"الشغف" بالتعلم: تستخدم Red Bull Advanced Technologies OCI لاختبار الذكاء الاصطناعي لنجوم السباق في المستقبل

لتحقيق القفزة إلى قمة رياضة السيارات، يحتاج سائقو سيارات السباق الصاعدون إلى ما هو أكثر بكثير من كثافة الرياضي النموذجي وتركيزه.

يقول غيوم روكويلين، الذي يدرب ويطور السائقين الشباب كرئيس لأكاديمية السائقين في Red Bull "نحن نبحث عما أسميه "الشغف بالإتقان"، وهي هذه الرغبة المحترقة في التعلم وأن نكون أفضل في المرة القادمة التي يقودون فيها على المسار.

يقول روكويلين: "إنها حالة الجوع الشديد لأي نوع من البيانات والتحليلات التي يمكننا تقديمها. هذا هو الموقف الرئيسي الذي نبحث عنه. لا يتحول هذا دائمًا إلى قدرة جسدية، ولكن هذه هي نقطة البداية".

لا أحد يعرف عن تحقيق هذه القفزة إلى أعلى مستوى من السباقات أكثر من روكويلين، الذي كان مهندس سباق مع بطل العالم فورميولا 1 أربع مرات سيباستيان فيتيل قبل أن يصبح رئيس هندسة السباق ومن ثم الانتقال إلى دوره الحالي. تعد أكاديمية Red Bull Driver Academy واحدة من أفضل أماكن التدريب في الرياضة - 7 من بين 20 سائقًا على شبكة فورميولا وان اليوم هم من خريجي البرنامج.

شهد روكويلين مجالات للتطوير في أدوات التدريس التي يمتلكها المدربون مثله. على الرغم من أن السائقين الشباب الرائعين يجب أن يكونوا متعلمين جريئين، إلا أن المدرب لديه طرق محدودة للغاية لإظهار لماذا يتقدم سائق بشكل أسرع من الآخر. متى بالضبط استخدم السائق المكابح أو التسارع أو خفض السرعة؟ ما الزاوية التي دخلوا فيها وعبرها؟ يمكن للسائق فقط المشاهدة ومحاولة تكرار ما يراه في شخص يسير بشكل أسرع.

تعمل شركة Red Bull Advanced Technologies - التي تطبق الهندسة العالية الأداء على سباق السيارات وتبحث عن استخدامات هذه التكنولوجيا في الصناعات الأخرى العاملة - على هذا التحدي المتمثل في إنشاء أدوات تدريب أفضل للسائقين الشباب. يعمل المهندسون في Red Bull Advanced Technologies مع خبراء علوم البيانات من Oracle لاستكشاف كيف يمكن أن يعمل التعلم الآلي والحوسبة السحابية ومؤثرات عرض البيانات معًا لإنشاء تجربة تدريب أكثر قيمة لهؤلاء الرياضيين المتعطشين للبيانات.

يقول روكويلين "في أي نوع من بيئة التدريب، الأدوات هي مجرد بداية للمحادثة، وستعني جودة الأداة الأعلى مستوى أعلى من المحادثة.

يقول روكويلين "في أي نوع من بيئة التدريب، الأدوات هي مجرد بداية للمحادثة، وستعني جودة الأداة الأعلى مستوى أعلى من المحادثة.

غيوم روكويلين رئيس أكاديمية Red Bull Driver

يستخدم فريق علوم البيانات من بنية Oracle Cloud الأساسية (OCI) لتنقيح الخوارزميات المستخدمة في السيارات الذاتية القيادة - المعروفة باسم خوارزميات التوطين والرسم البياني المتزامن، أو SLAM - وتطبيقها على تحليل فيديو السباق، في البداية من سائقي الرياضات الإلكترونية في الفريق. بمجرد النجاح، يتوقع الفريق أن يكون قادرًا على إدخال فيديو لجلسة السائق في تطبيق، وتشغيل تحليل التعلم الآلي لتلك اللقطات، واستخلاص رؤى جديدة حول كيفية تحسين أوقات اللفة لديهم.

لا تزال الأداة في مرحلة التنمية المبكرة. واجه علماء بيانات Oracle تحديًا، على سبيل المثال، عندما قاموا بتطبيق خوارزميات السيارات الذاتية القيادة على سيارات السباق بدلاً من سيارة سيدان قياسية. يقول جيغار مودي، نائب رئيس خدمات الذكاء الاصطناعي في Oracle: "تختلف قوانين الفيزياء اختلافًا كبيرًا عندما يتعلق الأمر بالسباقات. إليك طريقة مساعدة OCI الفرق على مواجهة تحدي ذكاء اصطناعي لم يتم حله.

