เฟอร์รารี่ใช้ AI ของ IBM เพื่อสร้าง F1 superfans

IBM และ Scuderia Ferrari HP เพิ่งปฏิวัติวิธีที่ทีม Formula One คิดเกี่ยวกับการสร้างความสัมพันธ์กับแฟน การเป็นหุ้นส่วนที่ประกาศเมื่อสองปีที่แล้ว มุ่งเน้นไปที่การใช้ AI เพื่อเปลี่ยนแปลงแอปแฟนของเฟอร์รารี่ให้เป็นเครื่องมือสร้างประสบการณ์ส่วนบุคคล — ซึ่งไม่เพียงแค่ส่งไฮไลต์การแข่งขัน แต่ยังเรียนรู้ว่าสิ่งที่แต่ละผู้สนับสนุนสนใจคืออะไร ตามที่ Kameryn Stanhouse 副总裁ของ IBM ด้าน Sports and Entertainment Partnerships กล่าว เป้าหมายนั้นง่ายมาก: ช่วยให้แฟนสามารถ "เห็นว่า AI ให้บริการพวกเขาอย่างไร" ผ่านการเล่าเรื่องกีฬา สำหรับนักพัฒนาที่สร้างแอปผู้บริโภคทั่วเอเชีย — ซึ่งการรับชมสดของ F1 ระเบิดขึ้นเนื่องจาก "Drive to Survive" ของ Netflix — การเป็นหุ้นส่วนนี้นำเสนอแบบแผนสำหรับสิ่งที่ เครื่องมือพัฒนา AI เอเชีย ทีมต้องเชี่ยวชาญ: การปรับแต่งแบบเรียลไทม์ในระดับใหญ่

กลยุทธ์ AI ของเฟอร์รารี่เผยให้เห็นอะไรเกี่ยวกับการพัฒนาสมัยใหม่

เฟอร์รารี่จ้าง Stefano Pallard เป็น "หัวหน้าการพัฒนาแฟน" — บทบาทที่ไม่มีอยู่สามปีที่แล้ว — เพื่อแก้ปัญหาที่ทุกแพลตฟอร์มผู้บริโภคต้องเผชิญ: การเข้าถึงผู้ใช้นับล้านคนในขณะที่ทำให้แต่ละคนรู้สึกว่าได้รับความเข้าใจเป็นรายบุคคล แอปที่มีอยู่ของทีมส่งการอัปเดตการแข่งขันทั่วไปให้กับทุกคน เวอร์ชันใหม่ที่ขับเคลื่อนโดย IBM วิเคราะห์รูปแบบพฤติกรรมเพื่อแสดงเนื้อหาที่เกี่ยวข้อง: หากคุณดูวิดีโอกล้องบนรถจากมุมมองเฉพาะอีกครั้ง แอปจะเรียนรู้ว่าคุณสนใจเทคนิคการขับขี่ หากคุณข้ามคลิปวิทยุของทีม แต่อ่านบทความเกี่ยวกับกฎระเบียบทางเทคนิคทุกบทความ มันจะปรับตัว

นี่ไม่ใช่ทฤษฎี AI ที่ใหม่ มันคือการเรียนรู้ของเครื่องระดับการผลิตที่ใช้กับโดเมนที่ latency มีความสำคัญ — การแข่งขันเกิดขึ้นแบบสดใจ ความสนใจของแฟนถึงจุดสูงสุดในช่วงเวลาเฉพาะ และคำแนะนำที่ล้าสมัยทำให้การมีส่วนร่วมลดลง ความท้าทายทางเทคนิคสะท้อนให้เห็นสิ่งที่แพลตฟอร์มอีคอมเมิร์สของเอเชียตะวันออกเฉียงใต้ต้องเผชิญ หรือสิ่งที่แอปฟินเทคของอินเดียจัดการในช่วงช้อปปิ้งเทศกาล คุณต้องมีความเร็วในการอนุมาน ไปป์ไลน์ข้อมูลที่ไม่ติดขัดภายใต้โหลด และโมเดลที่ปรับตัวได้โดยไม่ต้องให้ข้อมูลวิทยาศาสตร์ปริญญาเอกในการบำรุงรักษา

