کاربرد علم داده در فرمول یک
تحولات دیجیتال و علم داده
زمانی که از تحول دیجیتال سخن می گوییم ، از معنی تحول می توان دریافت که صرفا در حوزه ای خاص این تغییرات عظیم رخ نمی دهند و طیف گسترده ای از زمینه های را شامل می گردد و صرفا به کسب و کار و صنعت خلاصه نمی شود که جایگاه علم داده در این عرصه مشخص می گردد.
داده ها
بنیان تحول دیجیتال تنها یک کلمه است ، داده ها (Data). داده ها مجموعه ای از بازخورد ها از دنیای اطراف ما هستند که طی پردازش آنها به اطلاعات دست می یابیم که میتوان بر اساس آنها طی شرایط متفاوت تصمیم هایی اتخاذ نمود که دارای عدم قطعیتی کمی در نتیجه باشد.
علم داده و ورزش
چیز های زیادی در دنیا وجود دارد که به ظاهر نمی توان آن ها را پیش بینی کرد. هر چیز که بشود شمرد را می توان با پردازش داده ها و هوش مصنوعی پیش بینی کرد. دنیای ورزش بسیار غنی است از فیچر های (ویژگی ها) قابل شمارش است که آن را برای استفاده در هوش مصنوعی ایده آل می سازد.
از پر در آمدترین حوزه ها می توان می توان به حوزه های ورزشی اشاره نمود که میلیارد ها دلار سرمایه در حال گردش است.
چیز های زیادی در دنیا وجود دارد که به ظاهر نمی توان آن ها را پیش بینی کرد. هر چیز که بشود شمرد را می توان با پردازش داده ها و هوش مصنوعی پیش بینی کرد. دنیای ورزش بسیار غنی است از فیچر های (ویژگی ها) قابل شمارش که این حوزه را برای استفاده در هوش مصنوعی ایده آل می سازد.
سیستم های هوش مصنوعی در ورزش به یک رشته محبوب در سال های اخیر تبدیل شده است. با توجه به تأثیر مثبتی که سیستم های هوش مصنوعی بر ورزش گذاشته اند منجر به این شده است که روز به روز راهشان را در دنیای ورزش پیدا کنند و برای فعالین این حوزه بیش از پیش مورد توجه قرار گیرند.
علم داده و فرمول 1
قطعا یکی از پر طرفدارترین حوزه های ورزشی را می توان مسابقات فرمول 1 برشمرد که 500 میلیون از جمعیت جهان هر ساله آن را دنبال می کنند و آورده ای 1.8 میلیارد دلاری را برای این صنعت رقم می زند.
چنین صنعت عظیمی بسیار دور از ذهن است که وارد دنیای دیجیتال نشود و داده های جمع آوری شده خود را از مسابقات برگزار شده نادیده بگیرد.
زوئی چیلتون (Zoe Chilton) سرپرست مشارکت های فنی تیم مسابقات رد بول استون مارتین (Aston Martin Red Bull Racing) می گوید :
در حال حاضر قهرمان این مسابقات طی چرخه جمع آوری داده ، انجام محاسبات روی آنها ، تجزیه و تحلیل و طراحی مشخص می گردد.
به حدی این چرخه حائز اهمیت است که تیم Aston Martin ، 1000 نمونه اولیه را در هر مسابقه یا به عبارت دیگر 30000 هزار نمونه را در یک فصل مطالعه می کند.
طی برگزاری هر یک از مسابقات از پیش بینی های آب و هوایی و محیطی گرفته تا ثبت شرط های کلان برای تعیین برندگان مسابقه و حتی تعیین قهرمان آخر فصل مسابقات ، علم داده ردپایی محسوس از خود بجا گذاشته است.
سنسور ها ، روتر ها (کامپیوتر هایی با سیستم عامل هایی خاص برای اتصال چند شبکه به یکدیگر) ، اتصالات وایرلس ، ارتباطات و مکالمات مرکزی و راهکار های امنیت سایبری بطور فزاینده ای در حال با اهیمت تر شدن در تیم های فرمول 1 هستند ، تا با پردازش دقیق تر و سریع تر داده ها تیم ها را در انتخاب استراتژی پیشبرد مسابقه و بهبود وضعیت اتومبیل ها یاری دهد.
