A moins d’être immergé dans le domaine de l’informatique ou tout simplement au fait des dernières tendances, le domaine du Big Data devrait être aussi compréhensible pour vous, que la notion de train à pivots découplés pour un développeur.

Afin de pouvoir vous situer le contexte, sachez que le Big Data est un concept permettant de stocker un nombre indicible d’informations sur une base numérique.

Les finalités sont assez variées et sauront permettre d’identifier des points faibles aussi bien dans votre modèle économique, dans les performances de votre site… ou tout simplement celles de votre prototype.

Le Big Data est utilisé dans le domaine automobile, depuis plusieurs années, et aujourd’hui, bien loin des véhicules de série, c’est dans le domaine de la F1 sur lequel nous penchons.

Explications sur son fonctionnement, avec Matt Harris, à la tête du département informatique chez Mercedes AMG Petronas.

Matt Harris

Matt HARRIS – Head of IT chez Mercedes AMG Petronas

Quel est le rôle du Big Data chez Mercedes AMG Petronas ?

Depuis de nombreuses années, c’est la donnée qui a piloté nos choix dans la conception de la voiture et l’optimisation des performances.

Le conducteur nous remonte certes des explications par rapports à son ressenti sur le comportement de la voiture ainsi que la vitesse perçue, mais nous avons toujours complété ces informations avec les données.

Mercedes AMG Petronas

Image source : mercedesamgf1.com

Par exemple, s’il nous dit qu’il perd du grip dans un virage, nous utilisons toujours les datas afin de pouvoir trouver l’explication. Puis, nous nous tournons vers les ingénieurs pour améliorer ce qui faisait défaut.

Afin d’être en mesure de tout tracer, nous avons équipé la voiture de 300 capteurs. Chacun d’entre eux va enregistrer plusieurs types de données en même temps, donnant un total potentiel de 20 000 types qu’il nous faut traiter à chaque tour. Malheureusement, le volume de données que nous pouvons produire et garder – aujourd’hui – est limité par la technologie embarquée dans la voiture.

Quel est l’impact de cette limitation et comment arrivez-vous à la contourner ?

L’unité de contrôle électronique a une limitation de mémoire. Ce dernier étant soumis à régulation, il se doit d’être standardisé et ne peut donc être amélioré afin d’éviter toute triche.

Malgré ces limitations, nous sommes plus précis dans nos prévisions ainsi que sur les données, en nous imposant d’aller chercher la plus petite parcelle d’informations qui puisse nous servir, parmi celles que nous récupérons.

Le meilleur exemple reste la dynamique computationnelle des fluides – sorte de soufflerie numérique. Nous sommes limités dans le nombres de processeurs à utiliser et cela nous oblige à devoir optimiser ceux-ci au maximum, à tel point que nous utilisons des processeurs dotés d’une technologie datant d’il y a 10 ans.

Image source : f1technical.net

Au final, ceux-ci sont plus efficaces – néanmoins pas plus rapide – que ceux d’aujourd’hui. Le tout est de trouver le bon compromis entre le volume de données et le temps de traitement alloué.

La complexité de nos données s’en trouve ensuite démultipliée, car nous en récupérons à chaque étape du développement de la voiture, que ça soit via les tests sur bancs d’essais, le simulateur en boucle, la soufflerie ou encore la simulation sur circuit numérique puis le roulage en conditions réelles.

Image source : mercedesamgf1.com

Notre défi est de s’assurer que toutes les données issues de ces tests vont nous dire exactement la même chose. S’il y a une différence, le challenge sera alors de trouver la source d’informations qui aura raison et celles qui auront tort.

Cela est d’autant plus difficile étant donné que nous ne pouvons tester la voiture que pendant 2 semaines en début de saison et seulement le vendredi lorsqu’il va y avoir une course, sauf que nous devons préparer la voiture sur cette période.

La partie F1 peut-elle être considéré comme un laboratoire, pour la partie véhicules de série ?

Pendant longtemps, la corrélation entre F1 / voitures de courses et véhicules de série était faite avec les disques de frein, boîtes de vitesses à double embrayage…

Aujourd’hui, ils apprennent de nos technologies comme de nos processus. En F1, nous effectuons des itérations – cycle de développement – chaque semaine mais côté véhicules de série, les équipes commencent seulement à être Agile – méthode de travail qui repose sur la collaboration, l’autonomie et des équipes pluridisciplinaires – sur leurs développements, notamment sur les versions des logiciels embarqués.

Image source : blog.esker.com

Le plus dur dans tout cela est de trouver l’équilibre entre fournir un livrable rapidement tout en conservant un niveau de qualité irréprochable, que ça soit pour un produit matériel comme logiciel.

Il est toutefois possible d’aller encore plus loin, grâce à l’aide de nouvelles technologies telles que l’I.A et le Machine Learning – la machine qui apprend par elle-même après avoir été éduquée.

Pourquoi ? Tout simplement car nous ne pensons pas comme une machine et ne pouvons – de ce fait – voir aussi bien qu’elles certains détails.

Ce sujet recoupe d’ailleurs ce que nous faisons avec TIBCO, notamment via leur outil SPOTFIRE. L’idée est de créer un modèle qui permettra à cet outil d’analyser nos données en tâche de fond afin de trouver des éléments à améliorer, lors de rapports automatisés. Cela évite de laisser un humain effectuer ce genre de recherche, car je veux avant tout rendre le travail de mes collaborateur, palpitant.

Quelles sont les limites du Big Data dans votre domaine, aujourd’hui ?

Aujourd’hui, nous nous devons de nous améliorer sur l’association de toutes les données collectées avec la configuration de la voiture testée. Reste que le plus dur est d’arriver à rassembler puis structurer un important volume de données, qui ne le sont pas car elles peuvent prendre la forme d’un fichier Word, Excel ou encore d’un email : si on ne peut faire le lien, on ne peut en tirer aucun bénéfice…

En temps normal, vous avez une personne qui est dédiée à cela. Malheureusement, nous n’avons que quelques secondes dans le cadre d’une course et seulement quelques minutes lorsque cette dernière revient au garage. Durant ce court instant, nous devons récupérer et analyser toutes les données, prendre des décisions avant de procéder aux ajustements nécessaire avec les ingénieurs.

Image source : mercedesamgf1.com

La difficulté réside dans la description des données, tant que nous ne les avons pas analysés. D’ailleurs, a-t-on pensé à noter les conditions météo, la température de la piste, au moment où une configuration spécifique du véhicule était en train de rouler? (Sourire de Matt) Vous comprenez maintenant la complexité ?

Nos plus vifs remerciements à Matt Harris ainsi qu’à Sébastien et au staff de Mercedes AMG Petronas.

Interview et crédit photos : Fabien LEGRAND


Commentaires

Plus d'articles