IBM นำแพลตฟอร์ม watsonx มาสู่การเป็นหุ้นส่วน ซึ่งจัดการการประมวลผลภาษาธรรมชาติสำหรับฟีเจอร์การสนทนาของเฟอร์รารี่ และเครื่องมือแนะนำที่ขับเคลื่อนการปรับแต่งเนื้อหา รายละเอียดที่น่าสนใจ: เฟอร์รารี่ไม่ได้สร้างสแต็กทั้งหมดใหม่ พวกเขาบูรณาการความสามารถ AI เข้ากับโครงสร้างพื้นฐานที่มีอยู่ผ่าน API — วิธีการเดียวกันที่ทำให้แพลตฟอร์ม vibe coding เป็นไปได้สำหรับสตาร์ทอัพที่ไม่สามารถจ่ายสำหรับโครงการบูรณาการ AI ระยะหกเดือน

เหตุใดนักพัฒนาเอเชียจึงควรสนใจเทคโนโลยีกีฬา

การเป็นหุ้นส่วนด้านเทคโนโลยีของ Formula One เผยให้เห็นว่า AI ขององค์กรนั้นทำงานจริงอย่างไร ไม่ใช่เพียงแค่ที่มันถูกโปรโมต AWS ขับเคลื่อนการจำลองกลยุทธ์การแข่งขันสำหรับทีมหลายทีม Oracle ดำเนินการวิเคราะห์ข้อมูลของ Red Bull Racing Anthropic เพิ่งเป็นหุ้นส่วนกับ Mercedes สำหรับเครื่องมือ AI การสนทนา นี่ไม่ใช่โปรแกรมนำร่อง — พวกเขาเป็นระบบการผลิตที่จัดการผู้ใช้พร้อมกันนับล้านคนในช่วงวันแข่งขัน

สำหรับนักพัฒนาในเอเชีย การเป็นหุ้นส่วนกีฬานำเสนอบทเรียนสามประการ ประการแรก การปรับแต่งในระดับใหญ่ต้องใช้โครงสร้างพื้นฐานที่ทีมส่วนใหญ่ประเมินต่ำเกินไป แอปของเฟอร์รารี่ให้บริการแฟนทั่วโซนเวลา ในภาษาหลายสิบภาษา พร้อมเนื้อหาที่อัปเดตทุกสองสามวินาทีในช่วงการแข่งขัน นั่นยากกว่าที่ฟังดูเมื่อโมเดลของคุณต้องประมวลผลพฤติกรรมผู้ใช้ ข้อมูล telemetry การแข่งขัน และความรู้สึกทางสังคมพร้อมกัน

ประการที่สอง ฟีเจอร์ AI ต้องรู้สึกว่าไม่มีตัวตน Pallard เน้นว่าแฟนไม่ควรคิดเกี่ยวกับ AI — พวกเขาควรสังเกตว่าแอปนั้น "เข้าใจพวกเขา" สิ่งนี้ตรงกับสิ่งที่แอปซูเปอร์ที่ประสบความสำเร็จของเอเชียได้เรียนรู้: ผู้ใช้ WeChat ไม่สนใจว่าอัลกอริทึมการแนะนำขับเคลื่อนข้อเสนอแนะโปรแกรมขนาดเล็ก พวกเขาสนใจว่าบริการที่เกี่ยวข้องปรากฏขึ้นเมื่อจำเป็น เครื่องมือพัฒนา AI ที่ดีที่สุดที่ทีมเอเชียใช้ปฏิบัติตามหลักการเดียวกัน: ความซับซ้อนนามธรรม เปิดเผยค่า

