L'intelligence artificielle générative (GenAI) accélère et transforme fondamentalement le développement logiciel. Cependant, dans les applications critiques pour la sécurité automobile, une création plus rapide peut engendrer des goulots d'étranglement lors de la vérification, de la validation et de la traçabilité.
GenAI peut générer du code, des modèles, des tests et de la documentation plus rapidement que les équipes ne peuvent examiner et qualifier ces résultats en utilisant des processus manuels. Sans workflows adaptés, les équipes risquent des architectures fragiles, une traçabilité affaiblie, un comportement imprévisible et un effort de validation qui dépasse les gains de productivité. Pour les systèmes critiques pour la sécurité, ces problèmes ont un impact direct sur la préparation à la certification et la maintenabilité à long terme.
Les équipes de l’industrie automobile doivent déterminer comment déployer l'IA générative tout en préservant la maîtrise de l’ingénierie, la compréhension du système et la conformité.
Ce livre blanc décrit comment l'approche Model-Based Design propose une base structurée pour l'application de GenAI dans le développement des systèmes et logiciels automobiles. En combinant GenAI avec les workflows de l'approche Model-Based Design, les équipes d'ingénierie peuvent accélérer le design et l'implémentation tout en maintenant la traçabilité, la vérification et la validation au niveau système tout au long du cycle de vie.
GenAI peut considérablement augmenter la productivité en générant rapidement des artefacts, en assistant avec des outils et en appliquant une connaissance contextuelle étendue aux tâches d'ingénierie. Cependant, dans le développement automobile critique pour la sécurité, ses limitations introduisent un risque si elles ne sont pas gérées dans un workflow structuré.
Une transition est en cours, passant des outils GenAI autonomes à une intelligence artificielle agentique, où des agents IA exécutent des tâches en fonction des objectifs définis par les ingénieurs. Ces agents peuvent interagir avec des outils tels que MATLAB® et Simulink®, étendant GenAI d'un assistant à un participant actif dans les workflows de développement.
Le Model Context Protocol (MCP) et les fichiers de compétences (skill files) sont des composants clés de l’IA agentique reposant sur les grands modèles de langage (LLM). Le MCP permet aux grands modèles de langage (LLM) d'interagir avec des outils d'ingénierie (tels que MATLAB, Simulink et les produits Polyspace®), transformant le raisonnement probabiliste en une exécution déterministe et concrète, tout en exploitant la compréhension de la physique. Les fichiers de compétences sont des instructions textuelles qui indiquent aux grands modèles de langage comment accomplir au mieux des tâches spécifiques et ce qu'il faut éviter.
La question clé n'est pas de savoir si l'IA générative est utile (ce qui est clairement le cas), mais comment l'appliquer de manière à ce que la rigueur, la confiance et la responsabilité en ingénierie évoluent parallèlement à la rapidité. Sans workflows correspondants de vérification, de validation et de traçabilité, une création plus rapide peut transférer le risque vers l'intégration tardive, la certification et la maintenance à long terme.
L'approche Model-Based Design est depuis longtemps une pierre angulaire de l'ingénierie automobile. En représentant les systèmes sous forme de modèles exécutables, cela aide les équipes à réduire la complexité, à automatiser l'implémentation avec traçabilité et à valider le comportement du système dès les premières phases, avant que les problèmes ne se propagent en aval.
À l'ère de l'IA générative, l'approche Model-Based Design reste non seulement pertinente, mais est également enrichie par l'IA générative. Lorsque GenAI fonctionne au sein des workflows établis de l'approche Model-Based Design, les ingénieurs conservent le contrôle des décisions système et de l'intention de design. Les modèles exécutables, la simulation basée sur la physique, la génération automatique de code déterministe et les outils de vérification créent un environnement structuré dans lequel les modifications assistées par l'IA peuvent être examinées, testées et reliées à des preuves.
L'approche Model-Based Design combine des outils tels que MATLAB et Simulink avec GenAI tout au long du cycle de développement.
Dans ce contexte, la vérification visuelle et systématique pilotée par simulation devient un avantage clé. Les modèles exécutables et les résultats de simulation permettent aux ingénieurs d'observer le comportement du système, de comprendre la relation de cause à effet à travers les domaines et de superviser le développement assisté par IA avec clarté, plutôt que de se fier uniquement au code généré ou aux logs.
Accélérer le design avec GenAI
La phase de design est généralement la première étape où les ingénieurs constatent les avantages de GenAI. Au début du développement, beaucoup de temps est consacré à des tâches d'implémentation répétitives plutôt qu'à des décisions systémiques de haut niveau. GenAI contribue à réduire cette charge, tandis que les ingénieurs restent responsables des résultats. Avec des agents IA connectés à Simulink, GenAI se concentre sur l'automatisation et l'exécution, tandis que les ingénieurs définissent les objectifs, les contraintes et les compromis.
