Para dar el salto al Olimpo de los deportes de motor, los pilotos emergentes necesitan mucho más que la intensidad y la concentración típicas de un atleta.
“Buscamos lo que yo llamaría el ‘anhelo de superación’, que es ese ardiente deseo de aprender y mejorar cada vez que dan una vuelta al circuito”, afirma Guillaume Rocquelin, que se encarga de entrenar y formar a jóvenes pilotos como jefe de la academia de pilotos de Red Bull.
“Es esa ansia por recibir cualquier tipo de datos y análisis que podamos proporcionarles”, añade Rocquelin. “Esa es la actitud clave que estamos buscando. Es cierto que esa predisposición no se traduce siempre en capacidad física, pero sí es el punto de partida”.
Nadie sabe más sobre dar el salto al más alto nivel del automovilismo que Rocquelin, que fue uno de los ingenieros de carrera del cuatro veces campeón de la Fórmula 1 Sebastian Vettel, para luego convertirse en jefe de ingenieros en carrera y posteriormente asumir el cargo que actualmente ocupa. Red Bull Driver Academy es uno de los mejores entornos formativos del mundo del deporte: siete de los veinte pilotos de la parrilla actual de la F1 se graduaron en el programa.
Rocquelin ha identificado que existe margen de mejora en las herramientas pedagógicas que tienen los entrenadores como él. Si bien los mejores pilotos jóvenes deben ser alumnos voraces, los entrenadores se encuentran con limitaciones a la hora de mostrar exactamente por qué unos son más rápidos que otros. ¿Cuándo exactamente frenó, aceleró o bajó de marcha el piloto? ¿Qué ángulo tomó para entrar y atravesar una curva? Un piloto solo puede observar y tratar de repetir lo que hace otro que vaya más rápido.
Red Bull Advanced Technologies, que aplica ingeniería de alto rendimiento a las carreras y trata de encontrar usos eficaces para esa tecnología en otros sectores, está trabajando en la complicada tarea de crear mejores herramientas de entrenamiento para los pilotos jóvenes. Los ingenieros de Red Bull Advanced Technologies colaboran con expertos en ciencia de datos de Oracle para descubrir cómo el aprendizaje automático, la informática en la nube y la visualización de datos podrían combinarse para crear una experiencia de entrenamiento más valiosa para estos atletas que ansían recibir grandes volúmenes de datos.
“En cualquier tipo de entorno de coaching, las herramientas son solo el inicio de la conversación, y cuanto mayor es la calidad de la herramienta, mayor es el nivel de la conversación”, dice Rocquelin.
-Lee más: Oracle Red Bull Racing aumenta las simulaciones y agiliza la toma de decisiones en la pista con Oracle Cloud
El equipo de ciencia de datos de Oracle utiliza Oracle Cloud Infrastructure (OCI) para perfeccionar los algoritmos que se utilizan en los vehículos autónomos, conocidos como algoritmos de localización y modelado simultáneos, o SLAM, y aplicarlos al análisis de los videos de carreras obtenidos inicialmente de los pilotos de e-sports del equipo. Una vez realizado con éxito, el equipo espera poder introducir el video de la sesión de un piloto en una aplicación, ejecutar análisis de aprendizaje automático de esas imágenes y obtener nuevos insights sobre cómo mejorar sus tiempos de vuelta.
Esta herramienta aún se encuentra en las primeras fases de desarrollo. Los científicos de datos de Oracle se encontraron con un desafío, por ejemplo, cuando aplicaron los algoritmos de vehículos autónomos a los automóviles de carreras en lugar de a un sedán estándar. “Las leyes de la física son muy diferentes en las carreras”, señala Jigar Mody, vicepresidente de Servicios de inteligencia artificial de Oracle. A continuación se muestra cómo OCI ayuda a los equipos a abordar un desafío sin resolver relativo a la IA.
Para empezar, Red Bull Advanced Technologies recurrió al video del equipo de ciencia de datos de Oracle obtenido en los simuladores de e-sports para analizarlo, y el equipo de Oracle aplicó los algoritmos SLAM para evaluar en qué punto del trayecto se encuentra un automóvil. Esperaban que el resultado sirviera como base para identificar los datos necesarios para el análisis.
El problema: cuando el equipo aplicó los algoritmos SLAM por primera vez al video de carrera, la ubicación prevista se encontraba a medio kilómetro de la ubicación real. Estos algoritmos no se diseñaron para entender el funcionamiento de un vehículo que habitualmente se desplaza a velocidades máximas de 320km/h y puede permanecer en la carretera mientras tracciona a unas 5G de aceleración lateral en una vuelta. Se necesita un modelo de IA preciso para los sistemas de análisis de datos que imaginaron, de modo que los científicos de datos de Oracle tuvieron que centrar sus esfuerzos en perfeccionar el modelo.
Esa precisión resulta fundamental. “Son muy precisos en cuanto a la forma en que conducen, por lo que la precisión posicional de 20 centímetros es clave para que los algoritmos sean útiles”, afirma el doctor Alberto Polleri, científico de datos jefe de Oracle y experto en IA que lidera el proyecto. “Y en cuanto a los ángulos de muy pocos grados que describen la dirección del automóvil, su precisión debe situarse por debajo de un grado.”
El equipo de ciencia de datos de Oracle utiliza en gran medida unidades de procesador gráfico (GPU) de OCI como capacidad de procesamiento bajo demanda para soportar el enorme volumen de computación que se utilizan en el modelado y la prueba de la IA. El equipo introduce contenido en video en OCI y, a continuación, utiliza redes neuronales convolucionales (CNN, convolutional neural networks) y redes neuronales recurrentes (RNN, recurrent neural networks) para procesar las imágenes. Luego, utiliza OCI para probar varios parámetros y ajustar el modelo de IA, identificando así en qué medida los resultados coinciden con la realidad en pista.
Este proceso de adaptación del modelo es la parte que hace un uso más intensivo de computación, por lo que resulta esencial disponer de capacidad de procesamiento en OCI como recurso en la nube variable bajo demanda. Algunos modelos pueden tardar días en ejecutarse. A veces, el equipo iniciará una prueba, verá que no está mejorando el modelo y procederá a cerrarlo. Otra opción pasa por ejecutar diferentes modelos en paralelo. “Realizamos cientos de experimentos al mes y cada uno toma varios días”, explica Polleri.
Implementación técnica en OCI
A continuación, se muestra cómo los datos fluyen a través de la arquitectura en OCI:
Comienza con la ingesta de filmaciones de video en OCI.
A continuación, los datos fluyen a través de tres pipelines paralelas, o flujos de trabajo, para evaluar la odometría visual (velocidad y orientación del automóvil), la ubicación en pista y los controles del automóvil (el volante y las ruedas). Estos tres flujos de trabajo realizan un uso intensivo de OCI Compute, incluidas las GPU.
Una vez perfeccionados los modelos de IA, Red Bull Advanced Technologies espera disponer de una herramienta que se ejecute en OCI que les permita introducir video y obtener un análisis profundo de las diferencias en el comportamiento del piloto de una vuelta a otra, o en comparación con otros pilotos.
Esta investigación de algoritmos también podría resultar valiosa en otras aplicaciones distintas a las carreras, como la robótica o los vehículos autónomos: en cualquier aplicación donde resulte útil predecir el próximo movimiento de un objeto. Aunque la mayoría de los casos de uso no implicarán un ritmo de carrera de 320km/h, estas mejoras aplicadas a las carreras también deberían ser útiles con velocidades más comunes. “La tecnología que funciona bien a alta velocidad funciona genial a velocidades más bajas”, comenta Mody de Oracle.