阿斯顿·马丁F1车队揭秘:数字与人力技能融合成取胜关键!

【阿斯顿·马丁阿美一级方程式车队:F1成功秘诀】

F1的成功离不开数字技能与人力技能的结合。经验丰富的专业人士必须引领对AI的探索,人工技艺能从智能代理服务中挖掘价值。

在赛道胜负取决于毫厘之间的F1赛事中,场外专业人员凭借数据快速决策,常是决定比赛胜负的关键因素。在AI时代,人类专业知识的重要性愈发凸显。尽管许多行业观察家担忧生成式和智能代理技术对传统劳动力市场的长期影响,但在赛车领域,经验丰富的专业人员比以往更重要。此外,有40%的企业将淘汰AI代理,以下三种方法可确保你的AI代理不会失败。

随着IT公司推出新的系统和服务,才华横溢且经验丰富的IT和工程专业人员发挥着至关重要的作用。他们借助场外合作伙伴的创新成果,为赛道上难以解决的问题开发基于数据的解决方案。简而言之,在赛车领域,人类始终处于核心地位。

阿斯顿·马丁阿美F1车队的首席信息官法布里齐奥·皮洛蒂(Fabrizio Pilotti)向ZDNet解释了他的团队如何与技术合作伙伴合作以提升赛车性能:“如果有好的想法,就尽快推进整个流程,然后收集所有数据用于下一次迭代。这就是取胜之道,也是我们关注的重点。”此外,开放权重与封闭权重之争:一场AI内战正在酝酿,其影响关乎生存。

皮洛蒂、他的团队以及技术合作伙伴正在经历的数字化转型表明,在AI时代,人类的经验将变得无比珍贵。

【以人为本】

在最近英国大奖赛前夕,ZDNet参观了阿斯顿·马丁F1车队位于银石赛道附近的总部,亲眼目睹了该团队的创新协作模式。在参观AMR技术园区时,看到幕后的专业人员正在对赛车进行数字化和手工的精细调校。其中包括世界知名的空气动力学家、阿斯顿·马丁F1车队的技术主管阿德里安·纽维(Adrian Newey),他正在办公室里亲手绘制新的设计图。

皮洛蒂表示,手工技艺在F1赛事中起着至关重要的作用。在追求微小优势的领域,像纽维这样的专业人才进行的细微、定制化的改进可能会产生巨大的影响。实际上,皮洛蒂说一些新加入F1行业的人常常会对自己的发现感到惊讶:“他们看到团队内部的实际情况后会说,‘这和我想象的不一样,这里涉及更多精细的手工技艺’。”

他将F1车队中的IT部门描述为提升性能的关键职能部门。该部门的职责是提供强大的数据和数字基础,帮助团队成员充分发挥他们的能力。“IT就是为人们提供合适的工具,”他说,“我们的工作并非直接关乎赛车的性能,而是提升工程师的操作能力。这通过更好地管理故障以及让他们更好地了解赛车性能来持续实现。”

【探索智能代理技术】

目前,阿斯顿·马丁F1车队IT部门的重点项目包括优化企业应用程序和开发赛道边系统。AI代理正在被策略性地应用于软件开发过程,团队也在探索如何利用AI改进优化,包括在企业资源规划(ERP)系统中。

皮洛蒂表示,重点在于进行细微、持续的变革,数字化转型要围绕团队中经验丰富的专业人员的需求展开。他解释了在智能代理时代,数据驱动的变革对他的F1车队意味着什么。“最终目标是让终端用户无需与IT部门交互就能使用数据,实现无缝对接,”他说,“例如,他们在设计尾翼时所需的任何资源,都能以他们需要的格式和精度立即获取,而无需等待三个月来部署新系统。未来在于模块化的灵活性,这样基础设施就能适应团队的数据需求。”

在阿斯顿·马丁技术论坛上,这一观点得到了呼应。该论坛与园区参观活动同期举行,车队合作伙伴的高管们参加了小组讨论和圆桌会议,探讨赛车领域的数字化转型。AI专家Cohere公司英国及北欧地区负责人瑞安·刘易斯(Ryan Lewis)解释了他们公司如何与阿斯顿·马丁F1车队合作,探索自主AI模型和代理如何从遥测、诊断和模拟数据中及时提取有价值的信息。他描述了几年后这一过程可能的运作方式。“这关乎赋予人们权力,”他说,“我们希望让人们能够自动化那些阻碍他们做出决策的繁琐事务。”

皮洛蒂告诉ZDNet,像Cohere这样的技术合作伙伴将在帮助他的团队探索智能代理AI的下一阶段发挥关键作用。在这个阶段,团队将使用适合特定用例的模型,这些模型在防火墙内运行,并控制令牌的使用。刘易斯在论坛上向听众介绍了Cohere如何旨在在像F1这样的敏感工作环境中有效且安全地实施新兴技术。“当你有一些数据需要妥善保管时,人们因为担心商业机密泄露而不敢将这些信息放入模型或系统中,而通过在基础设施内进行技术部署,将所有数据整合在一起以产生结果,就能解决这个问题。”

