Yükleniyor...
Hindistan ticari araç pazarı, altyapı yatırımları, filo yenileme çalışmaları, elektrifikasyon ve daha güçlü güvenlik gereklilikleriyle desteklenen yeni bir büyüme dönemine giriyor. Aynı zamanda operatörler, temel araç takibinin ötesine geçerek çalışma süresini, yakıt verimliliğini, güvenliği ve sürücü performansını bir araya getirebilen sistemlere yöneliyor.
Bu röportajda Intangles CEO’su ve Kurucu Ortağı Anup Patil, yapay zekâ destekli filo zekâsının, Dijital İkizlerin, ADAS sistemlerinin ve markalar arası verilerin ticari araç operasyonlarının geleceğindeki rolünü değerlendiriyor.
Hindistan ticari araç segmenti geniş tabanlı bir büyüme yaşıyor. Altyapı yatırımları, eyalet ulaşım işletmelerinin araç yenileme döngüleri, güzergâhların genişletilmesi ve elektrikli otobüs programları talebi destekliyor.
Aynı zamanda filo operatörlerinin teknolojiyi değerlendirme biçimi değişiyor. Artık dijital araçların gerekli olup olmadığını sormuyorlar. Yakıt tüketimini, araçların çalışma süresini, güvenliği ve sürücü davranışını tek bir sistemde hangi teknolojilerin birleştirebileceğini bilmek istiyorlar.
Güvenlik düzenlemeleri de satın alma ve mühendislik kararlarını etkiliyor. Acil frenleme, şerit terk uyarısı, yorgunluk algılama ve kör nokta izleme gereklilikleri, entegre araç zekâsının önemini artırıyor.
Intangles, 2016 yılından bu yana bu pazarda faaliyet gösteriyor. Şirket, platformunun şu anda 18 ülkede ve 500.000’den fazla araçta kullanıldığını, 40’tan fazla OEM ve kurumsal iş ortağına sahip olduğunu belirtiyor.
Hindistan’daki iş ortakları arasında Mahindra Truck and Bus, Force Motors ve elektrikli otobüs üreticileri bulunuyor. Platform; yük taşımacılığı, lojistik, eyalet ve şehirler arası otobüs işletmeleri, okul taşımacılığı, inşaat, madencilik, tarım, soğuk zincir, son kilometre teslimatı ve belediye filolarında kullanılıyor.
Tek bir sıcaklık, voltaj veya yakıt seviyesi ölçümü, bağlam olmadan sınırlı bir değer taşır. Önemli olan, bu değerin ilgili aracın mevcut çalışma koşulları altında normal olup olmadığını belirlemektir.
Platformumuza bağlı her aracın kendine ait bir Dijital İkizi bulunuyor. Bu sanal model, araç üzerindeki sensörlerden ve elektronik kontrol ünitesinden alınan verilerle sürekli güncelleniyor. Kilometre, çalışma geçmişi, sürücü davranışı, aşınma ve görev döngüsü gibi faktörleri dikkate alıyor.
Bu sayede sistem, her araç için beklenen bir çalışma modeli oluşturabiliyor ve bir arıza aracın standart sistemleri tarafından tespit edilmeden önce sapmaları belirleyebiliyor.
İçten yanmalı motorlu filolarda aynı yaklaşım yakıt takibi için kullanılıyor. Ham yakıt seviyesi ölçümleri, depo geometrisi, yol eğimi ve aracın hareketi nedeniyle bozulabiliyor. Makine öğrenmesi modelleri, gerçek yakıt hareketlerini sensörlerdeki normal dalgalanmalardan ayırmaya yardımcı oluyor.
Elektrikli filolarda Dijital İkiz; motor torku, tekerlek hızı, hava koşulları, HVAC ve aydınlatma tüketimi, sürücü davranışı ve batarya bozulma geçmişini analiz ederek menzil tahminini destekliyor. Ayrıca batarya soğutma sıvısının sıcaklığını, hücre seviyesindeki voltajı ve şarj modellerini izliyor.
Intangles’a göre tahmine dayalı modeller yüzde 96 yapay zekâ doğruluğuyla çalışıyor ve operatörlerin geçmiş olayları izlemekten gelecekteki sorunları öngörmeye geçmesine yardımcı oluyor.
