Image
Success Story

Übernahme und Weiterentwicklung des digitalen Cockpits der nächsten Generation für einen globalen OEM

Im Jahr 2021 übernahm Acsia erfolgreich die Entwicklung eines digitalen Cockpits der nächsten Generation für einen führenden Hersteller von Luxusgütern und meisterte dabei erhebliche Herausforderungen bei der Integration und Kontinuität, um ein anspruchsvolles, vernetztes Fahrerlebnis zu gewährleisten.

Business & Technology Landscape

Im Jahr 2021 wird es im Bereich der Automobilsoftware erhebliche Fortschritte geben, insbesondere bei Software-definierten Fahrzeugen (SDVs) und digitalen Cockpits, angetrieben durch die Nachfrage nach hochentwickelten, vernetzten und intelligenten Fahrzeugen.

Wichtige Trends bei SDV

Over-the-Air (OTA) Updates: Die Verbreitung von OTA-Updates für die Bereitstellung neuer Funktionen, Sicherheitspatches und Leistungsverbesserungen per Fernzugriff.

Verbesserte Fahrzeugkonnektivität: Vertrauen Sie auf robuste Kommunikationsnetze wie 5G für den Datenaustausch in Echtzeit, Telematik und V2X-Kommunikation, die fortschrittliche Fahrerassistenzsysteme (ADAS) und autonomes Fahren ermöglichen.

Zentralisierte Rechnerarchitekturen: Übergang von mehreren elektronischen Steuergeräten (ECUs) zu zentralisierten Computerplattformen, die eine höhere Verarbeitungsleistung und eine bessere Systemintegration bieten.

Digitale Cockpit Trends

Einheitliche Benutzeroberflächen: Integration von Kombiinstrumenten, Infotainmentsystemen und Head-up-Displays in eine einzige, einheitliche Benutzeroberfläche für nahtlose Interaktion.

Fortschrittliche Infotainment-Systeme: Mit Spracherkennung, Gestensteuerung und personalisierten Inhalten, die von modernen Prozessoren und GPUs unterstützt werden.

Hochauflösende Displays und Grafiken: Einführung von hochauflösenden Displays, OLED-Panels und gebogenen Bildschirmen für eine klarere und lebendigere Darstellung.

Konnektivität und intelligente Dienste: Unterstützung für vernetzte Dienste und Anwendungen von Drittanbietern, die Funktionen wie Echtzeit-Navigation und Medien-Streaming ermöglichen.

Personalisierung und Benutzerprofile: Umfassende Personalisierungsoptionen für Benutzer, um ihr Fahrerlebnis anzupassen.

Customer Problem Statement

Der Kunde, ein Tier-I-Zulieferer für einen führenden Luxus-OEM, war auf der Suche nach einem neuen Softwarepartner, um die Entwicklung eines Cockpitmoduls der nächsten Generation zu unterstützen.

Maintenance Takeover: Bei diesem Projekt handelte es sich um eine Wartungsübernahme, bei der Acsia den gesamten Start of Production (SOP) im März 2023 übernahm.

Initial Scope: Identifizierung von Defekten/Fehlern, die während Feldversuchen vom OEM oder anderen Anbietern gemeldet wurden, und Bereitstellung von Korrekturen.

Acsia Solution

Der Kunde entschied sich für die Zusammenarbeit mit Acsia, da das Unternehmen bereits zahlreiche erfolgreiche Projekte in den Bereichen Kombiinstrumente und Infotainment durchgeführt hat. Die Demos und Audits von Acsia zeigten die bewährte Kompetenz des Unternehmens und machten es zum idealen Partner für dieses Projekt.

Projekt Verantwortlichkeiten

Unterstützung vor dem SOP und Übernahme: Acsia übernahm das Projekt noch vor dem Start of Production (SOP) und war für die gesamte Software verantwortlich, einschließlich Fehlerbehebungen und Änderungsanfragen.

Software-Wartung nach SOP: Nach dem SOP hat Acsia die Software-Wartung fortgesetzt, um sicherzustellen, dass das System stabil und funktionsfähig bleibt und alle Leistungsparameter erfüllt werden.

Software-Integration: Acsia war für die Integration von Software in drei Produktlinien verantwortlich.

Media Gateway Unit (MGU): Verwaltet die Haupteinheit ohne Kombiinstrument-Funktionalität.

Integriertes digitales Cockpit (IDC): Beinhaltet alle MGU-Funktionen sowie zusätzliche Fahrerinformationen.

Rear Seat Entertainment (RSE): Bietet Unterhaltungsoptionen für die Passagiere auf den Rücksitzen.

