為什麼 F1 選擇 AWS

我們需要一間技術供應商來協助我們加速創新，並將我們的組織推向未來，而 AWS 是建立合作的明確之選。透過利用 AWS 及其創新雲端技術的廣度和深度，我們能夠讓車迷更接近賽道上的瞬間決策，重新設計我們的未來 F1 賽車，協助我們更好地了解大量 F1 資料，以及執行分析和機器學習來利用資料的力量，等等。我們為所取得的驕人成績感到高興，能夠攜手實現更多精彩更讓我們激動不已。

F1 賽車運動總經理 Ross Brawn

我們需要一間技術供應商來協助我們加速創新，並將我們的組織推向未來，而 AWS 是建立合作的明確之選。透過利用 AWS 及其創新雲端技術的廣度和深度，我們能夠讓車迷更接近賽道上的瞬間決策，重新設計我們的未來 F1 賽車，協助我們更好地了解大量 F1 資料，以及執行分析和機器學習來利用資料的力量，等等。我們為所取得的驕人成績感到高興，能夠攜手實現更多精彩更讓我們激動不已。

F1 賽車運動總經理 Ross Brawn

車手的最高時速達到 230 mph，在不到兩秒的時間內進站，並憑藉 5G 的力量在彎道上飛馳，FORMULA 1 (F1) 需要像其運動一樣快的技術供應商。F1 是世界最佳車手之間的角逐，但也是全球最具創新力的工程師之間的較量。藉助 AWS，F1 正在利用機器學習 (ML) 模型和高效能運算 (HPC) 等創新技術對這項運動進行數位化變革。

運作方式︰

讓運動改頭換面

AWS 最廣泛和最深入的功能，以及無與倫比的創新步伐正在變革 F1 收集、分析和利用資料和內容來制定決策的方式。每輛 F1 賽車上裝有 300 個感應器，每秒可產生超過 110 萬個資料點，而這些資料將從賽車傳送至維修區，因此 F1 堪稱一項真正的資料驅動型運動。

促進賽道
及時回應

F1 和 AWS 致力於使用資料來改善車輛和車手的表現。透過使用 AWS 高效能運算，F1 能夠執行空氣動力學模擬，以提升 70% 的空前速度開發其新一代賽車，並將下壓力損失從 50% 降低至 15%。這種顯著的降低為追逐的車手提供了更多的超車機會，從而為車迷提供更多兩車並排動作。新一代賽車將於 2022 年賽季推出。此外，F1 在其模擬過程中還在探索機器學習的運用，從而為組織提供新的洞見，並透過 5,000 多次單賽車和多賽車模擬，收集超過 5.5 億個資料點。 

吸引並
取悅車迷

在週末的比賽中，車迷的體驗煥然一新。憑藉 AWS，F1 能夠透過其 F1 Insights 將透過賽車和賽道旁傳輸的數以百萬計的資料點，轉換為引人入勝的車迷體驗。F1 使用存放在 Amazon S3 上的 70 年曆史比賽資料，透過複雜的模型進行分析並與車迷分享，以豐富的資料洞見來揭示瞬間決策的細微差別，並透過這些進階統計資料來突出各種表現。

吸引球迷

採用 AWS 技術的 F1 Insights 可以讓每次比賽之前、期間和之後的球迷體驗改頭換面。透過使用不同的資料點來告知每個洞見，F1 讓車迷能夠了解車手如何瞬間做出決定，以及車隊如何即時設計和實作能夠影響比賽結果的比賽策略。以下是一些有關如何將其組合在一起的範例。

點按下面的內容以展開

透過使用計時資料，F1 能夠建立直觀的洞見，讓車迷能夠客觀地分析各個團隊和車手的表現、策略和戰術，這些都會影響整個比賽的結果。

  • 透過追蹤歷史記錄和預計的車手速度，Battle Forecast 將預測追逐的賽車在前方賽車的「致命距離」以內之前有多少圈。

  • 停站策略之戰圖形為車迷提供更多有關如何即時評估每個車手策略成功程度的見解。車迷將能夠追尋策略的細微變化，並查看對最終結果的影響。

  • 根據輪胎混合料、圈速和賽車分佈估算出的停站時段。觀眾將看到比賽如何因比賽動態 (包括其他車隊的比賽策略、安全車和黃旗) 而改變。 

  • 歷史資料用於計算編隊圈的比賽策略，比較預測的輪胎和比賽策略。這種洞見讓觀眾可以看到車手何時應策略性地進行下一個停站。

資料分析讓 F1 能夠在任何相關參數上比較指定賽車、車隊和車手的表現，並對其進行直觀排名，以指導車迷。 

  • 這些洞見顯示了車隊如何開發其賽車，所開發的賽車速度如何，以及整個賽季的比賽結果。無論是在賽季期間還是年度賽，開發比賽都是 F1 團隊的主要 KPI，這為 F1 的內部運作以及各個團隊在這一方面的表現提供了獨特的洞見。

    進一步了解 ›

  • 此洞見將個別賽車性能隔離開來，並讓車迷將其性能與不同賽車的性能進行正面較量，從而對影響賽車性能的各個組成部分作比較，即轉彎性能、直線性能以及賽車的平衡性或操控性。