Les ingénieurs peuvent utiliser des agents IA pour générer des ébauches de modèles architecturaux à partir d'exigences textuelles, assembler des systèmes en utilisant des bibliothèques validées et appliquer des schémas de modélisation cohérents. Dans cette configuration, GenAI est tout aussi précieux lorsqu'il travaille avec des designs existants. Les grands modèles Simulink peuvent être restructurés pour améliorer leur organisation et leur maintenabilité, transformant ainsi un travail manuel traditionnellement long et répétitif en un processus plus rapide.
L'IA automatise plusieurs tâches de design souvent fastidieuses, y compris la connexion des exigences à un modèle.
Du design assisté par IA aux logiciels de production
À mesure que le développement progresse vers la production, les contraintes liées aux processus et aux normes automobiles deviennent incontournables. Bien que GenAI puisse assister dans le développement d'algorithmes, le code de production doit être déterministe, traçable, certifiable et prêt pour le temps réel.
Une séparation pratique émerge : GenAI supporte l'accélération créative ; l'approche Model-Based Design impose la rigueur de la production. Après la validation d'un design, les workflows établis pour la génération de code, la vérification et la conformité sont appliqués.
En utilisant des outils tels que Embedded Coder®, les équipes peuvent générer automatiquement du code C et C++ optimisé pour le déploiement sur du hardware de production, puis appliquer des workflows de vérification éprouvés afin d'établir la confiance nécessaire pour le déploiement. Les agents IA peuvent rationaliser cette phase en automatisant les tâches d'intégration, en construisant des interfaces de test et en orchestrant les workflows de déploiement. Il est important de noter que GenAI ne remplace pas les chaînes d'outils existantes, mais contribue à les connecter.
Indépendamment de la manière dont le code est créé (manuellement, généré par une intelligence artificielle ou produit à partir de modèles), il doit être vérifié. Les outils Polyspace permettent d'analyser la robustesse, de détecter les vulnérabilités de sécurité, de vérifier la conformité aux normes de codage et de prouver l'absence d'erreurs run-time. Cette étape garantit que le développement assisté par l'IA respecte les normes de codage pour les logiciels automobiles.
Validation dans un workflow d'ingénierie activé par GenAI
À mesure que l'utilisation de composants créés ou modifiés par l'IA générative augmente, la validation devient encore plus cruciale. Les systèmes automobiles sont complexes et multidomaines. De nombreux défauts n'apparaissent pas au niveau des fonctions ou des composants individuels. Ils ne se manifestent qu'au moment de l’intégration, lorsque les fonctionnalités logicielles interagissent entre elles, avec les capteurs, les actionneurs et les conditions de fonctionnement réelles.
Ce défi est amplifié avec l'IA générative. Lorsque des parties d'une fonctionnalité logicielle sont générées ou modifiées automatiquement, les ingénieurs chargés de la revue doivent évaluer non seulement la modification elle-même, mais aussi ses effets sur le comportement du système, les interfaces, les tests et les hypothèses d'intégration.
La phase de validation est précisément celle où la simulation est indispensable, en permettant aux ingénieurs de simuler et de tester le logiciel conjointement avec les conditions électriques, mécaniques et environnementales bien avant la disponibilité des prototypes physiques. La simulation est donc le mécanisme qui met en évidence les problèmes d'intégration dès les premières étapes et supporte la validation « shift-left ».
MathWorks accélère la mise à disposition des capacités de GenAI tout en assurant la stabilité et la qualité requises pour l'ingénierie automobile. Deux versions par an, de haute qualité, constituent une base fiable, tandis que les cycles d'itération plus courts des offres d'IA générative permettent de proposer rapidement de nouvelles fonctionnalités d'IA générative. Les fonctionnalités actuelles de GenAI incluent les toolboxes agentiques pour MATLAB, Simulink et Polyspace ainsi que Simulink Copilot.
GenAI transforme la manière dont les logiciels et systèmes automobiles sont créés. Le succès dépend de l'équilibre entre l'innovation et la rigueur.
Les équipes qui appliquent GenAI sans vérification et traçabilité contraignantes risquent de devoir effectuer davantage de reprises lors de l'intégration, de la certification et de la maintenance, ainsi qu'une utilisation élevée des symboles. Les équipes qui appliquent GenAI dans les workflows de l'approche Model-Based Design peuvent augmenter la rapidité en toute confiance, car chaque modification est traçable et ancrée dans un comportement exécutable ainsi que dans des preuves validées.
En combinant GenAI avec l'approche Model-Based Design, les équipes peuvent accélérer la création tout en préservant le comportement exécutable, les preuves de vérification, la traçabilité et l'implémentation déterministe nécessaires à l'ingénierie critique pour la sécurité. MathWorks s'engage à collaborer avec l'industrie automobile pour développer des environnements d'ingénierie dotés de GenAI qui répondent aux attentes en matière de qualité et aux exigences de sécurité, tout en garantissant une maintenabilité à long terme.