Überwundene Herausforderungen

Reverse Engineering: Acsia musste das System aufgrund der fehlenden Dokumentation des vorherigen Anbieters zurückentwickeln und hat dies erfolgreich durchgeführt.

Hohe Erstbehebungsrate: Während der Wartungsphase wurde eine Erstbehebungsrate von 96% erreicht, wodurch die Häufigkeit wiederkehrender Probleme minimiert wurde.

Business Outcome & Impact

  • Produktionszeitpläne: Der OEM hat seine Produktionszeitpläne erfolgreich eingehalten und die Markteinführung des Fahrzeugs zum festgelegten Termin im Jahr 2023 sichergestellt.
  • Verbesserte Kundenerfahrung: Die verbesserte Gesamtarchitektur führte zu einem besseren Benutzererlebnis.
  • Verbesserung des Systemzustands: Leistungsverbesserungen und Maßnahmen zur Verbesserung des Systemzustands optimieren das System gemäß den Erwartungen des OEM.

Key Learning

  • Root Cause Analysis (RCA): Verbesserte RCA-Prozesse führten zu einer höheren Prozesseffizienz und einer höheren Erstbehebungsrate.
  • APSICE V-Modell: Acsia hat die Fähigkeit demonstriert, das gesamte APSICE V-Modell (sowohl System als auch Software) mit Ausnahme von SYS 1 (Erhebungsphase) für Instrumentencluster-Projekte für jeden OEM/Tier-I zu verarbeiten. 
  • AUTOSAR-Konfiguration: Optimierung der Systemeingänge und -ausgänge. 
  • Infotainment-Lebenszyklus: Wissen über den Fahrzeug- und Infotainment-Lebenszyklus auf IDC. 
  • Wake-Up Reset und STR: Verständnis von Wake-Up Reset und Suspend to RAM (STR) in Fahrzeugsystemen. 
  • Display-Probleme: Behebung von Problemen mit Bildschirmausfällen, Flackern und Verbindungsabbrüchen. 
  • Diagnostische Befehle: Verbesserung der Diagnosebefehle und Antworten in realen Fahrzeugen und Testeigenschaften. 
  • Software Flashing: Verbesserungen bei der Software-Flash-Zeit. 
  • Sichere Kommunikation: Verbesserung der sicheren Kommunikationskanäle zwischen Master-Slave-Verbindungen in Infotainment-Systemen.

Expert Speak

Hitha S P
Hitha S P
Lieferung Kopf
Vector
Unser Engagement für herausragende Leistungen und unsere nachweisliche Erfolgsbilanz waren ausschlaggebend dafür, dass wir für dieses Projekt ausgewählt wurden. Da wir die Softwareintegration und -wartung für die drei Produktlinien übernommen haben, konnten wir nahtlose Kontinuität und Stabilität gewährleisten. Die erfolgreiche Markteinführung der Fahrzeuge im Jahr 2023 unter Einhaltung aller Produktionsfristen ist ein Beweis für das Engagement und die Fähigkeiten unseres Teams bei der Verwaltung komplexer Softwareprojekte im Automobilbereich.
Ajeesh Sahadevan
Ajeesh Sahadevan
KMU
Vector
Die Übernahme des Projekts an der Stelle, an der der vorherige Anbieter aufgehört hatte, war eine schwierige Aufgabe, vor allem angesichts der minimalen Dokumentation. Dank der Erfahrung unseres Teams im Bereich des digitalen Cockpits und des Infotainments konnten wir das System jedoch effektiv zurückentwickeln. Wir haben die Erwartungen nicht nur erfüllt, sondern übertroffen und eine Erstbehebungsrate von 96 % erreicht, wodurch wiederkehrende Probleme erheblich reduziert und die Benutzerfreundlichkeit insgesamt verbessert werden konnte.
Request a Meeting
AH2025/PS06 | AI/ML

Context

Continuous employee learning is essential for companies to stay competitive in a fast-changing business environment. Organizations adopt Learning Management Systems (LMS) to upskill employees, meet compliance requirements, and support career growth. However, existing LMS platforms often act as content repositories rather than personalized learning assistants.

 

Pain Point

  • Employees are overwhelmed by generic training content and struggle to find relevant courses.
  • Managers lack visibility into skill gaps and training effectiveness.
  • Companies spend heavily on training programs without clear insights into ROI or business impact.
  • Current LMS solutions provide limited personalization and recommendations, leading to low engagement.