فرمول 1 ورزشی مبتنی بر داده ها
در هر اتومبیل 120 سنسور قرار دارد که بطور میانگین این سنسور ها در هر مسابقه 3 گیگابایت داده تولید می کنند ، چیزی در حدود 1500 رکورد در هر ثانیه از مسابقه. دانشمندان داده هر تیم در مسابقات فرمول 1 در چند سال اخیر از خدمات تحت وب کمپانی آمازون برای ذخیره سازی داده ها و تحلیل آنها استفاده می کنند.
دانشمندان داده در هر یک از این تیم ها از 65 سال پیش داده های تاریخی این مسابقات را جمع آوری نموده در این بستر ها ذخیره سازی می نمایند و با مطالعه آن ها آمار هاب مهم نتایج را بررسی می کنند مثل نوع سیستم های سوخت رسانی برندگان هر فصل ، استراتژی های قهرمانان ، آب و خوای هر یک از مسابقات و همبستگی آن ها با رانندگان ، آیرودینامیک هر اتومبیل و 100 ها پارامتر دیگر.
از سویی با تحلیل داده های بر خط برای تماشاچیان و طرفداران هر تیم به صورت بصری امکانی را فراهم می آورد تا در کسری از ثانیه از استراتژی های تیم محبوب خود و تصمیمات آن ها آگاه شوند.
در واقع تمام این محاسبات ، تجزیه و تحلیل ها و تصمیم گیری ها بر اساس 750 میلیون رکوردی که توسط ECU (واحد کنترل الکترونیکی) هر اتومبیل ارسال می گردد تهیه می شوند. جالب است بدانید که این مقدار داده تقریبا بیش از دو برابر کلماتی است که ما در طول زندگی خود آن ها را بیان می کنیم.
در ادامه به بررسی چند مورد از کاربرد های علم داده و هوش مصنوعی در مسابقات فرمول 1 خواهیم پرداخت.
کاربرد علوم داده در فرمول 1
برای بررسی کاربرد های علم داده در این حوزه بیایید نگاهی به مراحل برگزاری این مسابقات بیاندازیم:
علم داده در شبیه سازی پیست
در هر فصل از این مسابقات پیست ها متفاوت خواهند بود ، تیم های مطالعاتی از هر تیم شرکت کننده در مسابقات قبل از شروع مراحل اولیه مانند تعیین خط ، پیست را از هر نظر بررسی می کنند و حتی قبل از شروع مسابقه می توانند با وارد کردن داده های جمع آوری شده از پیست در مدل های شبیه سازی مانند شبیه سازی مونت کارلو ، از وضعیت تقریبی خود در مسابقات مطلع شوند. جالب تر از تمامی این موارد این است که تیم های تحلیل داده می توانند انواع سطوح عملکردی اتومبیل هایشان را در این شبیه سازی آزمایش کننده و حتی با تقریب خوبی بدانند که اتومبیل حتی قبل از انجام دور های تمرینی در پیست چه عملکردی را از خود نشان می دهد.
این امر باعث می شود تا تیم های تحلیلی انواع سناریو های ممکن را برای برگزاری مسابقات در نظر بگیرند و سناریو های محتمل تر شناسایی نمایند تا در ادامه برنامه ریزی های اجرایی بتوانند بهینه سازی تنظیمات اتومبیل ، که در ادامه مفص به آنها می پردازیم ، را دقیق تر انجام دهند
مرحله تعیین خط و تعیین استراتژی بهینه (بصری سازی داده ها ، داستان سرایی و تصمیم گیری مبتنی بر داده)
در ابتدای مسابقات هر یک از اتومبیل ها با توجه به جایگاهی که در مرحله تعیین خط کسب کرده اند ، مسابقه اصلی شروع می کنند و با توجه به وضعیت فعلی مسابقات فرمول 1 داشتن یک موقعیت خوب برای شروع مسابقه بسیار حیاتی است.
مرحله تعیین خط طی 3 مرحله Q1 و Q2 و Q3 انجام می پذیرد ، بطور کلی در مرحله تعیین خط تیم های داخل پیست و خارج پیست حداکثر سطح عملکرد خود را دارند.
