Oracle Connect：「求知若渴」：Red Bull Advanced Technologies 使用 OCI 測試 AI，培育未來賽車明星

「我們尋找的是我所謂的『追求精通的狂熱』，也就是一種強烈渴望學習，並在下一次繞行賽道時表現得更好的熱情，」Red Bull 車手學院負責指導與培育年輕車手的 Guillaume Rocquelin 表示。

「它非常、非常渴求我們能提供的任何資料和分析，」Rocquelin 說。「這正是我們所尋求的關鍵態度。」這不一定總能轉化為實際的身體能力，但那就是起點。」

沒有人比 Rocquelin 更了解如何躍升至賽車運動的最高殿堂；他曾擔任四屆 Formula 1 世界冠軍 Sebastian Vettel 的賽車工程師，之後成為賽事工程主管，並隨後轉任目前的職務。紅牛車手學院是這項運動最頂尖的培訓基地之一—現今 F1 車手陣容中的 20 位車手，有 7 位畢業於該計畫。

Rocquelin 發現，像他這樣的教練所使用的教學工具仍有改進空間。優秀的年輕車手必須求知若渴，但教練能用來清楚說明為何某位車手比另一位更快的方法卻非常有限。駕駛究竟是在何時煞車、加速或降檔？他們以什麼角度進入並通過彎道？駕駛者只能觀察速度更快的人，並嘗試複製他們所看到的動作。

Red Bull Advanced Technologies 將高效能工程應用於賽車運動，並尋求將該技術運用於其他產業，目前正致力於打造更優質年輕車手訓練工具的挑戰。Red Bull Advanced Technologies 的工程師正與 Oracle 資料科學專家合作，探索機器學習、雲端運算與資料視覺化如何協同運作，為這些渴求資料的運動員打造更有價值的訓練體驗。

「在任何類型的輔導環境中，工具都只是對話的起點，而工具品質越高，對話層次也會越高，」Rocquelin 表示。

Oracle 的資料科學團隊正運用 Oracle Cloud Infrastructure (OCI) 來改進自動駕駛車所使用的演算法，也就是同步定位與地圖建置（SLAM）演算法，並將其應用於賽車影片分析，初期資料來自該團隊的電競車手。一旦成功，團隊預期將能夠將車手賽段的影片輸入應用程式，對該影片執行機器學習分析，並獲得有助於縮短單圈時間的新洞察。

此工具仍處於早期開發階段。例如，Oracle 的資料科學家在將自動駕駛汽車演算法套用於賽車而非標準轎車時，就遇到了一項挑戰。「談到賽車時，物理定律會變得非常不同，」Oracle 人工智慧服務副總裁 Jigar Mody 表示。以下是 OCI 如何協助團隊因應尚未解決的 AI 挑戰。

首先，Red Bull Advanced Technologies 將其電競模擬器的影片提供給 Oracle 資料科學團隊進行分析，而 Oracle 團隊則套用 SLAM 演算法來評估賽車在賽道上的位置。他們希望輸出結果能提供分析所需的資料基礎。

問題：團隊首次將 SLAM 應用於賽事影片時，預測位置偏差了半公里。這些演算法並非為了理解一輛能以一般最高時速 320 公里（200 英里）行駛，並在轉彎時承受 5G 橫向加速度仍能保持在道路上的車輛而打造。為了實現他們所設想的資料分析系統，需要精準的 AI 模型，因此 Oracle 資料科學家著手完善該模型。

這種精準度非常重要。「它們在駕駛方式上非常精準，因此 20 公分的位置精確度對於演算法要真正發揮作用而言非常必要，」Oracle 首席資料科學家暨指導此專案的 AI 專家 Dr. Alberto Polleri 表示。「而對於描述汽車方向的極小角度，精準度必須達到小於一度的誤差範圍內。」

Oracle 資料科學團隊大量使用 OCI 圖形處理器 (GPU) 作為隨需運算能力，以支援 AI 建模與測試所需的大量運算負載。團隊將影片擷取至 OCI，然後使用卷積神經網路 (CNN) 和循環神經網路 (RNN) 處理影像；接著使用 OCI 測試各種參數並擬合 AI 模型，觀察結果與賽道實際情況的吻合程度。

此模型擬合程序是運算最密集的部分，因此在 OCI 上將運算能力作為隨選、可變的雲端資源至關重要。某些模型可能需要數天才能執行完成。有時候，團隊會開始進行測試，發現測試並未改善模型後便將其關閉；或者，他們也可能會並行執行不同的模型。「我們每個月會進行數百項實驗，每項實驗都需要花費數天時間，」Polleri 解釋道。