 

Challenge

Develop an AI-powered LMS that goes beyond course hosting, by:

  • Mapping employee skills, roles, and career paths to relevant training modules.
  • Using learning analytics to predict skill gaps and recommend personalized learning journeys.
  • Providing managers with team-level insights on training progress and skill readiness.
  • Enabling employees to learn flexibly, with adaptive learning paths based on performance.

 

Goal

Create a smart, data-driven LMS that improves employee engagement, learning outcomes, and workforce readiness while giving leadership clear visibility into training impact.

 

Outputs

  • Personalized learning recommendations for each employee.
  • Skill gap dashboards for managers and HR.
  • Learning progress analytics with completion, performance, and adoption rates.
  • Training ROI insights linked to productivity and career growth.

 

Impact

  • Employees gain relevant, career-aligned skills faster.
  • Managers can strategically deploy talent based on verified skills.
  • Organizations see higher training ROI and improved workforce agility.
  • Creates a culture of continuous learning, driving retention and innovation.
AH2025/PS05 | AI/ML

Context

Continuous employee learning is essential for companies to stay competitive in a fast-changing business environment. Organizations adopt Learning Management Systems (LMS) to upskill employees, meet compliance requirements, and support career growth. However, existing LMS platforms often act as content repositories rather than personalized learning assistants.

Pain Point

  • Employees are overwhelmed by generic training content and struggle to find relevant courses.
  • Managers lack visibility into skill gaps and training effectiveness.
  • Companies spend heavily on training programs without clear insights into ROI or business impact.
  • Current LMS solutions provide limited personalization and recommendations, leading to low engagement.

Challenge

Develop an AI-powered LMS that goes beyond course hosting, by:

  • Mapping employee skills, roles, and career paths to relevant training modules.
  • Using learning analytics to predict skill gaps and recommend personalized learning journeys.
  • Providing managers with team-level insights on training progress and skill readiness.
  • Enabling employees to learn flexibly, with adaptive learning paths based on performance.

Goal

Create a smart, data-driven LMS that improves employee engagement, learning outcomes, and workforce readiness while giving leadership clear visibility into training impact.

Outputs

  • Personalized learning recommendations for each employee.
  • Skill gap dashboards for managers and HR.
  • Learning progress analytics with completion, performance, and adoption rates.
  • Training ROI insights linked to productivity and career growth.

Impact

  • Employees gain relevant, career-aligned skills faster.
  • Managers can strategically deploy talent based on verified skills.
  • Organizations see higher training ROI and improved workforce agility.
  • Creates a culture of continuous learning, driving retention and innovation.
AH2025/PS04 | AI/ML

Context

Software teams struggle to diagnose system failures from massive log files. Manual analysis is slow, error-prone, and requires expert knowledge. Root cause extraction from unstructured, noisy logs. Use creative algorithms, LLM prompting strategies, or hybrid heuristics.

Pain Point

  • Manual log analysis is slow, error-prone, and requires deep expertise in both the system and its environment.
  • Critical issues can be missed or misdiagnosed, leading to longer downtimes and higher costs.
  • Existing monitoring tools often raise alerts without actionable insights, leaving developers to do the heavy lifting.

Challenge

Build an AI-powered log analytics assistant that can:

  • Ingest and parse unstructured application logs at scale.
  • Automatically flag potential defects or anomalies.
  • Summarize possible root causes in natural language.
  • Provide actionable insights that developers can use immediately.

Goal

Deliver a working prototype that:

  • Operates on sample log data.
  • Produces insights that are accurate, usable, and easy to interpret.
  • Bridges the gap between raw log data and developer-friendly diagnostics.

Outputs

  • Automated defect detection (flagging anomalies in logs).
  • Root cause summaries in natural language.
  • Actionable recommendations (e.g., suspected component failure, probable misconfiguration).
  • Visualization/dashboard (if possible) for quick triage.

Impact

  • Reduced time to diagnose failures, lowering downtime and maintenance costs.
  • Increased developer productivity, freeing engineers to focus on fixes rather than sifting logs.
  • Improved reliability of complex software systems.
  • Scalable approach that can be extended across industries (finance, automotive, telecom, healthcare).
AH2025/PS03 | AI/ML

Context

Drivers and passengers spend significant time in vehicles where comfort, safety, and accessibility directly affect satisfaction and well-being. Yet today’s in-car systems remain largely static and manual, requiring users to adjust climate, seats, infotainment, and navigation themselves. With increasing connectivity, AI offers the potential to transform cars into adaptive, intelligent companions.