این تیم ها پس از انجام 3 دور تمرینی در پیست داده هایی را ثبت می کنند بر اساس این داده ها تنظیمات عملکردی اتومبیل را طی مرحله تعیین خط رقم می زند. علم داده متناسب با سطح چسبندگی پیست ، پیچ ها ، زاویه سطح پیست ، میانگین زمانی هر دور از پیست استراتژی های تعویض لاستیک ها و چکاپ های اتومبیل را برنامه ریزی می کنند تا زمانی که اتومبیل وارد پیت لین (pitlane ، جایگاه چکاپ و تعویض لاستیک) می شود دمای لاستیک های آن نه خیلی بالا باشد نه خیلی پایین تا بتواند هم چسبندگی خوبی را با سطح پیست داشته باشد و هم از خوردگی لاستیک پیشگیری شود.
برای برنامه ریزی چنین سیستم بی عیب و نقصی بسیاری از عوامل تاثیر گذارند و حتی ممکن است بهبود برخی از عوامل منجر به تغییر برخی عوامل در جهت کاهش عملکرد اتومبیل بیانجامد.
اما صرفا تحلیل مواردی مربوط به برنامه های اجرایی داخل پیست و تنظیمات اتومبیل منجر به بهبود عملکرد نمی شوند ، چرا که عوامل محیطی نیز می تواند تاثیر به سزایی بر تعریف این عوامل داشته باشد که مهمترین آن ها وضعیت آب و هوایی است.
اما این مسابقات در دو روز شنبه و یکشنبه انجام می شود ، تعیین خط (شنبه ها) و مسابقه اصلی (یکشنبه ها) پس باید وضعیت آب و هوایی در دو روز پیش بینی شوند و تنظیمات بر این اساس صورت گیرد و جالش بزرگی که اینجا می تواند ایجاد شود بروز جند شرایط جوی است که بهینه سازی هر پارامتر برای صرفا یک شرایط جوی باعث کاهش سطح عملکرد اتومبیل در شرایط جوی دیگر می شود.
دانشمندان علم داده در هر یک از این تیم اقدام به پیشبینی بارندگی ، رطوبت هوا و دمای محیط می کنند تا با تقریب خوبی بتوانند شرایط را برای مهندسی فنی تیم آسان سازند و در طی طراحی و تنظیمات اتومبیل نیز به کمک مهندسین فنی می آیند تا با شبیه سازی فرایند مسابقه بتوانند اتومبیل را به حداکثر قابلیت اطمینان خود برسانند.
پس از انجام 3 دور مرحله تمرینی تیم توجیهی تمام داده ها و جوانب طراحی ، تنظیمات (حتی درجه باله اتومبیل) و آب و هوا را جمع آوری نموده و تحلیل می نماید تا در مرحله تعیین خط اتومبیل بهترین عملکرد و دوام را با زمانبندی های مناسب تعویض تایر و انتخاب تایر مناسب داشته باشد. این امر به این دلیل حیاتی است ، چرا که اتومبیل با ورود به پیست دیگر امکان تغییر ستاپ های خود را تا آخر مسابقات آخر هفته ندارد!
پس کاهش پراکندگی در عملکرد و حداکثر سازی آن برای اتومبیل (پر سرعترین تنطیمات در ماراتنی 300 کیلومتری!) یک مدل ریاضی را نتیجه می شود که برای تعیین پارامتر های آن و بهینه سازی مدل تنها هوش مصنوعی می تواند گره گشا باشد.
نکته ای کلیدی که وجود دارد ، در ابتدای فصل چون تایر ها از سمت اسپانسر در 13 ست اهدا می شوند (1 ست تایر نرم ، 1 ست هارد و 1 ست مدیوم و ما بقی به انتخاب تیم) تیم ها شناخت خوبی از تایر ها ندارند و میبایست با درصد خطای زیادی عملکرد آن ها را پیشبینی کنند که یکی از رویکرد های آن می تواند بهینه سازی استوار (Robust Optimization) باشد که عملکردی مناسب از تایر با پراکندگی کم را ناشی شود.
در حین برگزاری این مسابقات پدیده های فیزیکی بسیاری ممکن است رخ دهد که منجر به بهبود عملکرد یا تضعیف آن شود ، مانند اسلیپ استریم.