في البداية، قدمت شركة Red Bull Advanced Technologies فيديو فريق علوم البيانات من Oracle من أجهزة محاكاة الرياضات الإلكترونية للتحليل، وطبق فريق Oracle خوارزميات SLAM لتقييم مكان وجود السيارة على المسار الصحيح. أعربوا عن أملهم في أن يوفر الناتج أساس البيانات اللازمة للتحليل.

المشكلة: عندما قام الفريق بتطبيق SLAM لأول مرة على فيديو السباق، ابتعد الموقع المتوقع بمقدار نصف كيلومتر. لم يتم تصميم هذه الخوارزميات لفهم السيارة التي تتحرك بسرعة قصوى نموذجية تبلغ 320 كم / ساعة (200 ميل/ساعة) ويمكن أن تبقى على الطريق في أثناء سحب 5Gs من التسارع الجانبي بدوره. يلزم وجود نموذج ذكاء اصطناعي دقيق لأنظمة تحليل البيانات التي تصوروها. لذلك يجب على علماء بيانات Oracle العمل على تحسين النموذج.

هذه الدقة مهمة. يقول الدكتور ألبرتو بوليري، كبير علماء البيانات في Oracle وخبير الذكاء الاصطناعي الذي يوجه المشروع: "إنهم دقيقون للغاية في كيفية قيادتهم، لذا فإن الدقة الموضعية التي تبلغ 20 سم ضرورية للغاية لتكون الخوارزميات مفيدة على الإطلاق. وبالنسبة إلى زوايا الدرجات القليلة التي تصف اتجاه السيارة، يجب أن تكون دقيقة حتى أقل من درجة واحدة".

يستخدم فريق علوم البيانات في Oracle وحدات معالج الرسومات (GPU) من OCI بشكل كبير كقوة حوسبة حسب الطلب لدعم أحمال الحوسبة الكبيرة المستخدمة في نمذجة الذكاء الاصطناعي واختباره. يستوعب الفريق الفيديو في OCI، ثم يستخدم الشبكات العصبية الانتقالية (CNNs) والشبكات العصبية المتكررة (RNNs) لمعالجة الصور؛ ثم يستخدم OCI لاختبار المعلمات المختلفة ويتواءم مع نموذج الذكاء الاصطناعي، مع رؤية مدى تطابق النتائج مع الواقع على المسار.

تعد عملية تركيب النموذج هذه الجزء الأكثر كثافة من الناحية الحوسبية، لذلك من الضروري وجود قدرة حوسبة كمورد سحابي متغير عند الطلب على OCI. قد تستغرق بعض النماذج أيامًا لتشغيلها. في بعض الأحيان سيبدأ الفريق اختبارًا ويرى أنه لا يحسن النموذج ويغلقه، أو قد يقوم بتشغيل نماذج مختلفة بالتوازي. يوضح بوليري "نحن نقوم بمئات التجارب في الشهر والتي تستغرق عدة أيام لكل منها".

التطبيق الفني على OCI

في ما يلي طريقة تدفق البيانات عبر الهيكل على OCI:

يبدأ باستيعاب لقطة فيديو في OCI.

ثم تتدفق البيانات إلى ثلاثة خطوط أنابيب، أو مسارات عمل، متوازية لتقييم قياس المسافات البصرية (سرعة السيارة واتجاهها)؛ والموقع على المسار ؛ والتحكم في السيارة (عجلة القيادة والعجلات). تستخدم عمليات سير العمل الثلاثة هذه حوسبة OCI واسعة النطاق، بما في ذلك وحدات معالجة الرسومات.

بمجرد تنقيح نماذج الذكاء الاصطناعي، تأمل Red Bull Advanced Technologies في أن يكون لديها أداة تعمل على OCI تتيح لها إدخال الفيديو والحصول على تحليل عميق حول ما فعله السائق بشكل مختلف من لفة إلى الأخرى، أو ما يفعله أحد السائقين بشكل مختلف عن سائق آخر.

يمكن أن يكون هذا النوع من أبحاث الخوارزميات مفيدًا أيضًا في التطبيقات التي تتجاوز السباق، إلى مجالات مثل الروبوتات والمركبات الذاتية القيادة - في أي تطبيق، من المفيد التنبؤ بمكان الحركة التالية للكائن. على الرغم من أن معظم حالات الاستخدام لن تنطوي على سرعة 200 ميل في الساعة لسيارة السباق، إلا أن هذه التحسينات التي تم إجراؤها في السباق ينبغي أن تساعد أيضًا في سرعات أكثر شيوعًا. يقول مودي من Oracle: "إن التكنولوجيا التي تعمل بشكل جيد على السرعة العالية تصبح مذهلة على السرعات الأقل".

عرض المزيد من مقالات Oracle Connect