Pain Point

  • Current in-car experiences are one-size-fits-all, failing to account for individual preferences or needs.
  • Manual adjustments while driving can be distracting and unsafe.
  • Accessibility gaps (e.g., for elderly passengers or those with hearing/visual impairments) remain unaddressed.

Challenge

Build a Generative AI-powered cockpit agent that dynamically personalizes the in-car experience based on contextual data such as:

  • Driver profile (age, preferences, past behaviour).
  • Calendar & journey type (work commute, leisure trip, urgent travel).
  • Mood (estimated from inputs like speech, facial cues, or self-reporting).
  • Accessibility needs (visual/hearing impairments, elderly passengers).

Goal

Deliver real-time, adaptive personalization of:

  • Comfort settings: AC, seat adjustments, lighting.
  • Infotainment: music, podcasts, news.
  • Navigation guidance: route optimization based on urgency, preferences, and accessibility.

Outputs

  • Dynamic in-car assistant that responds to context in real-time.
  • Personalized environment settings for comfort and safety.
  • Adaptive infotainment & navigation suggestions tailored to mood, journey type, and accessibility.

Impact

  • Safer driving experience with fewer distractions.
  • Higher passenger satisfaction through comfort and entertainment personalization.
  • Improved accessibility and inclusivity for diverse user needs.
  • New value proposition for automakers: cars as intelligent, personalized environments, not just vehicles.
AH2025/PS02 | AI/ML

Context

Automotive software development is highly complex, involving multiple tools (Jira, GitHub, MS Teams, Confluence), distributed teams, and strict compliance standards (ISO 26262, ASPICE). Project managers must continuously monitor tasks, track resources, and identify risks. However, the sheer volume of data across tools makes real-time visibility and decision-making difficult.

Pain Point

  • Project managers waste time manually consolidating data from Jira, GitHub, and communication platforms.
  • Resource allocation bottlenecks (overloaded developers, idle testers) often go unnoticed.
  • Risks (delays, defects, dependency issues) are only discovered late, impacting delivery timelines.
  • Lack of predictive insights leads to reactive, rather than proactive, project management.

Challenge

Build an AI-powered project management assistant that can:

  • Auto-generate project dashboards by integrating Jira, GitHub, and MS Teams data.
  • Provide real-time resource allocation insights (who is overloaded, who is free).
  • Predict risks and delays using historical patterns and live progress signals.
  • Deliver natural language summaries for managers and stakeholders.

Goal

Enable project managers to see the full picture instantly, automate reporting, and take data-driven decisions on resources and risks without manual effort.

Outputs

  • Automated project dashboards (progress, backlog, velocity, open PRs/issues).
  • Resource allocation map showing workload distribution across the team.
  • Risk prediction engine (e.g., “Module X likely delayed by 2 weeks due to dependency on Y”).
  • AI-generated summaries (daily/weekly status reports in plain language).

Impact

  • Reduced management overhead → fewer hours wasted on reporting.
  • Improved predictability → early identification of risks and delays.
  • Optimal resource utilization → balanced workloads across teams.
  • Better stakeholder communication → clear, automated updates.
  • Scalable for enterprises → can be deployed across multiple automotive software teams.
AH2025/PS01 | AI/ML

Context

In modern organizations, assembling the right project team is critical to success. Managers must balance skills, experience, cost, availability, and domain expertise, but decisions are often made using intuition or partial information. This leads to suboptimal teams, missed deadlines, or budget overruns.

Pain Point

  • Team formation today is time-consuming and heavily manual, requiring managers to cross-check spreadsheets, HR databases, and project needs.
  • Costs and expertise trade-offs are rarely quantified, making it hard to justify team composition to leadership or clients.
  • Traditional staffing tools focus on availability but fail to optimize across multi-dimensional constraints (skills, budget, past project fit, timeline).

Challenge

Build a Generative AI assistant that takes as input:

  • Employee database (skills, past projects, availability, cost)
  • Customer project requirements (tech stack, timeline, budget, domain)

Goal

Enable managers to form the best-fit, economically feasible project teams in minutes, rather than days, while providing transparency into why each recommendation was made.

Outputs

  • Optimal team composition: Recommended employees, with justification.
  • Economic feasibility analysis: Skill coverage vs cost vs timeline.
  • Alternative team recommendations: Trade-off scenarios (e.g., lower cost, faster delivery, more experienced).

Impact

  • Faster project staffing → quicker project kick-offs.
  • Higher client satisfaction due to right skills on the right project.
  • Lower staffing costs through data-driven optimization.
  • A scalable framework that can be extended for hackathons, consulting firms, or large enterprise project staffing.