متخصص علم داده کیست؟
علم داده به توسعه و پیاده سازی مجموعهای از تکنیکها یا برنامههای تجزیه و تحلیل برای تبدیل دادههای خام به اطلاعات معنیدار با استفاده از زبانهای برنامهنویسی محور و نرمافزار تصویرسازی می پردازد.
جهت استخراج و تجزیه و تحلیل اطلاعات از مجموعه داده های بزرگ و ساختاریافته و یا بدون ساختار ، می توانید از داده کاوی (data mining) ، مدل سازی داده ها (data modeling) ، پردازش زبان طبیعی (natural language processing) و یادگیری ماشین (Machine Learning) را استفاده نمایید .
پیش بینی پدیده اسلیپ استریم با استفاده از یادگیری عمیق
اسلیپ استریم پدیده ای است که منجر به ایجاد خلا در فضای پشت جسم می شود که می تواند اصطکاک هوا را در آن فضا از بین ببرد. هنگامی که دو اتومبیل در این مسابقات به تعقیب هم می پردازند در صورتی که در یکمسیر مستقمی باشند در یک فاصله خاص از اتومبیل جلویی ، اتومبیل عقب تر می تواند در آن فضا قرار گیرد و سرعت خود را با مصرف کمتر سوخت با شتاب بیشتری افزایش دهد.
از کاربرد های علم داده در فرمول 1 نیز می توان به شناسایی چنین پدیده هایی اشاره نمود .علم داده به صورت بر خط داده ها را از سنوسر ها گرفته و فاصله اسلیپ استری را تعیین می نماید و تیم کنترل مرکزی راننده را از حفظ این فاصله آگاه می سازد.
پس از تعیین جایگاه و شروع مسابقه اصلی با 10 اتومبیل باقی مانده ، مسابقات در روز یکشنبه ادامه میابد که همان تنظیمات را شامل می شود(تنها برخی از تنظیمات در حین مجاز به تغییر هستند که تعدادی اندک هستند)
داده ها در حین مسابقه بطور مداوم برای مرکز ارتباطات ارسال می گردد و سیستم های مرکزی با الگوریتم های هوش مصنوعی از پیش تعیین شده می تواند تصمیماتی مهم را برای تیم ها به ارمغان آورد.
بروز تصادف با استفاده از بینایی ماشین
با الگوریتم های یادگیری عمیق داده ها تحلیل می شوند و با در نظر گرفتن پارامتر های موثر مب توانند پیش بینی کنند که آیا وضعیت فعلی اتومبیل در پیست می تواند منجر به تصادف شود یا خیر و در صورت بالا بودن احتمال تصادف تیم مرکزی راننده را از بروز تصادف ها مطلع میسازد.
بروز خرابی و علل بالقوه با استفاده از الگوریتم های یادگیری ماشین
سیستم های مرکزی با در اختیار داشتن الگوریتم های یادگیری ماشین تمامی خرابی های ممکن برای اتومبیل را دسته بندی نموده اند و در صورت افزایش یا کاهش برخی پارامتر ها در اتومبیل می تواند با دقت بالایی تشخیص دهد که چه نوع خرابی در حال وقوع است و تیم مرکزی در خصوص آن مطلع می سازد.
در این سیستم هشدار دهی تیم مرکزی راننده را راهنمایی می کند که چه پارامتری را افزایش یا کاهش داده یا درخواست ورود به pitlane را صادر می کند.
در هنگام ورود اتومبیل به pitlane بر اساس الگوریتم های یادگیری ماشین یا یادگیری عمیق سیستم هوش مصنوعی اعلام می دارد که علت بالقوه بروز چنین خرابی چیست و تیم مرکزی بر اساس این اطلاعات بدون وقفه تمهیدات لازم را به عمل می آورند.
صدور جریمه برای تیم ها و رانندگان
قطعا ورزشی مانند فرمول 1 مانند سایر رشته های دیگر ورزشی دارای قوانین قواعد خاصی است. در سیستم های هوش مصنوعی بالاخص بینایی ماشین ، سیستم حالات نرمال مشاهده را ثبت می نماید و یاد می گیرید حالت اصلی و نرمال پدیده های مختلف چگونه است و در اثر بروز وضعیتی خارج از حالات نرمال تیم نظارت را از بروز خطا آگاه می سازد.
