背景介绍
Toyota Gazoo Racing（TGR）是日本汽车制造商丰田旗下的运动赛车品牌，它包括各种赛车和许多分支部门。在德国科隆，丰田欧洲名车馆赛车有限公司（Gazoo Racing Europe GmbH）负责世界耐力锦标赛（World Endurance Championship）的赛车设计与研发，包括勒芒24小时耐力赛（Le Mans 24 Hours）。
随着技术在赛场上和赛场外的各个方面日益普及，TGR希望了解尖端的人工智能和机器学习如何支持汽车开发。也就是说，当涉及到他们的汽车性能和效率时，TGR能否更好更快地得出结论？
主要挑战
- 计算流体动力学（CFD）和风洞试验中收集了大量数据
- 需要关注的趋势可能会被忽略掉
- 更快的性能优化需求
主要需求
- 分析所有性能数据的趋势
- 就性能改进方面提出切实可行的建议
主要优势
- 可以提供被证明的人工智能/机器学习
- 释放工程资源
- 提高研发效率
业务挑战
TGR在风洞中测试其汽车模型并使用计算流体动力学，这两者都会产生大量数据。TGR-E开发了多种工具来处理来自流体动力学或风洞测试的数据，并从中提取结论，但这仍然是一个耗时的过程，并且可能会忽略有价值的信息。进入人工智能和机器学习（AI/ML），能够查看TGR收集的所有数据中的趋势。关键的挑战是训练人工智能知道要寻找什么。
第一个挑战是要证明这个概念是可行的，TGR用安克诺斯人工智能/机器学习技术对一个特定的任务进行了测试。TGR的工程师们给人工智能/机器学习软件的任务是寻找与TGR的新型GR010混合动力赛车车体某一区域有关的趋势，目的是寻找出需要改进的地方。在计算流体动力学测试中都会产生240GB的数据，甚至更多的数据来自风洞分析，因此TGR和安克诺斯看到了巨大的合作潜力。
解决方案—安克诺斯人工智能和机器学习
从2020年初开始，TGR要求安克诺斯参与在其空气动力学部门实施人工智能/机器学习。安克诺斯安装并训练人工智能/机器学习软件查看TGR的计算流体动力学和风洞数据并做详细分析。据Toyota Gazoo Racing Europe空气动力学部门经理Rene Hilhorst介绍，在初始用例中，安克诺斯展示了帮助TGR了解空气动力学性能，并找出了有待改进的区域能力。
Hilhorst还表示：“这个用例表明人工智能作为开发工具在TGR有发展潜力。”初试成功促使安克诺斯进一步训练其人工智能/机器学习软件来处理TGR计算流体动力学测试产生的千兆字节（TB）级数据。
根据规则给出与空气动力学目标相关的额外目标，人工智能/机器学习开始寻找汽车设计变化会如何影响这些目标。Hilhorst指出：“安克诺斯解决方案正在集成到我们的风洞和计算流体动力学过程中，以帮助TGR了解如何提高空气动力学性能的方法。”
优势——一个更加高效的开发系统
通过使用安克诺斯实施人工智能/机器学习，TGR通过减少用于查看数据的大量工程时间来提高运营效率。根据Hilhorst的说法：“每当我们释放工程资源时，我们创造机会在其他地方寻找性能提升以提高我们的效率。”
随着对安克诺斯人工智能在数据方面进行训练，它正在学习快速识别气流以一种或多种方式变化是如何对性能产生积极（或消极）影响的。Hilhorst补充道：“这将帮助TGR团队进一步深入这些潜在的改进领域，基于人工智能对数据的分析来优化汽车。”
Hilhorst继续道：“通过安克诺斯，我们创造了一个更高效的开发系统。我们的目标是尽快达到最佳设计和设置。期待看到与安克诺斯合作的成果，我们确信，合作将会让我们在赛道上和赛道外都更具竞争力。”
“安克诺斯人工智能/机器学习解决方案正在集成到我们的风洞和计算流体动力学流程中，以帮助TGR了解改善空气动力性能的方法。”
空气动力学部门经理
Rene Hilhorst