AWS 딥레이서 사전 경험이없는 개발자가 기계 학습 (ML)을 시작할 수있는 재미 있고 쉬운 방법입니다. 2019 시즌 말에 AWS DeepRacer League는 Amazon ML Solutions Lab에 참여하여 re : Invent 2019에서 AWS DeepRacer Championship Cup을위한 새로운 스포츠 분석 기능을 개발했습니다.
이러한 실시간 분석의 목적은 최고의 경쟁사의 전략과 전술에 대한 컨텍스트와보다 심도있는 경험을 제공하는 것이 었습니다. 이를 통해 시청자들은 특정 모델 전략이 어떻게 트랙 내 성능으로 변환되는지 ML 유형을 해석하고 실제 응용 프로그램을 시연했습니다. 이 향상된 기능을 통해 팬은 전 세계 경쟁 업체의 성능과 운전 스타일을 모니터링 할 수있었습니다.
이 게시물에서는 이러한 분석을 개발하고 프로덕션에 배포 한 후 팬에게 전달하는 방법을 공유합니다.
ML 및 기존 통계의 통찰력 사용
모터 스포츠에 대한 전문 지식을 바탕으로 ML Solutions Lab은 ML 및 클래식 통계를 기반으로하는 맞춤형 분석 제품군을 구축했습니다.
경쟁사의 추진력은 미래의 성과를 나타내는 중요한 지표입니다. 예를 들어, 열연을하면 한 번에 빠른 랩을 기록 할 때 자신감이 높아질 수 있습니다. 그러나 차가운 줄무늬는 그 반대 일 수 있으며 트랙에 머무르는 것을 어렵게 만듭니다. 우리는 경쟁 업체의 다음 랩 타임을 예측하여이 트렌드를 팬들에게 전달했습니다. AutoML을 사용하여 다양한 예측 방법 그룹을 비교 한 후 아마존 예측, 우리는 지수 평활 (ETS) 알고리즘은 사용 가능한 작은 데이터 세트에도 불구하고 정확한 예측을 생성했습니다.
랩 타임 일관성과 같은 메트릭스로 인해 팬들은 64 개 경쟁 업체의 챔피언십 컵 개장일 동안 다양한 운전 스타일을 해석 할 수 있었지만, XNUMX 일째의 브라켓 경기에서 어떤 스타일이 우세할지는 불분명했습니다. 일관되고 수술 적으로 정확한 Fumiaki 스타일이 Sola의 공격적인 브레이크 페이스를 극복할까요?
시뮬레이션 된 레이스를 사용하여 각 매치업의 승자를 예측하고 팬이 와이어로 내려갈 레이스를 예측하는 데 도움을 줄 수 있습니다. 우리는 통계적 접근법을 취하여 확률 분포를 사용하여 각 경쟁자의 랩 타임을 모델링했습니다. 2019 AWS DeepRacer Summits의 데이터를 참조하여 특정 경쟁사에 대한 랩 타임의 분포가 일반적으로 오른쪽에 있으며 시간이 지남에 따라 개선되었음을 발견했습니다. 랩 타임에서이 비대칭을 포착하기 위해 와 이블 분포 최대 가능성 추정을 사용하여 최적의 스케일 및 시프트 매개 변수를 찾습니다.
다음 그래프는 상위 XNUMX 개 경쟁 업체의 랩 타임 분포를 보여줍니다.
우리는 승자 예측 문제를 더 나은 경쟁자의 가장 빠른 시간을 이길 가능성으로 재구성했습니다. 꼬리 확률)와 Monte Carlo 시뮬레이션을 사용하여 각 경쟁 업체의 Weibull 분포를 샘플링하고이 가능성을 계산했습니다.
서버리스 아키텍처로 솔루션 배포
이러한 통찰력을 실시간으로 계산하기 위해 분석 제품군을 AWS의 저 지연 서버리스 아키텍처에 배포했습니다. 다음 다이어그램은이 아키텍처를 보여줍니다.
아키텍처에는 다음 단계가 포함됩니다.
