发布于: Jul 22, 2022
Amazon 机器学习解决方案实验室（ML Solutions Lab）与专业服务团队同 F1 携手合作，共同动用 Amazon Web Services 技术构建起实时比赛策略预测应用程序，快速生成进站决策并据此规划赛车的竞技战术
提到 Amazon Web Services 云服务功能与体育竞技的应用就不得不提到 F1 方程式赛车。2020 年，F1 方程式赛车迎来了自己的 70 岁生日，同时也是世界上将运动技能与工程技术实力全面结合的极少数顶尖运动之一。技术一直在 F1 中扮演着核心角色，规则与工具的演变也早已融入 F1 运动的血液当中。正是这种不断进取、不断探索的精神，令全球赛车迷们痴狂不已，关注自己热爱的车手与车队如何以十分之一秒为单位超越对手、夺取胜利。
经过多年发现，赛车的进站时间已经从 1 分钟以下缩短至 2 秒左右，赛车在转变与制动时车手将体验高在 5 个 G 的加速度影响，极速高达 375 公里/小时，赛事覆盖全球 22 个国家/地区。没有任何一项运动，能够在不断发展与接纳新技术方面与 F1 相比肩。但 F1 在追求创新方面永不止步，同时也在努力通过创新成果为超过 10 亿粉丝创造前所未有的观赛体验，通过数据与分析之力帮助观众更好地了解赛道内外发生的一切，并将驾驶员及车队做出的瞬时决策直接传递给观众。
每辆赛车上安装有 300 个传感器，每秒从赛车上传输至维修站的数据点多达 110 万个。这一切，都让粉丝的体验从被动观看转化为实时参与，从而加快人们对于赛事动态的反应速度。F1 还使用云原生技术（例如通过 Amazon SageMaker 创建、并托管在 Amazon Web Services Lambda 上的机器学习模型）以确定驾驶员的表现以及是否已经将汽车推至物理极限。结果就是，各团队能够预测超车或者进站计划给比赛结果造成的影响。另外，F1 主办方还可以通过广播合作伙伴与数字平台与全球粉丝即时分享这些重要见解。
本文深入探讨了 Amazon 机器学习解决方案实验室（ML Solutions Lab）与专业服务团队如何同 F1 携手合作，共同动用 Amazon Web Services 技术构建起实时比赛策略预测应用程序，快速生成进站决策并据此规划赛车的竞技战术。本文还将讨论如何将竞赛策略转换为应用逻辑，并立足多团队并行基础找到反推方案。最后，大家还可以了解无服务器架构如何在全球范围内以最低延迟提供机器学习预测，以及如何踏上您自己的机器学习探索之旅。
对车迷来说，赛场上来自 10 支车队的 20 名车手往往令人感到应接不暇。但在另一方面，每位驾驶员与工程师却对自己当前执行的比赛策略有着非常清晰的认识，并通过精确执行力争在比赛中脱颖而出。某些冒险之举是精心计算的结果，也有一些则是疯狂的赌注——而这一切与运气相关的判断都将给比赛结果造成巨大影响，甚至在几秒钟之内给观众们带来天翻地覆的心态与观看体验。F1 也希望能够更加公开透明，让粉丝们了解赛场上的种种策略是如何制定出来的，并据此跟踪策略在比赛中引发的影响。
轮胎状况是影响赛车性能的一大关键因素。如果坚持使用同一套轮胎，驾驶员根本无法正常完成比赛，更不用说冲击领奖台了。各 F1 车队可以在多种轮胎材质做出选择，借此平衡性能与耐用性两大相互冲突的指标。较软的轮胎材质拥有更好的抓地力与物理极限，但磨损速度也更快；与之对应，较硬的轮胎材质耐久性更好，但会限制转弯极速与牵引力水平。另外，车手与车队可以自由决定进站的时间与频率，但赛事规则要求每位车手在每轮分站赛内至少要进站一次。
更换新的轮胎可以显著提高车辆性能，增加驾驶员们超越对手的机会。但这也要付出代价——每次进站的平均时耗约为 20 秒。很明显，精心规划并执行进站策略，往往会成为决定比赛走向的巨大优势。