Markalar arası çalışan bir platform, tek bir üreticinin ekosistemi içerisinde görünmeyebilecek örüntüleri tespit edebilir.
Otobüs operatörleri genellikle eyalet hatlarında, okul taşımacılığında, şehirler arası hizmetlerde ve elektrikli otobüs operasyonlarında farklı üreticilere ait araçları yönetiyor. Veriler üretici bazında ayrı kaldığında, operatörlerin farklı sistemleri ve performans göstergelerini manuel olarak bir araya getirmesi gerekiyor.
Veri paylaşımı tüm taraflara fayda sağlayabilir. OEM’ler, sahada kullanılan araçların gerçek çalışma verilerine erişerek ürün geliştirme ve garanti planlamasını destekleyebilir. Operatörler filonun performansına ilişkin daha kapsamlı bir görünüm elde ederken, teknoloji sağlayıcıları farklı üreticiler ve çalışma koşulları arasındaki örüntüleri analiz edebilir.
Ancak bunun ölçeklenebilmesi için onay, veri sahipliği, gizlilik ve erişim hakları konusunda daha açık çerçevelere ihtiyaç var. Bu alanlar daha net tanımlanana kadar sektör genelindeki veri paylaşımının değeri kısmen kullanılamamaya devam edecektir.
Ortak sorun, kritik bilgilerin genellikle çok geç ulaşmasıdır.
Plansız araç duruşları bunun en açık örneklerinden biridir. Bir arıza; onarım, çekici, yedek araç ve hizmet gecikmesi maliyetleri yaratabilir. Tahmine dayalı sistemler olası sorunları daha erken belirleyerek operatörlerin yol kenarında meydana gelen bir arızaya müdahale etmek yerine bakımı planlamasına olanak tanır.
Yakıt kayıpları da benzer bir zorluk oluşturur. Yakıtın izinsiz boşaltılması, eksik dolum, karıştırma ve yetkisiz yakıt alımı, aylık raporlarda ortaya çıkana kadar fark edilmeyebilir. Gerçek zamanlı yakıt analizi, şüpheli bir olayın konumunu, zamanını ve tahmini miktarını operatöre sunabilir.
Sürücü davranışı da önemli bir faktördür. Sert frenleme, verimsiz hızlanma, rölantide çalışma ve hız sınırının aşılması; yakıt tüketimini, bakım ihtiyacını ve kaza riskini etkiler. Sürücü profilleme sistemleri, bu davranışları operasyonel sonuçlarıyla ilişkilendirerek daha hedefli eğitimler verilmesini sağlayabilir.
Giderek büyüyen bir diğer zorluk ise elektrikli ve dizel araçların aynı filoda yönetilmesidir. Elektrikli araçların sağlık göstergeleri, menzil değişkenleri ve arıza riskleri farklıdır. Operatörlerin, her güç aktarma sistemi için doğru teknik göstergeleri korurken her iki teknolojiyi de yönetebilen araçlara ihtiyacı vardır.
Amaç, ticari araçları operatörler, OEM’ler ve servis ağları için daha şeffaf hâle getirmektir.
Platform, anormallikleri belirlemek ve olası müdahaleler önermek için hâlihazırda birden fazla araç sisteminden gelen sinyalleri ilişkilendiriyor. Bir sonraki aşama, bu zekâyı tek bir araç seviyesinden daha geniş filo ağına taşımaktır.
Ağ seviyesinde sistem, belirli bir motor konfigürasyonundaki parça stresini, aşınmayı hızlandıran bir güzergâh koşulunu veya batarya ömrünü kademeli olarak azaltan bir şarj uygulamasını tespit edebilir.
Uzun vadeli hedef, bakım sürecinin daha büyük bir bölümünü otomatikleştirmektir. Bir platform sorunu belirleyebilir, gerekli müdahaleyi önerebilir, bunu operatörün güzergâh planına göre programlayabilir ve doğru parçalarla teknisyenlerin hazır olmasını sağlamak için servis ağıyla koordinasyon kurabilir.
OEM’ler açısından sahadaki araçlardan gelen veriler, farklı coğrafyalardaki, görev döngülerindeki, sürücü profillerindeki ve çevresel koşullardaki performans hakkında ayrıntılı bilgi sağlayabilir.
