Cómo la Inteligencia Artificial ha revolucionado la Fórmula 1
La Fórmula 1 regresa a Madrid. Del 11 al 13 de septiembre, el nuevo circuito de Madring acogerá por primera vez el Gran Premio de España, 45 años después de la última carrera disputada en el Jarama.
Los monoplazas completarán 57 vueltas a un trazado semiurbano de 5,416 kilómetros y 22 curvas alrededor de IFEMA Madrid y Valdebebas. Uno de sus puntos más reconocibles será La Monumental, una curva peraltada de aproximadamente 550 metros cuya inclinación alcanza el 24 %.
Sin embargo, cuando los coches salgan a pista, la competición no se desarrollará únicamente sobre el asfalto. Cada vuelta tendrá también una réplica digital: cientos de sensores medirán el comportamiento de cada monoplaza, los sistemas de telemetría enviarán información a los garajes y diferentes modelos de IA tratarán de anticipar qué puede suceder unos segundos, unas vueltas o incluso varias carreras después.
En este sentido, probablemente la Fórmula 1 sea una de las disciplinas que mejor permiten observar qué ocurre cuando la IA deja de ser una “herramienta más”, para convertirse en una pieza clave en un sistema de ingeniería, donde resulta vital ser capaces de tomar las mejores decisiones en tiempo real.
Un monoplaza convertido en sistema de datos
Cada coche de Fórmula 1 no sólo es un prodigio de la ingeniería mecánica, sino que también es un pequeño milagro tecnológico.
Cada monoplaza incorpora alrededor de 300 sensores capaces de generar conjuntamente más de un millón de puntos de telemetría por segundo. Estos sensores registran, entre otros parámetros, temperaturas, presiones, vibraciones, consumo energético, fuerzas ejercidas sobre distintos componentes o comportamiento de los neumáticos. La información se transmite a los ingenieros que trabajan en el circuito y posteriormente, se combina con los datos analizados desde la fábrica. En cada fin de semana de carrera, un solo vehículo puede generar más de 1,5 terabytes de información.
El volumen es importante, pero acumular información no proporciona por sí mismo una ventaja competitiva. El verdadero desafío consiste en decidir qué datos son relevantes, comprobar su calidad, relacionarlos con el comportamiento físico del vehículo y transformarlos en información útil dentro de unos márgenes de tiempo extremadamente reducidos.
Cómo comprender un sistema completo
Conocer la temperatura del motor o la presión de un neumático es relativamente sencillo. Mucho más difícil es entender por qué se ha producido una variación y qué consecuencias puede tener sobre el conjunto del coche.
Un aumento de temperatura, por ejemplo, puede deberse al funcionamiento de un componente, a la refrigeración, a la configuración aerodinámica, al tráfico que impide la entrada de aire limpio o a la forma en la que el piloto está utilizando el monoplaza. Los datos aislados tan solo señalan los síntomas. Es su correlación la que ayuda a investigar las causas.
Esta visión conjunta se aproxima al concepto de observabilidad empleado en sistemas informáticos e industriales. Frente a una monitorización centrada en indicadores separados, la observabilidad trata de reconstruir el estado interno de un sistema a partir de múltiples fuentes de información.
Aplicado a la Fórmula 1, permite relacionar datos procedentes del vehículo, el piloto y el entorno. Los modelos pueden advertir de un comportamiento fuera de lo habitual, pero corresponde a los ingenieros interpretar la señal, comprobar si tiene sentido físico y decidir cómo actuar.
Simular antes de fabricar
Pese a su espectacularidad, no es sin embargo el fin de semana de competición donde la IA resulta más relevante. Una gran parte de su impacto real se produce mucho antes de que el monoplaza llegue al circuito.
Diseñar una pieza aerodinámica exige estudiar cómo se comportará el aire alrededor del vehículo. Tradicionalmente, los equipos han combinado modelos matemáticos, dinámica de fluidos computacional y pruebas en el túnel de viento. Son procedimientos precisos, pero muy intensivos en recursos y tiempo, además de muy costosos.