ประการที่สาม การเป็นหุ้นส่วนระหว่างแบรนด์ดั้งเดิมและแพลตฟอร์มเทคโนโลยีทำงานได้เมื่อทั้งสองฝ่ายมีส่วนร่วมในความเชี่ยวชาญด้านโดเมน เฟอร์รารี่เข้าใจจิตวิทยาของแฟนและวัฒนธรรมการแข่งขัน IBM เข้าใจระบบแบบกระจายและการปรับใช้โมเดล ไม่มีใครสามารถสร้างผลิตภัณฑ์สุดท้ายได้คนเดียว สิ่งนี้สะท้อนให้เห็นรูปแบบการทำงานร่วมกันที่ แพลตฟอร์มพัฒนา AI-native เปิดใช้งาน: ผู้ให้บริการโครงสร้างพื้นฐานทางเทคนิคจัดการความซับซ้อนของ AI ผู้เชี่ยวชาญด้านโดเมนมุ่งเน้นไปที่ประสบการณ์ผู้ใช้

สแต็กเทคนิคเบื้องหลังการปรับแต่งแฟน

แม้ว่า IBM ไม่ได้เผยแพร่สถาปัตยกรรมที่แน่นอนของเฟอร์รารี่ แต่เราสามารถอนุมานส่วนประกอบจากการปรับใช้เทคโนโลยีกีฬาที่คล้ายกัน ระบบนี้อาจรวมถึงการสตรีมเหตุการณ์แบบเรียลไทม์ (การประมวลผล telemetry การแข่งขัน และข้อมูลการจับเวลา) เครื่องมือแนะนำ (การจับคู่เนื้อหากับความชอบของผู้ใช้) การประมวลผลภาษาธรรมชาติ (การจัดการคำถามและความเห็นของแฟน) และเครือข่ายการส่งมอบเนื้อหาที่ปรับให้เหมาะสมสำหรับวิดีโอ

เครื่องมือแนะนำคือที่ที่ทีมส่วนใหญ่สะดุด คุณต้องมีการกรองแบบร่วมมือเพื่อค้นหารูปแบบทั่วผู้ใช้ การกรองตามเนื้อหาเพื่อจับคู่บทความกับความสนใจ และ contextual bandits เพื่อจัดการปัญหาการเริ่มต้นแบบเย็นเมื่อแฟนใหม่เข้าร่วม การฝึกอบรมโมเดลเหล่านี้ต้องใช้ข้อมูลที่มีป้ายกำกับ — เฟอร์รารี่อาจติดป้ายชิ้นเนื้อหาหลายพันชิ้นตามหัวข้อ คนขับ ความลึกทางเทคนิค และโทนอารมณ์

การปรับใช้มีความสำคัญเท่ากับคุณภาพของโมเดล ในช่วงการแข่งขัน ผู้ใช้นับล้านคนเปิดแอปพร้อมกัน ไปป์ไลน์การอนุมานของคุณต้องส่งคำแนะนำที่ปรับแต่งแล้วในเวลาต่ำกว่า 200 มิลลิวินาที หรือผู้ใช้จะออกไป สิ่งนี้ต้องใช้เทคนิคการปรับให้เหมาะสมของโมเดล เช่น quantization กลยุทธ์การแคชที่ระมัดระวัง และการกระจายทรัพยากรการคำนวณทางภูมิศาสตร์ มันเป็นความท้าทายเดียวกันที่บริษัทเกมของเอเชียต้องเผชิญในระหว่างการเปิดตัวชื่อใหม่ หรือสิ่งที่แพลตฟอร์มการส่งมอบอาหารจัดการในช่วงเวลาเย็น

