kendaraan dapat lebih memahami bagaimana orang menggunakan kendaraan mereka, dan hal itu membantu menginformasikan desain kendaraan generasi mendatang. Dengan memanfaatkan Databricks Lakehouse Platform, mereka telah mengalami peningkatan sebesar 30%–50% dalam performa runtime, yang menghasilkan wawasan dan performa model yang lebih cepat.

Shiverick menjelaskan, “Dari sudut pandang keandalan, kami dapat memastikan bahwa komponen akan tahan terhadap siklus hidup yang sesuai. Hal ini bisa sederhana seperti memastikan pegangan pintu cukup kuat untuk menahan penggunaan konstan, atau rumit seperti pemeliharaan prediktif dan preventif untuk menghilangkan kemungkinan kegagalan di bidang tersebut. Secara umum, kami meningkatkan kualitas perangkat lunak berdasarkan metrik kendaraan utama untuk pengalaman pelanggan yang lebih baik.”
Dari perspektif optimisasi desain, tampilan data yang jelas dari Rivian juga menghasilkan wawasan diagnostik baru yang dapat meningkatkan kesehatan, keselamatan, stabilitas, dan keamanan armada. Venkat mengatakan, “Kami dapat melakukan diagnostik jarak jauh untuk mengurutkan masalah dengan cepat, atau meminta layanan seluler masuk, atau mungkin mengirim OTA untuk memperbaiki masalah dengan perangkat lunak. Semua ini membutuhkan begitu banyak visibilitas ke dalam data, dan hal tersebut dimungkinkan dengan kemitraan dan integrasi kami pada platform itu sendiri.” Dengan developer yang secara aktif membangun perangkat lunak kendaraan untuk memperbaiki masalah di sepanjang perjalanan.

Ke depannya, Rivian melihat adopsi cepat Databricks Lakehouse di tim yang berbeda—yang meningkatkan jumlah pengguna platform dari 5 menjadi 250 hanya dalam satu tahun. Hal ini telah membuka kasus penggunaan baru termasuk menggunakan ML dari AWS untuk mengoptimalkan efisiensi baterai pada suhu yang lebih dingin, meningkatkan akurasi sistem pengemudian otonom, dan melayani depot komersial dengan dasbor kesehatan kendaraan untuk pemeliharaan awal dan berkelanjutan. Seiring bertambahnya jumlah EAV yang dikirimkan, dan berkembangnya armada van komersial mereka, Rivian akan terus memanfaatkan koleksi data yang dihasilkan oleh EAV mereka untuk memberikan inovasi baru dan pengalaman berkendara yang merevolusi transportasi berkelanjutan.