En cambio, los modelos de aprendizaje automático pueden acelerar algunas fases de este proceso. A partir de simulaciones y resultados anteriores, permiten descartar configuraciones poco prometedoras, aproximar el comportamiento de determinadas soluciones y concentrar los cálculos más costosos en aquellas alternativas con mayor potencial.
Aunque no sustituyen a la física ni eliminan la necesidad de probar las piezas (se sigue necesitando poner en marcha espacios de simulación y validación experimental), permiten ampliar y acelerar el espacio de soluciones que los ingenieros pueden explorar.
Decidir bajo el peso de la incertidumbre
Una carrera de Fórmula 1 contiene numerosas variables que no pueden controlarse por completo: la degradación de los neumáticos, la meteorología, las decisiones de los rivales o la aparición de un coche de seguridad.
A la hora de diseñar su estrategia de carrera, los equipos actualmente utilizan modelos de IA para estimar cómo evolucionará cada escenario. Pueden calcular, por ejemplo, la duración probable de un compuesto, comparar distintas ventanas de parada o evaluar las consecuencias de entrar en boxes antes o después que un rival.
El aprendizaje automático permite ajustar algunas de estas predicciones a partir de datos históricos y de la información que llega durante la carrera, teniendo en cuenta sin embargo que sigue existiendo un importante nivel de incertidumbre.
La decisión final continúa dependiendo del equipo de estrategia. Sus integrantes deben valorar la predicción, interpretar la situación deportiva y reaccionar ante acontecimientos para los que quizá no exista un precedente comparable.
Anticipar fallos y mejorar la fiabilidad
Pero tal vez más importante, los mismos datos que permiten optimizar el rendimiento del vehículo, también sirven también para proteger el vehículo y al piloto.
El análisis continuo del monoplaza ayuda a detectar comportamientos que pueden preceder al deterioro de un componente. Un modelo entrenado con información histórica puede reconocer desviaciones respecto al funcionamiento esperado y emitir una alerta antes de que el problema resulte evidente.
Esto no significa que pueda predecirse cualquier avería. Los monoplazas funcionan cerca de sus límites físicos y un fallo puede aparecer sin señales suficientes. Aun así, la detección temprana permite reducir riesgos, modificar determinados parámetros o planificar una sustitución antes de la siguiente sesión.
Al mismo tiempo, la telemetría puede mostrar en qué punto comienza a perderse adherencia o cuánto tiempo se deja escapar en una curva. Por su parte, el piloto aporta una información diferente: cómo percibe el equilibrio del vehículo, qué comportamiento le impide ganar confianza o qué reacciones resultan imprevisibles desde el habitáculo.
Ambas fuentes de información se combinan en unos simulares que permiten trabajar esta relación antes de llegar al circuito. En ellos se ensayan configuraciones, trazadas y escenarios de carrera, combinando modelos virtuales del vehículo con la respuesta humana del piloto.
Una tecnología que necesita varias disciplinas
En definitiva, la Fórmula 1 es uno de los mayores escenarios de Inteligencia Artificial aplicada que podamos imaginar. Y es tan espectacular, porque no lo hace “en vacío”. Para que un modelo resulte útil necesita sensores capaces de medir correctamente, infraestructuras que transporten y almacenen la información, software fiable, conocimiento del sistema físico y profesionales que puedan validar los resultados. También requiere interfaces que presenten la información de forma comprensible cuando apenas hay unos segundos para decidir.
Por eso, la evolución de la Fórmula 1 no afecta únicamente a los especialistas en inteligencia artificial. Involucra a científicos de datos, desarrolladores de software, ingenieros, expertos en robótica, diseñadores de producto y profesionales capaces de conectar estas disciplinas.
Cuando los monoplazas recorran Madring, la diferencia entre ganar y perder seguirá midiéndose en décimas de segundo. Detrás de cada una de ellas habrá aerodinámica, mecánica y habilidad al volante, pero también datos, simulaciones y algoritmos.
