Ekipa Emirates Team New Zealand (ETNZ) odlučila je da se u obrani naslova ovogodišnjeg America's Cupa koriste uslugama novog člana posade. Riječ o "AI botu" - modulu umjetne inteligencije, kojeg im je izradila tvrtka McKinsey.

America's Cup, najstarija sportska nagrada na svijetu, najpoželjniji je jedriličarski trofej ikada. Kad je početkom ožujka počelo 36. izdanje, branitelj naslova, Emirates Team New Zealand, izašao je na regatno polje uz pomoć novog i totalno neuobičajenog člana posade, bio je to "AI bot", modul umjetne inteligencije, kojeg je kreirao McKinsey.
Osvajanje America's Cupa uvijek je jednako bilo vezano uz inovativne tehnologije koliko i uz samo jedrenje. Dizajn jedrilica definiran je pravilima klase, a pravila su toliko precizna da ostavljaju vrlo malo prostora za neke posebne detalje u dizajnu koji bi jednom timu dali prednost u odnosu na druge. Ako se takve prilike uspješno iskoriste, rezultat može biti izvrsna izvedba ne regatnom polju.

Pravila klase za ovogodišnje izdanje America's Cupa, izdana u ožujku 2018. godine, zahtijevaju da se jedri na plovilima duljine 75 stopa. Posebnost ovih jedrilica su hidrokrila koji podižu cijeli trup iznad vodene površine omogućavajući im na taj način dosezanje brzina od 60 čvorova, odnosno stotinjak km/h.
Ono što je najvažnije u svemu je što su hidrokrila dijelovi dizajna na kojima pravila klase dozvoljavaju razlike u dizajnu, a to pruža ostvarivanje ogromnih prednosti timovima koji te promjene naprave na ispravan način.
Da bi se postigli takvi rezultati nužnu je napraviti mnogo intenzivnih testiranja, mišljenja je Brian Fox, partner tvrtke McKinsey. "Svaka jedrilica za Cup dizajnirana je računalnom simulacijom", kaže Brian. "Tim koji ima najbolji simulator i najefikasnije ga koristi, ostvaruje prednost."

U potrazi za tom prednošću, 2019. godine Emirates Team New Zealand udružuje se s tvrtkom McKinsey. Ubrzo dolaze do zaključka da im zapravo treba nova vrsta "posade" koja može jedriti na tisućama jedrilica u isto vrijeme. Odgovor na to pitanje bio je "AI bot" ili samoučeći softverski robot koji je mogao testirati dizajne hidrokrila "jedreći" u simulatoru ETNZ tima.
Simulator je bio ključ pobjede ove momčadi i 2017. godine. Korišten je za testiranje dizajna novih jedrilica bez potrebe da ih se stvarno i proizvede. Kako bi mogao ispravno raditi, simulator je zahtijevao istovremeni angažman brojnih timova. To je bio logistički izazov s obzirom na brojne druge obaveze uključenih jedriličara kao što su treninzi, putovanja, natjecanja.

"Naš je cilj", objašnjava Brian, "bio ubrzati testiranje ETMZ dizajna. Razvijanjem "AI bota" koji bi sam mogao pokretati simulator, više se ne bismo trebali oslanjati na jedriličare koji nam nisu mogli biti neograničeno dostupni."

Foto: ACE | Studio Borlenghi

Prvi korak McKinseyjeva tima, koji je uključivao kolege iz njihove analitičke tvrtke QuantumBlack, bio je okretanje "oblaku".
Tijekom šest tjedana stručnjaci za analizu podataka, analitiku i strojno učenje iz Sydneyja, Melbourna i Londona "preselili" su novozelandski simulator i razvili infrastrukturu za njegovo pokretanje u oblaku.