از کاربرد های دیگر علم داده در فرمول 1 می توان به شناسایی خطا ها اشاره نمود.
شروع سریعتر از موعد حتی در حد صدم ثانیه می تواند در نتیجه مسابقات مخصوص بخش تعیین خط حائز اهمیت باشد ، سیستم هوش مصنوعی نیز پیش از این آموخته که در صورت چراغ سبز شدن pitlane یا مشاهده پرچم شطرنجی میبایست عبور از خط اتفاق بیوفتد و در صورت حرکتی خلاف این موضوع راننده جریمه زمانی می گردد.
شناسایی راننده مقصر تصادف
سیستم های هوش مصنوعی با دریافت سیگنال های خارج از حالت نرمال بروز تصادف را شناسایی می کنند و با یادگیری حرکات خارج از حالت معمول می توانند مقصر تصادف را شناسایی نمایند و او را جریمه کنند.
مسدود کردن راه برای سبقت
چنین سیستم هایی یاد گرفته اند که چه حرکاتی در حین مسابقه در دسته مسدود سازی قرار می گیرند و در صورتی راننده ای مانع از سبقت گیری راننده دیگر شود و راه را مسدود کند سیستم هوش مصنوعی با شناسایی اتومبیل و تطابق دادن آن با دیتا بیس مسابقات ماشین خاطی را شناسایی نموده و جریمه را لحاظ می کند.
بسیاری دیگر از تخلفات با ارائه داده هایی در حالات نرمال و حالات غیر عادی می تواند برای سیستم تعریف شود و با بکارگیری الگوریتم های یادگیری عمیق انواع خطا های رانندگان را شناسایی نموده و حتی میزان جریمه ای که ممکن است با جمعی از داوریت در خصوص آن تصمیم گیری شود را در کسری از ثانیه برای راننده اعمال نماید.
دریافت مشاوره علم داده
هر مدیر در سازمان از مدیران ارشد تا مدیران عملیاتی همه و همه ، هر روز با تصمیم هایی مواجه هستند که گاه روتین هستند و گاه استراتژیک. تصمیم ها در صورت روتین می تواند باعث از دست رفت زمان باشد یا مداما نیاز به تحلیل ها گسترده داشته باشند که ممکن است شخص تصمیم گیرنده دچار اشتباه در تحلیل ها شود یا بخشی از داده ها را در نظر نگیرد.
پیش بینی نتایج با استفاده از علم داده
قطعا بنگاه های شرط بندی در هر مسابقه خوشحال ترین تیم هایی هستند که در مسابقات فرمول 1 حضور دارند ، هزاران نفر ( چه به قصد تفریح ، چه به قصد سود های کلان) میلیون ها دلار قمار می کنند.
برخی از این دلالان و بنگاه ها با تعریف موتور های یادگیری ماشین بر اساس پارامتر هایی مانند جایگاه شروع ، ملیت کشور ها ، تجربه رانندگان یا حتی به صورت آنلاین با دریافت استراتژی های تیم ها ، اقدام به پیشبینی جایگاه ها ، برندگان مسابقه ، ترتیب ورود اتومبیل ها به پیت لین ها و حتی قهرمان فصل می کنند!
سخن آخر
در نهایت باید اشاره داشت که دنیای ورزش نیز از تحول دیجیتال مصون نمانده! کسی نمیداند انتهای این انقلاب ها به کجا ختم می شود اما برای همه ما محرض خواهد بود که عدم همراهی با این امواج پر تلاطم منجر به عقب ماندن از رشد خواهد بود.
امواجی که در انقلاب صنعتی اول آن را ماشین بخار و پس نزدیک به 200 سال انقلاب صنعتی چهارم آن را داده می نامند و اینطور انتظار می رود که در هر رشته و کسب و کار و صنعت ، این داده ها هستند که بنیان پیشرفت را خواهند ساخت. لذا یکی از زمینه های پر کاربرد برای دانشجویان ، فارغ التحصیلان و علاقه مندان حوزه مهندسی صنایع ورورد به حوزه علم داده است.
امیدوارم از مطالعه این مقاله لذت برده باشید و توانسته باشیم گوشه ای کوچک از اقیانوس علم داده را بر شما آشکار کرده باشیم.
Leave A Comment