SAG Racing Team confía en el Machine Learning de Asseco Spain Group para mejorar el proceso de pruebas para el campeonato de Moto2

El trabajo de un ingeniero de datos de una escudería de Moto2 no es nada fácil. A pesar de que todos los equipos de esta categoría tan competitiva tienen mucha tecnología de su parte, una serie de factores dificulta enormemente su labor durante el campeonato. Cada circuito de Moto2, y de MotoGP, tiene sus propias características, y dependiendo de la temporada, puede haber hasta 30 diferentes escenarios en varios países. Eso, sin contar con las cambiantes condiciones ambientales a lo largo de la temporada. Y luego, cada una de las motos puede llegar a tener unos 200 parámetros de configuración. No es sencillo entonces llevar un registro de aquello que nos ayudó a ganar, o a remontar en una carrera. Y como es de esperar en estas competencias de velocidad, cada centésima de segundo cuenta: medio segundo puede ser la diferencia entre ser primero o ser el quinto.

Para complicar las cosas, tanto la carrera como los entrenamientos y la clasificación se rigen por un estricto protocolo. Generalmente las prácticas son los jueves y viernes, y las pruebas clasificatorias son el sábado. El día de la carrera, el domingo, solo hay un “warm up”, o tiempo de calentamiento antes del evento principal. La carrera, pactada a unas 20 o 22 vueltas, no permite más improvisación: no se permite ningún tipo de cambios en las motos una vez comienza. Es por ello fundamental entrenar exhaustivamente los días previos y comprobar todos los parámetros y configuración de las motos.

Durante la primera semana de mayo de este año, asistí con el equipo de Asseco Spain Group a unas prácticas privadas de la escudería Pertamina Mandalika SAG, en el circuito de Montmeló, Cataluña. A pesar de que el GP correspondiente a Cataluña se correría casi seis semanas después, los equipos nunca pierden la oportunidad de practicar y adelantar el trabajo. Varias escuderías se pusieron de acuerdo en esa fecha y alquilaron el circuito para estas prácticas privadas con dinero de su propio presupuesto. Eso dice mucho de la importancia de estas prácticas privadas, ya que el alquiler de los circuitos no es precisamente económico. Para mí fue una gran experiencia, primero porque el mundo del motociclismo es en sí un negocio fascinante, y segundo porque me dio la oportunidad de observar de primera mano como funciona “el negocio” de SAG. He sido consultor y asesor durante muchos años, y he aprendido que nunca puedes entregar verdadero valor a un cliente si no ves las cosas desde su punto de vista. Si no te pones en sus zapatos. Identificar cuál es el dolor que siente el cliente es vital para entregar algo de valor, bien sea una consultoría o un modelo analítico o predictivo.

Durante una conversación con Adrià Pérez, Chief Telemetric Engineer, y Data Engineer del piloto Gabri Rodrigo, aproveché para preguntarle “Adrià, ¿cuál es tu principal dolor (de cabeza)?”. Se lo pensó poco, y con un inmenso suspiro me dijo “Es que no podemos probar todo”. Es entendible que, con tantos parámetros que tiene las motos, y con tan poco tiempo que hay en las prácticas, siempre hay algo que se te queda en el cuaderno. Siempre hay algo que te deja esa sensación que te faltó probar un “setup”, o algo diferente a ver qué pasaba. Es una sensación que a veces no te deja dormir, sobre todo si no obtienes los resultados que quieres el domingo. En un mundo ideal, tendrías tiempo de probar cada configuración, incluso en diferentes condiciones ambientales, una o más veces hasta estar completamente seguro de haber obtenido su performance real. Pero como el tiempo de prácticas es finito, debes ir avanzando, probando dos o tres cosas diferentes, que eliges un poco basado en la experiencia y luego ir afinando de cara a las pruebas de calificación. Los cambios importantes se prueban al principio, y sobre los resultados van afinando los detalles. Las vueltas finales de las últimas prácticas del viernes apenas se deberían tocar las motos. Pero siempre quedan cosas en el cuaderno y esa sensación de si queda alguna otra cosa que se pudo haber mejorado.

Este escenario es por supuesto extremo y muy estresante, pero no se distancia mucho de otros casos similares, como puede ser el lanzamiento de un nuevo producto o una aplicación, o la batería de pruebas de calidad al final de la línea de producción. ¿Cómo puede ayudar la ciencia de datos en este escenario? Con la adecuada recolección de datos se puede construir un modelo de regresión que sirva de apoyo a las pruebas. En un modelo así, lo que se busca es calcular lo más preciso posible cómo contribuye cada parámetro al resultado final buscado. Se utilizan modelos de regresión lineal para construir una especie de fórmula, donde cada a variable se la acompaña de un coeficiente que modula su contribución. Una vez establecida esta fórmula, se puede entonces pronosticar el resultado de variar alguno de los componentes. Se puede decir por ejemplo que usando tal o cual relación de cremallera a piñón se puede ganar una o dos décimas en el resultado final. O se puede predecir que ajustar demasiado la suspensión delantera nos puede hacer perder tres décimas en cada vuelta. Usando un modelo de regresión lineal se podría verificar todas esas ideas que se quedaron en el cuaderno, y hacer más rápida y eficiente la toma de decisiones sobre la mecánica de la moto. Claro, lograr esto no es sencillo, ya que primero se debe crear un modelo de datos con las variables adecuadas, y como ya se dijo, una moto puede tener 200 parámetros a ajustar. A través de un análisis exploratorio debe desestimarse las variables que poco aportan al resultado final. Pero aún así, pueden quedar entre 80 y 120 variables independientes en el modelo. Contar con una suficiente cantidad de datos (y sobre todos buenos datos) resulta fundamental para construir la regresión, ya que muy pocos datos no podrán discriminar bien entre las variables. Para determinar que datos incluir en el modelo y cuales desestimar se debe trabajar estrechamente con el cliente, que aporta el know-how,

En Asseco Spain Group nos sentimos parte del equipo Pertamina Mandalika SAG desde que arrancamos este proyecto a principios de año. Trabajamos con ellos de forma remota, compartiendo los datos de cada Premio. Celebramos con cada triunfo y nos duele cuando las cosas no salen bien. Pero con el apoyo del Machine Learning estamos seguros que los triunfos del equipo se multiplicarán, así como la confianza depositada en nosotros y la satisfacción de ayudar a un cliente a alcanzar sus metas.

Carlos Alberto García

Data Scientist

Asseco Spain Group