Potom je McKinseyjev tim upotrijebio nov i inovativan pristup nazvan "pojačano duboko učenje" (deep reinforcement learning) da bi "AI bot" naučio kako postati profesionalni jedriličar. Ova tehnika omogućila mu je da dinamički uči (za vrijeme rada) i postiže veću preciznost uz kontinuirano dobivanje povratnih informacija.
Nic Hohn, jedan od voditelja projekta objašnjava: "Kad započenete, AI agent nema nikakvih znanja i uči metom pokušaja i pogrešaka koristeći nebrojene varijable - brzinu vjetra, smjer, namještanje 14 različitih kontrola jedrilice i jedara - i iznova se usavršava. Budući da bot nastavlja eksperimentirati, ako ga istrenirate da to uči na pravi način, on taj postupak za koji su ljudima potrebne godine da shvate, sažima u nekoliko sati."

Prema riječima glavnog znanstvenika iz QuantumBlacka, Jacomoa Corboa, bio je to izniman tehnološki iskorak i zahtijevao je opsežne inovacije oko botovog programa za učenje. "Od tog trenutka, trebalo je uložiti mnogo kreativnosti u projekt s ciljem pronalaženja pravog modela učenja, te ispravnog treniranja bota, kao i postavljanje odgovarajućih ograničenja i nagrada."

Tim je također izgradio i mrežu koja je omogućila većem broju botova da razmjenjuju znanje dok svaki od njih uči jedriti. To je bio kritičan trenutak koji je omogućio napredak pojedinog bota na osnovu kolektivnog iskustva.
U konačnici bilo je tisuće botova koji su radili paralelno i učili jedan od drugog. "To je učenje u velikim razmjerima koje drastično skraćuje vrijeme i troškove projekta", kaže Nick. "To je snaga oblaka."

Nakon dva tjedna bot je jedrio po pravcu, u orcu i u krmu, a nakon svladavanja osnova prešao je na složenije jedriličarske manevre.

Prekretnica je nastala osam tjedana kasnije, kad je AI bot počeo pobjeđivati jedriličare u simulatoru. Od tog trenutka bot je postao idealan način testiranja svih varijanti hidrokrila, dosljedniji je i skalabilniji od klasičnog jedriličara, dramatično ubrzavajući iteracijske cikluse. "To je bio ključan trenutak - mogućnost izbacivanja jedriličara i rasporeda njihovih obaveza iz jednadžbe i stalno 24/7 testiranje dizajna," primjećuje Helen Mayhew, McKinseyjeva partnerica i članica vodstva europskog tima QuantumBlacka, a koja je k tomu i svjetska prvakinja u klasi 420.

Ubrzo su jedriličari učili manevre od bota. "S tako strmom razvojnom krivuljom ubrzanja procesa učenja, učenje je izuzetno dragocjeno", objašnjava Oliver Fleming, stručni suradnik, "kako u smislu omogućavanja dizajnerskom timu da istraži što je moguće više, tako i za jedriličare da maksimiziraju izvedbu za zadani dizajn."

Foto: ACE | Studio Borlenghi

Tijekom 2019. i početkom 2020. godine, bot je ubrzao dizajnerski postupak Novozelanđana za deset puta. Ovaj projekt je dokazao da pojačano učenje može biti transformacijski alat za dizajniranje raznih procesa, a što se može primijeniti u različitim industrijama.

"Ovo je jedno od najsloženijih uvođenja dubokog pojačanog učenja u javnom oblaku", kaže Jacomo. "Jedan od načina razmišljanja o težini ovog problema je pomoću 'game-tree complexity' modela - ukupnog broja mogućih rješenja neke igre slijedom mogućih putova kroz igru i odluka koje treba donijeti. Npr. Go - drevna dalekoistočna misaona igra, ima game-tree complexity od 170, dok je game-tree complexity indeks ovog jedriličarskog problema gotovo 2900."

Svladati tako tehnički složene procese, posebno kad je riječ o primjeni, povećalo je entuzijazam svih koji su uključeni u ovaj jedinstveni projekt.

"Uzbudljivo je koristiti tehnologiju i umjetnu inteligenciju za svladavanje vjetra i vode i kretati se što je brže moguće," kaže Nick. "Ovo nije jedrenje kakvo poznajemo - mnogo je bliže letenju na malim visinama."

Naslovna foto: ACE | Studio Borlenghi

Još par intervjua u video formatu, kao i neke dodatne informacije, možete pronaći na McKinseyjevu webu na ovoj poveznici.