- 경쟁자가 랩을 완료하면 시간이 아마존 관계형 데이터베이스 서비스 (RDS) 클러스터 실행 아마존 오로라 서버리스. RDS를 데이터 저장소로 사용함으로써 전체 분석 제품군을 가볍고 상태 비 저장 모음으로 구현할 수있었습니다. AWS 람다
- 우리는 통찰력을 MGM 가든 아레나의 해설과 동적으로 통합 할 수 있도록 알림을 트리거하는 인터페이스를 노출했습니다.
- 트리거 된 Lambda 함수는 RDS를 쿼리하여 기록 데이터를 수집하고이를 사용하여 분석을 계산합니다.
- Lambda 함수는 웹 후크를 사용하여 통찰력을 아마존 차임인스턴트 메시징을 지원하는 비즈니스 회의 도구입니다.
- 소셜 미디어, AWS DeepRacer TV 및 프로덕션 팀의 다양한 이해 관계자 그룹이 Amazon Chime이 설치된 태블릿을 사용하여 분석 피드를 조정할 수 있습니다.
서버리스로 전환함으로써 우리 팀은 프로덕션 시스템에 필요한 확장 성과 내결함성을 가지면서 빠르게 반복 할 수있었습니다. 3 명의 팀이이 아키텍처를 XNUMX 주 안에 구축했습니다. 유휴 리소스에 대한 비용이 발생하지 않기 때문에 아키텍처를 실행하는 데 비용이 매우 효율적이었습니다. 챔피언십 컵 이후, 우리는 서버를 끄지 않았습니다!
실시간 분석 사용
마지막으로 통찰력을 챔피언십 컵 프로그래밍에 통합하기 위해 우리는 해설자와 협력하여 적시에 분석을 제공했습니다. 프로덕션 팀에서 제공 한 라이브 오디오가 포함 된 헤드셋을 사용하여 다음과 같이 해설자의 특정 신호를 청취했습니다.
- 특정 경쟁사 인터뷰
- 선수가 랩을 시작하거나 마무리하고 있음
- 새로운 세계 기록을 설정하거나 두 명의 밀접하게 일치하는 경쟁 업체와 대결하는 등 주요 이벤트에 주목
2020 년 더 지켜봐주세요
우리의 분석은 Championship Cup 동안 팬들에게 향상된 경험을 제공했습니다. 그러나 아직 끝나지 않았습니다. re : Invent 2019 과정에서 12,000 명이 넘는 경쟁사에서 500 회 이상의 랩 타임을 기록했습니다. AWS DeepRacer가 새로운 자동차와 새로운 경쟁 형식을 출시함에 따라이 데이터는 2020 년에 더욱 고급 분석 기능을 강화할 것입니다.
이 놀라운 기회에 대해 AWS DeepRacer 팀과이를 실현하기 위해 우리와 협력 해 주신 프로덕션, 소셜 미디어 및 해설 팀에 큰 감사를드립니다! 제품 및 프로세스에서 ML 사용을 가속화하는 데 도움이 필요하면 ML 솔루션 연구소.
AWS DeepRacer에서 머신 러닝 여행을 시작하십시오. www.awsdeepracerleague.com.
저자에 관하여
Ryan Cheng은 Amazon ML Solutions Lab의 딥 러닝 아키텍트입니다. 그는 스포츠 분석에서 광학 문자 인식에 이르기까지 광범위한 ML 사용 사례를 연구했습니다. 여가 시간에 Ryan은 요리를 즐깁니다.
Delger Enkhbayar는 Amazon ML Solutions Lab의 데이터 과학자입니다. 그녀는 스포츠 분석, 공공 부문 및 의료 분야에서 광범위한 딥 러닝 사용 사례를 연구했습니다. 그녀의 배경은 메커니즘 설계와 계량 경제학입니다.
Saman Sarraf는 AWS Machine Learning Solutions Lab의 데이터 과학자입니다. 그의 배경은 딥 러닝, 컴퓨터 비전 및 시계열 데이터 예측을 포함한 응용 기계 학습에 있습니다.