    進一步了解 ›

  • 車手表現突出顯示與隊友和競爭對手相比，哪些車手將他們的汽車推向了性能的絕對極限。計算汽車輪胎在一圈中產生的力，並將其與汽車的最大能力進行比較，這將顯示車手發揮了汽車的多少潛在效能。將顯示三個參數，以突顯車手表現的三個關鍵方面，這會對終極目標產生重大影響- 單圈時間：加速、制動、彎道。

    進一步了解 ›

  • 透過分析有關賽車、輪胎、交通、燃油等方面影響的大量資料，根據最重要的駕駛技能子集來細分車手的表現，以及針對七個關鍵指標 – 排位賽速度、比賽開始、比賽第 1 圈、比賽速度、輪胎管理、車手停站技能和超車，提供每個車手在整個賽季的表現得分輸出。這些指標使用 0 到 10 的範圍進行標準化，以提供「得分」式指標，並為觀眾、車迷和團隊提供洞見，以了解某個車手的優缺點，以及與該領域其他車手相比較的表現。

    進一步了解 ›

  • 這歷來是具有主觀性的環節，這項採用 AWS 技術的 F1 洞見利用機器學習和分析方法，結合練習賽資料和週六日比賽車隊表現的歷史資料。

    進一步了解 ›

  • 讓車迷詳細了解每位車手如何在開始或啟動階段充分利用 (或未充分利用！) 效能。

    進一步了解 ›

F1 密切關注空氣動力學、輪胎性能、動力單元、車輛動力學和車輛最佳化，以提供協助車迷解讀整體賽車性能的洞見。

  • 煞車表現顯示車手在轉彎操縱時的煞車風格可以提供從彎道出來的優勢。這透過測量車手在煞車之前接近彎道頂點的程度，比較車手的煞車風格和表現，並顯示賽車和車手在轉彎時的共同表現，如接近時的最高速度、煞車時的降速、使用的煞車功率以及車手在轉彎時承受的巨大重力。

    進一步了解 ›

  • F1 賽車性能最重要的方面，這可以提供好的賽車與卓越賽車相比較的洞見。這細分為四個主要部分 – 制動、轉彎、中彎和出口，透過賽車遙測資料來分析與比較彎道主要部分的性能。

    進一步了解 ›

  • 彎道分析是由特定 (關鍵) 彎道附近的最佳制動和加速點確定的，彎道是每個車手獲得最大收益的區域。此洞見讓觀眾對單圈時間的損失和收益有更深入的了解，並在賽車之間作比較。

  • 利用賽車資料，即賽車速度、縱向和橫向加速度以及陀螺儀，我們能夠估算出滑移角，然後得出每輛賽車的車輛平衡模型。這可得出輪胎磨損能量的輸出。(注意：輪胎磨損能量不是物理上的輪胎磨損，而是輪胎接觸面在路面上滑動的能量傳遞。) 該輸出為我們提供了每個拐角處的輪胎性能，指示相對於輪胎最終性能壽命使用了多少輪胎。

Fastest Driver

藉助 AWS 機器學習技術，此洞見透過從方程式中移除 F1 賽車差速器來確定老掉牙的問題：誰是最快的車手，從而提供從 1983 年至今所有 F1 車手的客觀、以資料驅動的排名。 F1 和 Amazon Machine Learning (ML) 解決方案實驗室的資料科學家在歷史上首次創建了跨時代、客觀、複雜、資料驅動的車手速度排名。

閱讀部落格 ›

從資料開始

每一輛 F1 賽車大獎賽期間均包含 300 萬個感應器，它們每秒產生 110 萬個遙測資料點，將資料從賽車傳輸至維修站。將這一即時資料與儲存在 Amazon S3 上的 70 多年歷史比賽資料相結合，以擷取豐富的洞見，從而通知、指導車迷和豐富其觀賽體驗，並為他們帶來更多關於選擇可在賽車上表現出色的比賽策略洞見。

讓車迷體驗引入入勝之感

透過收集歷史資料並將其用於教授 Amazon SageMaker 複雜的機器學習演算法，F1 可預測比賽策略的結果，從而提高團隊、賽車和車手的準確性。隨著 GRAND PRIX 大獎賽的開展，這些模型能夠使用重新整理的即時資料來預測未來的情況，以提供豐富而引人入勝的車迷體驗。

整合了 F1 資料的機器學習

部落格

加速車迷體驗

想要看看幕後情況，了解如何完成？ 了解 AWS 和 F1 如何使用透過 Amazon SageMaker 建置的機器學習演算法，來提供新的洞見並增加賽道上的行動，以及 F1 如何使用 AWS 來設計下一輛賽車。

閱讀其他資訊 >

支援 F1 INSIGHTS 的
F1 洞察

API Gateway
Amazon SageMaker
AWS Lambda
Amazon DynamoDB

專業服務入門

F1 一直致力於與專業服務團隊和 Amazon ML Solutions Lab 團隊攜手創新，透過對使用案例進行原型設計和開發新的概念驗證來加速 F1 Insights 的開發。ProServ 團隊則協助 F1將模型投入生產，並整合至 F1 基礎架構中。

開始使用