Intangles, kendisini araçları, operatörleri, OEM’leri ve servis ağlarını birbirine bağlayan zekâ altyapısı olarak konumlandırmayı hedefliyor. Şirket, Avataar Venture Partners liderliğinde ve Baring Private Equity India ile Cactus Partners’ın devam eden desteğiyle Ekim 2025’te 30 milyon ABD doları tutarında Seri B yatırım aldı.
ADAS, yorgunluk, sürücünün geç tepki vermesi ve kör nokta kaynaklı olaylar da dâhil olmak üzere ağır otobüs ve kamyonlarla ilişkili başlıca risklerin bir bölümünü doğrudan ele alabilir.
Otomatik acil frenleme, ağır araçların daha uzun fren mesafelerine sahip olması nedeniyle özellikle önemlidir. Sürücü bir engele yeterince hızlı tepki vermediğinde sistem müdahale edebilir.
Yorgunluk algılama, özellikle uzun mesafeli ve gece operasyonları için önem taşır. Sürücü yorgunluğu; güzergâh uzunluğu, çalışma saatleri, sıcaklık ve tekrarlanan vardiyalardan etkilenebilir. Göz hareketlerini ve direksiyon kullanım örüntülerini izleyen sistemler, bozulma belirtilerini kazaya yol açmadan önce tespit edebilir.
Kör nokta izleme, yayaların, bisikletlilerin ve iki tekerlekli araçların düşük hızlı manevralar sırasında sürücünün göremediği bölgelere girebildiği şehir içi ortamlarda önemlidir.
Intangles’ın Video Telematik platformu, uyarıları tamamen bulut bağlantısına bağlı kalmadan aracın içinde işliyor. Dikkat dağınıklığını, yorgunluğu, şeritten sapmayı ve güvenli olmayan takip mesafesini tespit ederek kabin içinde uyarı veriyor.
Olaylar; konum, zaman, sürücü kimliği ve video görüntüleriyle birlikte kaydediliyor. Intangles, Sürücü Profilleme ve Video Telematik sistemlerini birlikte kullanan filolarda sürücü davranışında yüzde 20 ila 30 arasında iyileşme olduğunu bildiriyor.
Kontrol edilmesi en zor yakıt kayıpları genellikle yakıt fiyatlarındaki değişimlerden değil, operasyon içindeki kayıplardan kaynaklanır.
Bunlar arasında yakıtın izinsiz boşaltılması, yakıtın karıştırılması, yetkisiz yakıt alımı ve kaydedilen miktarlarla gerçekte teslim edilen miktarlar arasındaki farklar yer alır. Bu olaylar kademeli olarak gerçekleştiği için haftalarca fark edilmeyebilir.
Yakıt ölçümü; deponun şekli, aracın eğimi, hareketi ve park açısı nedeniyle zorlaşır. Geleneksel eşik tabanlı sistemler yanlış uyarılar oluşturabilir veya gerçek olayları tespit edemeyebilir.
Intangles, çevresel gürültüyü gerçek yakıt hareketlerinden ayırmak için makine öğrenmesi modellerini kullanıyor. Sistem, bir dolum veya boşaltma olayının zamanını, konumunu ve tahmini miktarını belirleyebilir.
Şirket, ek depo donanımına veya yakıt sisteminde değişikliğe ihtiyaç duymadan mevcut OEM sensörlerini kullandığını belirtiyor.
Araç bazında kilometre başına yakıt maliyetinin izlenmesi, mekanik verimsizlikleri de ortaya çıkarabilir. Benzer koşullarda çalışan karşılaştırılabilir araçlardan daha fazla yakıt tüketen bir araçta, arıza kodu oluşmadan önce teknik bir sorun gelişiyor olabilir.
Yakıt performansı, sürücü davranışıyla da bağlantılıdır. Sert hızlanma, aşırı rölanti, boş viteste ilerleme ve hız sınırının aşılması tüketimi artırır. Yakıt analizi ile sürücü profillemenin aynı platformda birleştirilmesi, operatörlerin hem mekanik hem de sürüş kaynaklı verimsizlikleri ele almasını sağlar.
