Una "pasión" por aprender: Red Bull Advanced Technologies utiliza OCI para probar la IA con las futuras estrellas del automovilismo

Para dar el salto a la cima del automovilismo, los prometedores pilotos de carreras necesitan mucho más que la intensidad y concentración típicas de un atleta.

"Buscamos lo que yo llamaría el 'anhelo de superación', que es ese deseo ardiente de aprender y de ser mejores la próxima vez que den una vuelta al circuito", afirma Guillaume Rocquelin, que entrena y capacita 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. Ahora bien, eso no siempre se traduce en capacidad física, pero es el punto de partida."

Nadie sabe más sobre cómo dar ese salto al más alto nivel del automovilismo que Rocquelin, que fue ingeniero de carrera del cuatro veces campeón del mundo de Fórmula 1 Sebastian Vettel antes de convertirse en jefe de ingeniería de carrera y posteriormente asumir el cargo que actualmente ocupa. La Academia de Pilotos Red Bull es uno de los mejores campos de entrenamiento del deporte: 7 de los 20 pilotos de la actual F1 son graduados del programa.

Rocquelin ha identificado que existe margen de mejora en las herramientas de entrenamiento que tienen los entrenadores como él. Si bien los grandes conductores jóvenes deben ser alumnos voraces, el entrenador tiene maneras muy limitadas de mostrar exactamente por qué un conductor va más rápido que otro. ¿Exactamente cuándo un conductor frenó, aceleró o redujo la marcha? ¿Qué ángulo adoptaban al entrar y salir de una curva? Un conductor solo puede observar e intentar reproducir lo que ve en alguien que va más rápido.

Red Bull Advanced Technologies -que aplica la ingeniería de alto rendimiento a la competición automovilística y busca usos de esa tecnología en otros sectores- está trabajando en este desafío de crear mejores herramientas de entrenamiento para jóvenes pilotos. Los ingenieros de Red Bull Advanced Technologies colaboran con expertos en ciencia de datos de Oracle para descubrir cómo el aprendizaje automático, la computación en la nube y la visualización de datos podrían trabajar juntos para crear una experiencia de entrenamiento más valiosa para estos atletas ávidos 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.

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.

Guillaume Rocquelin Jefe de Red Bull Driver Academy

El equipo de ciencia de datos de Oracle está utilizando Oracle Cloud Infrastructure (OCI) para perfeccionar los algoritmos utilizados en los vehículos autónomos, conocidos como algoritmos de localización y mapeo simultáneos, o SLAM, y aplicarlos al análisis de videos de carreras obtenidos inicialmente de los pilotos de e-ports del equipo. Una vez realizado con éxito, el equipo espera poder introducir el video de la sesión de un piloto en una aplicación, realizar un análisis con aprendizaje automático de ese metraje y obtener nuevas ideas sobre cómo mejorar sus tiempos por vuelta.

La herramienta está aún en fase inicial de desarrollo. Los científicos de datos de Oracle se encontraron con un desafío, por ejemplo, cuando aplicaron los algoritmos del vehículo autónomo a coches de carreras en lugar de a un sedán estándar. "Las leyes de la física son muy diferentes cuando se trata de carreras", comenta Jigar Mody, vicepresidente de servicios de inteligencia artificial de Oracle. Conoce cómo OCI está ayudando a los equipos a abordar un desafío de IA sin resolver.

Para empezar, Red Bull Advanced Technologies proporcionó al equipo de ciencia de datos de Oracle videos de sus simuladores de e-sport para analizarlos, y el equipo de Oracle aplicó los algoritmos SLAM para evaluar en qué momento del trayecto se encuentra un automóvil. Esperaban que el resultado proporcionara la base de datos necesaria para el análisis.

El problema: cuando el equipo aplicó por primera vez los algoritmos SLAM al video de la carrera, la ubicación prevista se encontraba a medio kilómetro de la ubicación real. Estos algoritmos no fueron desarrollados para entender un vehículo que se mueve a velocidades máximas típicas de 320 km / h (200 mph) y puede permanecer en la carretera mientras arrastra 5G de aceleración lateral en un giro. Se necesita un modelo de IA preciso para los sistemas de análisis de datos que imaginaron, así que los científicos de datos de Oracle se pusieron manos a la obra para perfeccionar el modelo.

Esa precisión resulta fundamental. "Son muy precisos en su forma de conducir, por lo que una precisión posicional de 20 centímetros es muy necesaria para que los algoritmos sean del todo útiles", afirma el Dr. Alberto Polleri, científico de datos jefe de Oracle y experto en IA que dirige 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 procesamiento gráfico (GPU) de OCI como potencia de cálculo bajo demanda para soportar las grandes cargas computacionales utilizadas en el modelado y las pruebas de IA. El equipo introduce el video en OCI, a continuación utiliza redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN) para procesar las imágenes. Posteriormente, utiliza OCI para probar diversos parámetros y ajustar el modelo de IA, viendo lo bien que se ajustan los resultados a la realidad en la pista.

Este proceso de ajuste del modelo es la parte que hace un uso más intensivo de computación, por lo que disponer de capacidad computacional como recurso en la nube variable y bajo demanda en OCI es esencial. Algunos modelos pueden tardar días en funcionar. A veces el equipo iniciará una prueba y verá que no mejora el modelo y la cerrará, o puede que ejecuten 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 ingiriendo una secuencia de videos en OCI.

A continuación, los datos fluyen a tres conductos paralelos, o flujos de trabajo, para evaluar la odometría visual (la velocidad y la orientación del automóvil); la ubicación en la pista; y los controles del automóvil (el volante y las ruedas). Estos tres flujos de trabajo utilizan ampliamente OCI Compute, incluidas las GPU.

Una vez que se hayan perfeccionado los modelos de IA, Red Bull Advanced Technologies espera disponer de una herramienta que funcione en OCI y que permita introducir videos y obtener análisis detallados sobre lo que un piloto hizo de forma diferente de una vuelta a otra, o lo que un piloto hace de forma diferente a otro.

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 el ritmo de 200 mph de un coche de carreras, estos refinamientos realizados en las carreras también deberían ayudar a velocidades más comunes. "La tecnología que funciona bien a alta velocidad lo hace fenomenal a velocidades más bajas", comenta Mody de Oracle.

Ver más artículos de Oracle Connect