想象一下两名驾驶员之间的对抗：驾驶员 1 与驾驶员 2。驾驶员 1 目前暂时领先并努力捍卫自己的优势位置，驾驶员 2 虽然速度更快，但经过几次尝试发现很难成功超车。考虑到两位驾驶员都至少需要更换一次轮胎，那么驾驶员 2 可能会选择先进站以发挥自身性能优势。通过提前进站，驾驶员 2 占据了上风，凭借更新的轮胎压制住轮胎性能不断退化的驾驶员 1 并快速缩小赛车间距离。只要驾驶员 2 能够在驾驶员 1 进站之前再次将其咬住，那么当驾驶员 1 被迫进站时，超车即可轻松完成。这种策略，在 F1 运动中被称为 undercut。
虽然这种战术看似浅显易懂，但车队有时候也会采取相反的策略，即 overcut。驾驶员 2 可能会努力将自己的汽车开到极限，坚持到驾驶员 1 首先进站，这是在赌驾驶员 1 的轮胎磨损得更快。这里的基本思路是，驾驶员 1 进站后，驾驶员 2 可以放肆提速并建立起更大的距离优势。只要执行得当，那么先进站者即使在后发时逐渐缩小差距，最终也很难成功完成超车——这相当于是把领先者与追逐者的位置对调了过来。二者之间的缠斗往往需要跑完多圈才能分出胜负。当然，在实际比赛中由于无数复杂因素的影响，我们几乎不可能提前判断各车队策略之间到底谁更有效。换言之，即使是最死忠的 F1 赛车粉丝，也能从数据分析当中获得更多乐趣与启发。
F1 与 Amazon Web Services 合作建立起新的 F1 洞见项目，希望通过反推需求的方式构建起机器学习模型，用于跟踪进站策略并改善观看体验。
Amazon Web Services 以客户为出发点，反推观看者们的实际需求，即根据粉丝们的价值主张设计观看体验与内容。反推需求的具体过程分为三个部分：使用以客户为中心的语言宏观描述基本思路，整理观众以及内部相关各方可能提出的常见问题，最终以视觉效果形式传达思路与答案。在权衡一种思路的优缺点时，最重要的是勾勒出所有可能的经验性结果。具体执行方式可以采用白板草图、工作流程图或者线框图等。下面来看入站策略场景下的基本思路：
以这样的概念图为基础，相关各方能够根据一组不同的结果与目标（图形应用、应用开发、机器学习模型等）进行调整，并通过一组小型用户团队进行测试以验证能否得到预期结果。此外，团队还可以借此将工作量拆分成多个单元，从而实现并行处理——例如整理出多个不同的图形线框（图形）、数据集合（运营）、将竞赛逻辑转换为应用逻辑（开发团队）以及建立机器学习模型（机器学习小组）等等。
反推需求模式帮助我们在起步阶段就建立起清晰的愿景。我们与 F1 的广播合作伙伴就消息类型与格式快速达成一致，并由图形创作者制作一段视频作为屏幕图形设计团队的概念验证参考。我们使用 Amazon SageMaker notebooks 进行了探索性分析，并对上传至 Amazon S3 的各类时间、轮胎与气候数据进行可视化，从算法角度了解比赛的整体态势。我们确定了车队曾在以往的比赛中使用过哪些策略，因此因素最终决定比赛结果，同时无休止地循环以了解我们可以为机器学习模型提取哪些历史特征、以及如何在现场比赛中即时提取到相同的特征。在从各种来源提取数据并完成初步清洗之后，我们开始执行机器学习任务。在启动机器学习项目时，我们几乎无法提前确定可以实现的最佳结果。为了快速推进实验与迭代，我们为其设置了两项关键性能指标（KPI）：
- 业务 KPI —— 将进度传达给所有相关各方，例如在一定范围内提出预测百分比。
- 技术 KPI —— 用于优化模型，例如均方根误差。大家可以使用这些 KPI、技术要求以及设定的输出格式快速推进特征工程与各类算法实验，从而优化预测误差。
相关文章