Image
Success Story

Neue Wege im Markt für digitale High-End-Instrumentencluster beschreiten

Hier erfahren Sie, wie Acsia in den Markt für digitale High-End-Instrumentencluster einstieg, indem es fortschrittliche Boot-Zeit-Optimierung und die Entwicklung von Mensch-Maschine-Schnittstellen nutzte, um die Funktionalität und das Benutzererlebnis für einen globalen Automobilzulieferer erheblich zu verbessern.

Business & Technology Landscape

Das Bestreben, den Kunden ein erstklassiges Fahrerlebnis zu bieten, war schon immer die treibende Kraft hinter den ständigen Innovationen in der Automobilindustrie. Eine entscheidende Frage, die sich stellte, war: “Ist es möglich, ein Linux-basiertes IC/IVI zu entwickeln, das in nur einer Sekunde hochfährt?” Diese Herausforderung war von größter Bedeutung, da die OEMs nach Lösungen suchten, um digitale Kombi-Instrumente deutlich zu verbessern, indem sie verbesserte Funktionen und interaktive Erlebnisse bieten, die die Sicherheit und den Komfort beim Fahren erhöhen.

Wichtige Trends:

Optimierung der Bootzeit: Automobilhersteller bemühen sich um schnellere Boot-Zeiten für IC/IVI-Systeme und streben an, die Industrienormen von 10-30 Sekunden auf weniger als 5 Sekunden zu reduzieren.

Fortschrittliche Mensch-Maschine-Schnittstellen (HMI): Der Einsatz hochentwickelter HMI-Technologien wie Rightware Kanzi ist entscheidend für die Schaffung nahtloser und intuitiver Benutzeroberflächen in digitalen Clustern, Infotainment-Systemen und Head-up-Displays (HUDs).

Echtzeit-Grafik und Leistung: Es besteht ein wachsender Bedarf an Echtzeit-Grafikrendering auf eingeschränkten Hardware-Plattformen, da man hochwertige Animationen und visuelle Effekte ohne Leistungseinbußen liefern möchte.

Customer Problem Statement

Der führende Tier-I Automobilzulieferer stand vor mehreren Herausforderungen:

FastBoot Development: Erforderlich war ein Linux-basiertes IC/IVI-System mit einer Boot-Zeit von nur 1 Sekunde, was eine erhebliche Reduzierung gegenüber den Industrienormen darstellt.

Kanzi Expertise: Für die Entwicklung fortschrittlicher digitaler Instrumentencluster waren umfassende Kenntnisse in Kanzi erforderlich.

Animation und Boot-Zeit-Probleme: Hatte Probleme mit Animationsfehlern und schlechter Boot-Performance in einem Kanzi-basierten Kombiinstrument für einen Sportwagen.

Acsia Solution

Acsia wurde aufgrund seiner nachgewiesenen Expertise in den Bereichen Boot Time Optimization und HMI-Entwicklung mit Rightware Kanzi ausgewählt.

FastBoot-Lösung:

  • Verkürzung der Bootzeit von 20 Sekunden auf 6 Sekunden durch Optimierung der Bootloader- und Kernel-Konfigurationen.
  • Durch die Anpassung des Bootloaders und die Optimierung des Kernels wurde die Zeit auf 4,6 Sekunden reduziert.
  • Erzielen Sie eine Boot-Zeit von 1,2 Sekunden mit innovativen, proprietären Techniken.

Kanzi-basierte HMI-Entwicklung:

  • Das Team von Acsia wurde bei Rightware in Finnland in Kanzi geschult und erhielt den Titel Rightware Partner.
  • Aufbau einer starken Partnerschaft mit Rightware, um deren Fachwissen über Kanzi für die IC-Entwicklung zu erweitern.

Sportwagen-Projekt:

  • Innerhalb einer Woche wurde ein langjähriger Animationsfehler behoben.
  • Reduzierung der Startzeit von 7,5 Sekunden auf 4,5 Sekunden in drei Monaten.

Cluster-Programm:

  • Entwicklung des vollständigen Software-Stacks für das Kombiinstrument und der HMI-Schicht in Kanzi für fünf Varianten.
  • Implementierung einer “Problem-based Training”-Methode für einen effizienten Aufbau des Teams.
  • Sie haben die komplette Verantwortung für die Entwicklung übernommen, einschließlich Sprint-Planung, Bearbeitung von Änderungsanfragen und Fehlerbehebung.