องค์ประกอบภาษาธรรมชาติจัดการคำถามของแฟนเกี่ยวกับกฎการแข่งขัน สถิติคนขับ และประวัติทีม สิ่งนี้อาจใช้ retrieval-augmented generation — โมเดลค้นหาฐานความรู้ของเฟอร์รารี่ก่อนสร้างคำตอบ ลดการหลอกลวง วิธีการนี้ทำงานได้เพราะ F1 มีข้อมูลที่มีโครงสร้าง: เวลารอบ คะแนนแชมเปียนชิป เอกสารกฎระเบียบ เปรียบเทียบกับการสนับสนุนลูกค้าแบบเปิด ซึ่งฐานความรู้ยุ่งเหยิงมากขึ้น และอัตราการหลอกลวงเพิ่มขึ้น

การสร้างระบบที่คล้ายกันโดยไม่มีงบประมาณของ IBM

สตาร์ทอัพส่วนใหญ่ของเอเชียไม่สามารถจ่ายสัญญาขององค์กรของ IBM ได้ แต่รูปแบบสถาปัตยกรรมที่เฟอร์รารี่ใช้ — การปรับแต่งแบบเรียลไทม์ อินเทอร์เฟซการสนทนา การแนะนำเนื้อหา — สามารถเข้าถึงได้ผ่านแพลตฟอร์มการพัฒนาสมัยใหม่ กุญแจคือการเข้าใจว่าส่วนประกอบใดที่คุณต้องสร้างเทียบกับส่วนประกอบที่คุณสามารถบูรณาการได้

เริ่มต้นด้วยไปป์ไลน์ข้อมูลของคุณ หากคุณกำลังปรับแต่งเนื้อหา คุณต้องมีการติดตามเหตุการณ์ที่สะอาด: สิ่งที่ผู้ใช้ดู ระยะเวลาที่พวกเขามีส่วนร่วม สิ่งที่พวกเขาข้าม เครื่องมือเช่น Segment หรือ Rudderstack จัดการการรวบรวม สำหรับการจัดเก็บ PostgreSQL ที่มีการจัดทำดัชนีที่เหมาะสมใช้ได้จนกว่าคุณจะถึงเหตุการณ์นับล้านต่อวัน จากนั้นพิจารณาฐานข้อมูลอนุกรมเวลาเช่น TimescaleDB หรือ ClickHouse

สำหรับคำแนะนำ ไลบรารีโอเพนซอร์สเช่น LightFM หรือ Surprise จัดการการกรองแบบร่วมมือ หากคุณต้องการความซับซ้อนมากขึ้น แพลตฟอร์มเช่น Pinecone หรือ Weaviate ให้ฐานข้อมูลเวกเตอร์สำหรับการค้นหาความหมาย — มีประโยชน์เมื่อจับคู่ผู้ใช้กับเนื้อหาตามความหมาย ไม่ใช่เพียงคำหลัก ข้อดีของเครื่องมือเหล่านี้คือการนำมาใช้แบบค่อยเป็นค่อยไป: เริ่มต้นด้วยการกรองแบบร่วมมือขั้นพื้นฐาน เพิ่มการค้นหาความหมายเมื่อคุณมีเนื้อหาเพียงพอ นำเสนอการเรียนรู้แบบเสริมเมื่อคุณเข้าใจลูปข้อเสนอแนะของผู้ใช้

AI การสนทนาคือที่ที่แพลตฟอร์มการบูรณาการส่องแสง การสร้าง chatbot ระดับการผลิตจากศูนย์ต้องใช้ prompt engineering ไปป์ไลน์การดึงข้อมูล ตัวกรองความปลอดภัย และแดชบอร์ดการตรวจสอบ แพลตฟอร์มที่รวมความสามารถเหล่านี้ช่วยให้คุณมุ่งเน้นไปที่ความรู้ด้านโดเมน — การฝึกอบรมโมเดลเกี่ยวกับเนื้อหาเฉพาะของคุณ — แทนที่จะเป็นโครงสร้างพื้นฐาน เอกสารประกอบ สำหรับแพลตฟอร์ม AI สมัยใหม่โดยทั่วไปรวมถึง