Az elmúlt években szinte észrevétlenül, mégis alapjaiban változtatta meg a Forma-1 mérnökeinek munkamódszereit a mesterséges intelligencia (MI), miközben a technikai fejlesztési ciklusok és a stratégiai döntéshozatal folyamatai is teljesen új dimenzióba kerültek. A korábban kizárólag kutatólaboratóriumokban vagy nagyvállalatok fejlesztési részlegeiben alkalmazott technológia mára a versenypályákon is megvetette a lábát, ahol az adatok hatékony feldolgozása minden korábbinál fontosabb versenyelőnyt jelenthet a csapatok számára.
A szinte felfoghatatlan mennyiségű adattal dolgozó Forma-1-ben mostanra olyan eszközök állnak rendelkezésre, amelyek képesek azonnal használható betekintést nyújtani a nyers információkba – ami valódi paradigmaváltást jelent a sportág történetében.
A hagyományos eszközök lassúsága már a múlté, hiszen a teljesítmény világában a sebesség kulcsfontosságú tényezőnek számít. Mindeddig a Forma-1-es mérnöki munka két alappillére – a számítógépes áramlásdinamika (CFD) és a szélcsatornák – szerkezeti korlátokkal küzdött, amelyek jelentősen lassították a fejlesztési folyamatokat. Egy CFD-szimuláció még mindig órákat igényel intenzív számítási kapacitással, egy szélcsatorna-tesztre való felkészülés pedig akár több hetet is igénybe vehet, miközben egy MI-alapú szimuláció szinte azonnal eredményt produkál.
„A szabályzat nem korlátozza a mesterséges intelligencia által végzett szimulációk számát, szemben a CFD és a szélcsatorna használatával," magyarázza Matthias Bauer, a Navasto vezérigazgatója, amelynek megoldásait már hat csapat alkalmazza a rajtrácson.
A fejlesztés sebessége nem csupán az egyes szimulációk gyorsaságában mutatkozik meg, hanem abban is, hogy zökkenőmentesebbé teszi az egyes részlegek – aerodinamikusok, tervezők, szerkezeti mérnökök – közötti kommunikációt, ami felgyorsítja az iterációkat az egyre szorosabb fejlesztési menetrendben.
Az aerodinamika területe az, ahol elsődlegesen alkalmazzák ezeket az új eszközöket. A gépi tanulási algoritmusok használata nemcsak felgyorsítja a szimulációkat, hanem jelentősen kitágítja a lehetőségek körét is, amivel a mérnökök dolgozhatnak. Pierre Baqué, a Neural Concept igazgatója, amelynek platformját a Racing Bulls és a Williams is használja, így fogalmaz: „Platformunk integrálása alapvetően felgyorsította és kibővítette az aerodinamikai fejlesztési folyamatot a kizárólag CFD-alapú megközelítéshez képest."
Egyszerűbben fogalmazva: míg a mérnökök korábban csak néhány variánst tudtak tesztelni CFD-ben, addig az MI segítségével több ezret analizálhatnak. Ezeknek a „mérnöki társpilótáknak" köszönhetően a csapatok új dizájnokat fedezhetnek fel, összehasonlíthatják azok hatásait különböző fizikai körülmények között (oldalszél, hőmérséklet-változások stb.), majd célzottan kiválaszthatják a legígéretesebb variánsokat, mielőtt CFD-hez vagy szélcsatornához folyamodnának pusztán ellenőrzési célból.
A megközelítés tehát megfordul: míg a CFD fizikai törvényeket használ egy áramlás viselkedésének előrejelzésére, az MI deduktív módon jár el. Meglévő adatbázisokra támaszkodik – a pályáról, a szélcsatornából vagy CFD-szimulációkból – trendek azonosítására, extrapolálására, majd egy adott konfiguráció teljesítményének előrejelzésére. Az előfeltétel természetesen egy gazdag és változatos adattár létrehozása marad.
„Amikor a gyárban a csapat az autó fejlesztésén dolgozik, a sebesség döntő fontosságú," magyarázza Andrew McHutchon, a McLaren adattudományi igazgatója. „Lehet, hogy öt megválaszolandó kérdésed van, és ha mindegyik fél napot vesz igénybe, az lelassítja az egész folyamatot. Az MI felgyorsítja mindezt. Minél gyorsabban tudjuk megválaszolni ezeket a kérdéseket, annál gyorsabban fejleszthetjük az autót – és annál valószínűbb, hogy bajnokságokat nyerünk."
Az 1600 hátsó szárny profiljából álló adatbázist felhasználva a mérnökök MI segítségével vonták ki a domináns paramétereket (húrhossz, geometria, görbület stb.), és több milliárd lehetséges konfigurációt generáltak. Egy algoritmus ezután ezt a teret néhány ezer ígéretes megoldásra redukálta, amelyeket aztán CFD-ben szimuláltak és szélcsatornában validáltak.
Ez a folyamat kiemeli azt a kulcsfontosságú valóságot, hogy az MI nem helyettesíti a hagyományos eszközöket, hanem kiegészíti azokat. Teljesen új koncepciók felfedezéséhez a CFD és a szélcsatornák továbbra is elengedhetetlenek. Az MI azonban a kutatás irányításával segít maximalizálni annak hatékonyságát – időt, és ezáltal teljesítményt megtakarítva egy olyan szakágban, ahol minden óra számít.
A stratégia területén is jelentős áttörést hoz a mesterséges intelligencia, különösen a valós idejű versenymenedzsmentben. A boxkiállások időzítése, a gumiabroncsok kiválasztása vagy egy biztonsági autós beavatkozásra való reagálás most már olyan hatalmas adatmennyiség elemzését igényli, amelyet nagyon gyorsan kell feldolgozni. MI nélkül a szükséges terabájtnyi információ feldolgozása több órát venne igénybe, ami már túl késő lenne a versenystratégia szempontjából.
„Ha a döntés a kiállás mellett szól, talán a kör egyharmada van még hátra, mielőtt az autó elhaladna a boxutca mellett, ami után elveszítenéd a lehetőséget," emlékeztet McHutchon. „Ezen felül az MI lehetővé teszi számunkra, hogy olyan adatokat hasznosítsunk, amelyekkel korábban nem tudtunk mit kezdeni. Most az MI-nek és a Dell-lel való partnerségünknek köszönhetően ezeket is kihasználhatjuk hasznos betekintések nyerésére."
Az MI még gyerekcipőben jár a Forma-1-ben, de alkalmazása már széleskörű – és elkerülhetetlen. A kulisszák mögött minden csapat használja már, különböző mértékben, és a hatóköre folyamatosan bővül. Középtávon hatása olyan meghatározó lehet, mint a CFD-é volt a 2000-es években. Míg a jelenlegi viták még mindig a szélcsatornákba vagy ipari berendezésekbe történő beruházásokról szólnak, a mesterséges intelligencia területén végzett kutatások jelenthetik a valódi differenciálódási lehetőséget a jövőben – feltéve persze, hogy a csapatok képesek lesznek megfelelően kiaknázni ezeket a lehetőségeket.