Scuderia Ferrari HP werkt samen met Amazon Web Services (AWS) om het assemblageproces van Formule 1-powerunits te optimaliseren met behulp van data-analyse en machine learning. Door productiegegevens naar de cloud te migreren en een data lake op te zetten met Amazon Simple Storage Service (Amazon S3), kan het team gedetailleerde analyses uitvoeren en historische data correleren. Met de inzet van Amazon SageMaker AI is een geavanceerde verwerkingspipeline ontwikkeld, waardoor vier keer meer data verwerkt kan worden in minder dan de helft van de tijd in vergelijking met handmatige methodes.
Formule 1-teams opereren binnen strikte reglementen van de Fédération Internationale de l’Automobile (FIA), waarbij het gebruik van powerunit-componenten per seizoen is beperkt. Overschrijding van deze limieten resulteert in gridstraffen, wat teams ertoe dwingt hun motoren zorgvuldig te testen en strategisch in te zetten. Volgens Alessio Simi, Head Power Unit Assembly van Scuderia Ferrari HP, stelt de AWS-oplossing het team in staat om afwijkingen snel te identificeren en tijdig aanpassingen door te voeren.
Door machine learning in te zetten, kunnen potentiële problemen tijdens de productie worden opgespoord voordat componenten in gebruik worden genomen. Voorheen werd data handmatig geanalyseerd, een proces dat door de enorme hoeveelheid gegenereerde gegevens niet langer efficiënt was. Met behulp van Amazon QuickSight is nu een gecentraliseerd dashboard ontwikkeld waarmee ingenieurs assemblageprocessen in realtime kunnen monitoren en afwijkingen sneller kunnen detecteren. Dit verkort de tijd die nodig is om inzichten te verkrijgen en helpt onjuiste montages en materiaalverlies te voorkomen.
Daarnaast maakt de implementatie van Amazon Q in QuickSight het mogelijk om via natuurlijke taal dashboards te genereren en afwijkingen te identificeren, wat continu onderhoud en evaluatie ondersteunt. De verzamelde test- en simulatiegegevens bieden het team waardevolle inzichten voor toekomstige ontwikkelingen van powerunits. Hoewel reglementen grote upgrades tijdens het raceseizoen beperken, zorgt de nieuwe data-architectuur voor een fundament waarop verdere innovaties kunnen worden gebaseerd.
