En el trabajo de Kirby Chambliss, la diferencia entre un buen día y un mal día puede definirse en menos de un segundo.
“Si puedo hacerlo en un cuarto de segundo, es algo grande”, Chambliss dijo.
Él es un piloto de Red Bull Air Race, una serie de carreras de aviones a alta velocidad y baja altitud, en las cuales los pilotos compiten por ser el primero en atravesar una serie de puertas. Un viaje típico a través de una ruta dura menos de 90 segundos, a más de 230 millas por hora (casi 370 km/h), y no es poco común que los tiempos de los finalistas varíen entre ellos medio segundo.
En la mayor parte de su carrera, Chambliss ha confiado en su experiencia e instinto para llegar desde la línea de salida hasta la última puerta.
“Es un vuelo de pantalones”, dijo.
Cuando la temporada actual de carreras comience en Japón, él añadirá otro componente: Analítica de datos.
Chambliss utilizará la tecnología desarrollada en Microsoft Research, la cual estima el camino más eficiente que puede tomar a través de cada ruta y permitirle de manera eventual ver cómo su ruta vuelo se puede comparar con la su competidores.
La colaboración empezó el año pasado, cuando Chambliss conoció a un investigador de Microsoft llamado Ashish Kapoor, gracias a un conocido mutuo.
El trabajo de Kapoor se ha enfocado de manera tradicional en el aprendizaje de máquinas y Big Data, aunque en su tiempo libre también es un piloto recreacional que vuela su propio pequeño avión.
Chambliss se interesó de inmediato. Ya había visto otros equipos de carreras experimentar con software predictivo y quería ver si podía usar la analítica de datos para mejorar sus tiempos de vuelo.
“Solo quiero ir más rápido”, Chambliss dijo. “Así que si alguien puede decir, ‘Así es como lo tienes que hacer para poder recortar ese medio segundo’, Soy todo oídos”.
Kapoor también estaba emocionado. Sus intereses personales y profesionales ya lo habían llevado a un proyecto llamado Windflow, el cual usa el aprendizaje de máquinas para predecir con mayor precisión datos del viento y ahorrarle a los pilotos, tiempo y dinero de manera potencial.
Ahora, el vio una oportunidad para ayudar a un piloto al que admira a mejorar sus tiempos para la carrera, a la vez que trabajar en algoritmos que pudieran tener implicaciones importantes para el campo entero de la aeronáutica.
Para mejorar el tiempo de Chambliss, los investigadores usarán la analítica de datos para decidir la mejor compensación entre la velocidad en la que el piloto debería ir y qué tan cerradas deben ser sus vueltas a través de la ruta, bajo la incertidumbre impuesta por parte del viento.
En teoría, dado a los vientos prevalecientes, encontrar el balance perfecto entre esos dos factores debería resultar en un tiempo más rápido.
Eso debería sonar simple de manera relativa, pero Kapoor dijo que hay cientos de variables que van dentro de los cálculos, y el proceso entero se vuelve más difícil porque el viento puede cambiar de manera inesperada. Para obtener la ruta más rápida, los investigadores han tomado prestados de varios campos, la teoría de control, robótica, aprendizaje de máquinas, y la planeación.
“Es un problema de optimización matemática bastante complejo que necesitamos resolver”, dijo Kapoor.
Aquellos cálculos podrían también utilizarse de manera eventual para ayudar a los pilotos comerciales y otros en la industria de la aviación, a encontrar caminos más eficientes, dijo Michael Zykowski, director de ingeniería en Microsoft Research que ya había trabajado antes en Boeing y en la NASA, y hoy también trabaja en este proyecto. Eso, en cambio, podría ahorrar miles de millones de dólares a la industria en cuanto a costos de combustibles, dijo.
Hoy, los investigadores, ya vieron las señales de que sus intentos previos para ayudar a Chambliss han dado frutos. En las rondas de calificación del año pasado en Las Vegas, el lugar de Chambliss en las primeras posiciones mejoró de manera significativa después de usar la tecnología, aunque la carrera no pudo ser terminada debido al clima.
Para Kapoor, quien viajará con Chambliss, parte de la emoción será ver de manera literal, su investigación en acción. Eso es algo que los científicos de computadoras que trabajan en laboratorios no siempre obtienen.
“Es un problema del mundo real, no es un simulacro”, dijo Kapoor. “Ya sea que ganes o pierdas la carrera, no se vuelve más real que en la ciencia”.