【从AI中挖掘价值】

然而,尽管技术合作伙伴是提升F1赛车性能的关键因素,但他们远非成功的唯一要素。事实上,在技术飞速发展的时代,阿斯顿·马丁F1车队的商业技术大使埃里克·恩斯特(Eric Ernst)在论坛上告诉与会者,可靠的内部专业知识更为关键。“有了AI,我们不能将经验外包,”他说,“经验仍然掌握在团队手中,但AI让我们的员工在认知能力上更上一层楼,能够完成比现在更多的工作。”此外,如何战胜AI算法,获得理想工作。

赛车领域的竞争优势来自于一个紧密协作的生态系统,值得信赖的合作伙伴共同努力解决F1工程师发现的问题。“这关乎释放智慧,利用每个合作伙伴的力量,不是为了适应未来,而是为了塑造未来——应对复杂的挑战,并在每一层级和每一行代码中提供清晰的思路和前进的动力。”他说。

恩斯特表示,这种关系在赛车团队探索新兴技术进步的过程中显而易见。F1组织长期以来一直使用机器学习技术来分析赛车数据,以识别性能信号。生成式和智能代理AI的结合为主动开展工作和及时制定应对挑战场景的战略提供了新的机会。然而,恩斯特表示,即使在AI时代,处于核心地位的人类——拥有多年知识的F1工程师,才是将技术创新的数据转化为提升性能优势的关键。“工程师能够说,‘好吧,我有三个选择,根据我的经验,我们应该选择这个选项’,”他说,“正是这种经验对于从AI中挖掘价值至关重要。”

【其他AI相关内容】

- 美国员工是全球最大的AI怀疑者,原因不止于失业。

- 因为不信任ChatGPT会修改我的文件,我用它构建了一个免费的PDF编辑器,效果很棒。

- 如何审核ChatGPT对你的了解,并重新掌控你的数据隐私。

- 我尝试了Google Drive的新AI清理工具来整理14年的存储杂乱,以下是结果。

内容概要:本文提出一种面向高柔性柔性作业车间的混合调度优化算法——元胞邻域遗传-随机重启爬山混合调度优化算法,该算法深度融合元胞自动机的局部搜索机制遗传算法的全局寻优能力,并创新性地引入随机重启爬山策略以增强跳出局部最优的能力,从而有效应对高柔性车间环境中工序灵活、设备多样、约束复杂的调度挑战;通过构建精细化的数学模型,算法在满足工艺顺序、资源能力等多重约束的前提下,以最小化最大完工时间等为目标,显著提升了调度方案的质量求解效率,相关方法已通过Matlab编程实现,支持仿真实验性能验证,为复杂制造系统的智能调度提供了理论支撑技术路径; 适合人群:具备一定编程基础,熟悉Matlab工具,从事智能制造、工业工程、自动化或运筹优化方向的研究生、科研人员及工程技术人员; 使用场景及目标:① 解决高柔性作业车间中的复杂任务调度问题;② 提升多工序、多设备、多约束条件下生产调度的优化性能;③ 为智能优化算法在工业场景中的融合应用提供参考案例代码实现基础; 阅读建议:建议读者结合文中提到的智能优化算法背景知识进行系统学习,重点关注元胞邻域结构设计遗传算法的融合机制,动手运行并调试提供的Matlab代码,通过仿真实验加深对算法收敛性调度效果的理解。
内容概要:本文系统阐述了基于CNN-SVM的混合数据分类预测方法在故障识别领域的应用,重点介绍如何将卷积神经网络(CNN)支持向量机(SVM)相结合,以提升工业系统中故障分类的准确性鲁棒性。该方法首先利用CNN强大的自动特征提取能力对原始高维、非平稳信号数据进行深层抽象,获取具有判别性的高级特征表示,随后将这些特征输入至SVM分类器中,充分发挥SVM在小样本、非线性分类任务中的泛化优势,从而构建出兼具深度学习强表达能力传统机器学习高分类精度的融合模型。研究通过Matlab平台实现了完整的算法流程,涵盖数据预处理、CNN结构设计、特征提取、SVM训练参数优化、模型评估等环节,并结合实际工业故障数据集进行了仿真实验,验证了该混合模型相较于单一模型在分类精度、稳定性及抗噪能力方面的显著提升。; 适合人群:具备一定机器学习理论基础和Matlab编程能力,从事电气工程、自动化控制、智能制造、设备状态监测等相关领域研究的研究生、工程师及科研人员,尤其适合致力于故障诊断、智能预测工业大数据分析的技术从业者。; 使用场景及目标:①应用于旋转机械(如电机、轴承)、电力电子设备、传动系统等工业装备的多类别故障识别状态分类;②解决传统诊断方法在复杂工况下特征提取困难、分类性能不稳定的问题,提高早期微弱故障的检出率;③为相关科研项目提供可复现的算法框架代码实例,支撑高水平论文撰写工程原型开发。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解CNN特征提取层(如卷积核设计、池化操作)SVM分类器(如核函数选择、惩罚系数调优)之间的协同机制,重点关注模型超参数调优策略交叉验证方法,进而可将该混合架构迁移至其他分类任务中,探索其在不同数据场景下的适用性优化空间。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值