Para dar o salto para o auge do automobilismo, os pilotos de corrida precisam de muito mais do que a intensidade e o foco de um atleta típico.
“Procuramos o que eu chamaria de ‘fúria para dominar’, que é esse desejo ardente de aprender e ser melhor na próxima vez que pilotar na pista”, disse Guillaume Rocquelin, que treina e desenvolve jovens pilotos como chefe da academia de pilotos da Red Bull.
“Eles estão muito, muito ansiosos por qualquer tipo de dados e análises que possamos fornecer a eles”, disse Rocquelin. “Essa é a atitude chave que estamos procurando. Agora, isso nem sempre se traduz em capacidade física, mas esse é o ponto de partida.”
Ninguém sabe mais sobre como dar esse salto para o mais alto nível do que Rocquelin, que foi o engenheiro de corrida do tetracampeão mundial de Fórmula 1 Sebastian Vettel, antes de se tornar chefe de engenharia de corrida e depois passar para sua função atual. A Red Bull Driver Academy é um dos melhores campos de treinamento do esporte – 7 dos 20 pilotos do grid de F1 de hoje são graduados no programa.
Rocquelin viu áreas para desenvolvimento nas ferramentas de ensino que treinadores como ele têm. Enquanto grandes jovens pilotos devem ser aprendizes vorazes, um treinador tem maneiras muito limitadas de mostrar exatamente por que um piloto vai mais rápido do que outro. Precisamente, quando um piloto freou, acelerou ou reduziu a marcha? Que ângulo ele tomou para entrar e sair de uma curva? Um piloto só pode assistir e tentar replicar o que vê em alguém indo mais rápido.
-Leia mais: Oracle Red Bull Racing aumenta as simulações e aprimora a tomada de decisões na pista com a Oracle Cloud
A Red Bull Advanced Technologies – que aplica engenharia de alto desempenho ao automobilismo e busca usos dessa tecnologia em outros setores – está trabalhando no desafio de criar melhores ferramentas de treinamento para jovens pilotos. Os engenheiros da Red Bull Advanced Technologies estão trabalhando com especialistas em ciência de dados da Oracle para explorar como machine learning, computação em nuvem e visualização de dados podem funcionar juntos para criar uma experiência de treinamento mais valiosa para esses atletas famintos por dados.
“Em qualquer tipo de ambiente de treinamento, as ferramentas são apenas o começo da conversa, e uma ferramenta de maior qualidade significará um nível mais alto de conversação”, disse Rocquelin.
A equipe de ciência de dados da Oracle está usando a Oracle Cloud Infrastructure (OCI) para refinar os algoritmos usados em carros autônomos – conhecidos como algoritmos de localização e mapeamento simultâneos, ou SLAM – e aplicá-los à análise de vídeos de corridas, inicialmente dos pilotos de eSports da equipe. Uma vez bem-sucedida, a equipe espera poder inserir o vídeo da sessão de um piloto em uma aplicação, executar a análise de machine learning dessa filmagem e obter novos insights sobre como melhorar seus tempos.
A ferramenta ainda está em fase inicial de desenvolvimento. Os cientistas de dados da Oracle encontraram um desafio, por exemplo, quando aplicaram os algoritmos de carros autônomos a carros de corrida em vez de um sedan padrão. “As leis da física são muito diferentes quando se trata de corridas”, diz Jigar Mody, vice-presidente de serviços de inteligência artificial da Oracle. Veja como a OCI está ajudando as equipes a enfrentar um desafio de IA não resolvido.
Para começar, a Red Bull Advanced Technologies forneceu à equipe de ciência de dados da Oracle um vídeo de seus simuladores de eSports para análise, e a equipe da Oracle aplicou os algoritmos SLAM para avaliar a posição do carro na pista. Eles esperavam que o resultado fornecesse a base dos dados necessária para a análise.
O problema: quando a equipe aplicou o SLAM pela primeira vez ao vídeo da corrida, o local previsto estava meio quilômetro errado. Esses algoritmos não foram desenvolvidos para entender um veículo que se move em velocidades máximas típicas de 320 km/h (200 mph) e pode permanecer na estrada enquanto puxa 5 Gs de aceleração lateral em uma curva. Um modelo preciso de IA é necessário para os sistemas de análise de dados que eles imaginaram, então os cientistas de dados da Oracle começaram a trabalhar para refinar o modelo.
Tal precisão é importante. “Eles são muito precisos na forma como dirigem, portanto, uma precisão posicional de 20 centímetros é muito necessária para que os algoritmos sejam úteis”, disse o Dr. Alberto Polleri, cientista-chefe de dados da Oracle e especialista em IA que orienta o projeto. “E para os ângulos de poucos graus que descrevem a direção do carro, deve ter precisão de menos de um grau.”
A equipe de ciência de dados da Oracle usa fortemente as unidades de processador gráfico (GPUs) da OCI como poder de computação sob demanda para suportar as grandes cargas de computação usadas em modelagem e teste de IA. A equipe insere o vídeo na OCI e usa redes neurais convolucionais (CNNs) e redes neurais recorrentes (RNNs) para processar as imagens; em seguida, usa a OCI para testar vários parâmetros e ajustar o modelo de IA, vendo como os resultados correspondem à realidade da pista.
Esse processo de ajuste do modelo é a parte computacionalmente mais intensiva, portanto, ter a capacidade de computação como um recurso de nuvem variável sob demanda na OCI é essencial. Alguns modelos podem levar dias para serem executados. Às vezes, a equipe inicia um teste e vê que não está melhorando o modelo e o encerra, ou pode executar modelos diferentes em paralelo. “Fazemos centenas de experimentos por mês que levam vários dias cada”, explicou Polleri.
Implementação técnica na OCI
Veja como os dados fluem pela arquitetura na OCI:
Começa com a ingestão de uma filmagem na OCI.
Em seguida, os dados fluem para três pipelines paralelos, ou fluxos de trabalho, para avaliar a odometria visual (velocidade e orientação do carro); localização na pista; e controles do carro (o volante e as rodas). Esses três fluxos de trabalho usam extensa computação da OCI, incluindo GPUs.
Assim que os modelos de IA forem refinados, a Red Bull Advanced Technologies espera ter uma ferramenta rodando na OCI que permita inserir vídeos e obter análises profundas sobre o que um piloto fez de maneira diferente de volta para volta, ou o que um piloto faz de diferente do outro.
Esse tipo de pesquisa de algoritmo também pode ser valioso em aplicações além das corridas, em áreas como robótica e veículos autônomos, ou em qualquer aplicação em que seja útil prever onde será o próximo movimento de um objeto. Embora a maioria dos casos de uso não envolva o ritmo de 320 km/h de um carro de corrida, esses refinamentos também devem ajudar em velocidades mais comuns. “A tecnologia que funciona bem em alta velocidade é fenomenal em velocidades mais baixas”, afirma Mody, da Oracle.