McLaren använder AI för att driva verkliga och virtuella Formel 1-team

McLaren använder AI för att driva verkliga och virtuella Formel 1-team

De digitala systemen som används för att rapportera och säkra McLaren F1- och esportsteam får ett betydande uppsving genom användningen av AI och maskininlärning för att hålla sig före konkurrenterna.

Från telemetri till cybersäkerhet, mängden data som samlas in i Formel 1 är gigantisk, och förståelsen för att data ofta är mycket komplex är avgörande, särskilt i en miljö där hastigheten är av yttersta vikt.

TechRadar Pro hade chansen att chatta med Ed Green, McLarens chef för affärsteknologi, och James Hodge, GVP och ledande strategikonsult till teamdataplattformsdistributören Splunk, på "AI in the Equation" Square Hur du kan hjälpa till att skydda den digitala världen företag och förbättra ditt beslutsfattande, såsom dina gränser.

Säkerhet och beslut

Som du kan föreställa dig är säkerheten avgörande för McLaren i dess verksamhet. För sitt McLaren Shadow esportteam beskrev Green en typisk uppställning:

"Om du har 8 spelare på scenen, betyder det 8 CP bakom dig, och förmodligen 4 fler som springer runt och klipper showen, så du slutar med tjugofyra CP alla inblandade."

För att säkra var och en av dessa maskiner, förklarade Green, "Vi har standardslutpunktsskydd som vi sätter in över hela domänen. Vi använder interna verktyg hos flera cybersäkerhetspartners för att övervaka hur vår trafik rör sig, och vi har brandväggsdistributörer för att se exakt var trafiken är." går."

Även om McLaren har varit tyst om den exakta programvaran de använder, har Darktrace varit känd för att vara anställd i deras säkerhetsställning till en viss grad.

Cybersäkerhet måste också vara lätt för att undvika att undergräva kraften hos simuleringsplattformar. "Många saker är i allmänhet ganska lätta, så folk vill inte ha många agenter på sina maskiner som spelar spel", säger Green.

"Vi har naturliga slutanvändare som vi använder på McLaren, de rapporterar om ett antal instrumentpaneler som kan vara användbara - jag kan se dem övervaka medan jag tävlar."

eSports McLaren Shadow

(Bildkredit: framtid)

Green förklarade också att AI och maskininlärning används för teamets cybersäkerhet, inte bara racedata:

"Vi använder maskininlärning och AI mycket i rymden, och tidigare år skulle det innebära att vårt cybersäkerhetsteam skulle fyllas med många utexaminerade; Det är verkligen tråkigt och håglöst arbete att sitta och titta på rader och rader med information om cybersäkerhet."

"Nu, genom att använda mycket maskininlärning och AI, har vi inte ett lika stort cybersäkerhetsteam, men de har ett mer relevant sammanhang, så att de kan se vart informationen tar vägen, så att anta maskininlärning och AI är verkligen viktigt att.

Han tillade att "när du tittar på AI inom cybersäkerhet, eller generellt, är det där för att hjälpa dig att bli mer effektiv, för att hjälpa dig att slå samman och lösa riktigt stora och komplexa utmaningar, eller för att ge dig extra hjälp."

"Inom cybersäkerhet, i tävlingsteamet, i synnerhet inom strategi, är AI där för att hjälpa till med beslutsfattande; det fungerar inte för dig. Så du kan ha mycket känsliga tidsbegränsningar: du kan ha 3 sekunder." Att fatta beslutet att göra ett depåstopp, så att ge dessa människor det näst bästa beslutet eller hjälpa dem att simulera vad som kan hända betyder att när tiden är ute kan vi fatta rätt beslut."

Även om AI i detta sammanhang främst används för det faktiska Formel 1-teamet, föreslog Green att det även skulle kunna spela in för F1 esports-teamet i framtiden.

Uppgifternas relevans

Datadistributören Splunk inledde sin relation med McLaren Formel 1-teamet XNUMX som en plattform för att hantera alla bilarnas väsentliga telemetridata, innan han senare skrev på för att hjälpa till att stödja Formel XNUMX-teamet. esports Shadow McLaren.

Hodge förklarade hur mer avancerade och prediktiva beräkningar kan göras med hjälp av hans AI-verktyg. Han gav exemplet med att förutsäga däckförnedring, som kan påverkas i spelet av många faktorer, inklusive virtuell spårtemperatur och nivån på köragressivitet:

"Vi kan börja göra prediktiv analys för att säga 'där vi tror att vi kommer till en viss punkt där däcken inte längre fungerar framför depåstoppet', och det är där vi börjar titta på telemetri i spelet för att bistå med karriärlösningar.

Hodge upprepade hur AI kan vara ett hjälpmedel för beslutsfattande istället för att vara beslutsfattare. Angående involveringen av AI i pitstop-strategin, till exempel, sa Hodge:

"Du kanske inte vill att AI:n ska blinka för att säga 'nåja nu'. Det är inte helt tillräckligt."

För att förklara varför det är så svårt att mekanisera beslutsfattande gav Hodge det hypotetiska exemplet på att använda AI för att övervaka lamporna i ditt hem:

"Börja enkelt: När jag går in i rummet vill jag ha dem på. Okej, hur länge ska de sitta kvar? Tills du inte ser någon mer rörelse, eller ska de stanna till midnatt eftersom de alltid är på." till sängs kl. 11:XNUMX Jo, du var uppe sent för en film så det är middag och de gick ut. Jag tittar på en film så jag skulle inte ha flyttat så slocknar så i huvudsak "Det som verkar vara ett enkelt problem blir väldigt komplicerat . Nu när du tänker på det inom företagsteknologi blir det ännu svårare."

(* 1 *)

(Bildkredit: Splunk)

Han lyfte fram relevansen av att ha praktiska data innan man förlitar sig på AI-verktyg. Och även som AI har traditionella statistiska metoder för prognoser fortfarande sin plats:

"Jag tror att det är lager efter lager efter lager. Så när vi tittar på, låt oss säga, cybersäkerhet, kan vi först titta på allt runt om på planeten? - det är här vi börjar se olika säkerhetsteam och IT-övervakningsteam samlas ganska mycket lite. Plus, för att alla vill titta på allt som händer digitalt och sätta sammanhanget."

"Låt oss nu ta en titt på statistiska extremvärden. Det är vanligtvis ett bra ställe att börja. Så kan vi lägga till lite fler ML-relaterade prediktiva modeller och sedan, i ett cybersäkerhetssammanhang, titta på att sammanföra många olika mätvärden? och säg, "Gör det här. Betyder de potentiella statistiska offseten nu att det finns en större chans att James är en dålig skådespelare?" Det är ungefär när du kommer längre in i AI-utrymmet.

Han varnade också för att praktiska problem bör tas i beaktande när man utvecklar AI:

”Du måste också ta reda på hur långt du vill gå och var den bästa investeringsinsatsen ligger. Tja, väldigt ofta, den statistiska sidan för den tillräckligt nära där den behöver vara. Du kan lägga för mycket tid på att få AI-modellen helt rätt och praktiskt taget slösa tid och pengar på att göra det."

"Jag tror mycket på att få grunderna rätt, eftersom inget företag i världen har de rätta grunderna. Ju mer du kan göra det här, desto mer kommer du att kunna driva beslutsfattande till frontlinjepersonalen så att de kan göra det. vad används det till.”