Business Outcome & Impact

    • Schnellere Bootzeiten erreicht: Mit einer Bootzeit von 1,2 Sekunden haben wir einen neuen Industriestandard gesetzt.

 

  • Verbessertes Kundenerlebnis: Wir haben kritische Probleme bei der Animation und der Boot-Performance gelöst, die OEM-Ziele erfüllt und die Zufriedenheit der Benutzer verbessert. 
  • Erfolgreicher Abschluss des Projekts: Unterstützung des Tier-I-Zulieferers bei der Einhaltung kritischer Produktionsmeilensteine, um die rechtzeitige Markteinführung von Fahrzeugen sicherzustellen. 
  • Gestärkte Partnerschaften: Aufbau einer starken Beziehung zu Rightware und Etablierung von Acsia als vertrauenswürdiger Problemlöser im Bereich der Automobilsoftware.

 

Key Learning

  • Tiefgreifende Erfahrung in der Optimierung von Bootzeiten: Nachgewiesene Fähigkeit, die Bootzeiten durch innovative Techniken erheblich zu verkürzen. 
  • Beherrschung von Kanzi für die HMI-Entwicklung: Fortgeschrittene Schulungen und die Partnerschaft mit Rightware haben Acsias Fähigkeiten bei der Entwicklung von anspruchsvollen digitalen Clustern verbessert. 
  • Effektive Problemlösung: Er hat komplexe technische Probleme schnell und erfolgreich gelöst und sich dabei einen guten Ruf für Zuverlässigkeit und Fachwissen erworben. 
  • Effiziente Teamaufstockung: Implementierung effektiver Schulungsmethoden, um das Team schnell zu vergrößern und die Projektanforderungen zu erfüllen. 
  • Vollständige Entwicklungsverantwortung: Nachgewiesene Fähigkeit, umfassende Entwicklungsaufgaben zu übernehmen, von der Planung bis zur Ausführung, um den Projekterfolg sicherzustellen.

Expert Speak

Vasanthraj G Pillai
Vasatharaj G
VP Technologie & Innovation
Vector
Unser Vorstoß in die Kanzi-basierte HMI-Entwicklung wurde von der klaren Vision angetrieben, auf dem globalen Automobilmarkt zu bestehen. Die fortgeschrittene Ausbildung unseres Teams in Finnland und die starke Partnerschaft mit Rightware haben es uns ermöglicht, diese Spitzentechnologie zu beherrschen. Unsere Fähigkeit, kritische Probleme schnell zu lösen und die Leistung digitaler Kombi-Instrumente zu verbessern, beweist unsere technologische Kompetenz und unser Engagement für die Bereitstellung erstklassiger Lösungen.
Anil Shahul Hameed
Anil S
VP, Lieferung
Vector
Unser Erfolg bei der Lösung komplexer Herausforderungen für den Tier-I-Lieferanten, von der Behebung von Animationsfehlern bis zur Optimierung der Boot-Performance, ist ein Beweis für die Fähigkeit von Acsia, Projekte mit hohem Risiko zu verwalten. Indem wir unser Team effizient aufgestockt und eine nahtlose Projektabwicklung gewährleistet haben, konnten wir die Erwartungen unseres Kunden nicht nur erfüllen, sondern sogar übertreffen. Dies stärkt unsere Position als zuverlässiger und innovativer Partner in der Automobilindustrie.
Nibil P M
Nibil P M
AVP Erweiterte Technologie-Gruppe
Vector
Es war eine ehrgeizige Herausforderung, eine Bootzeit von einer Sekunde für ein Linux-basiertes Kombiinstrument zu erreichen. Durch rigorose Optimierung von Bootloader- und Kernel-Konfigurationen und innovative Techniken haben wir die Industriestandards übertroffen und einen neuen Maßstab gesetzt. Diese Leistung unterstreicht unsere umfassende Erfahrung in der Optimierung der Bootzeit und unser Engagement für bahnbrechende Fortschritte bei der Entwicklung von Software für die Automobilindustrie.
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.