Nel motorsport d'élite le finestre strategiche durano pochi secondi: un pit-stop anticipato di un giro può valere un podio, uno ritardato può costare il campionato. I team di Formula 1 producono oltre 100 GB di dati per ogni weekend di gara, eppure la capacità di un ingegnere di sintetizzare segnali concorrenti in tempo reale resta intrinsecamente limitata dalla cognizione umana. Con margini di prestazione misurati in millesimi di secondo, il vantaggio competitivo vive ormai interamente nella velocità dell'insight.
La sfida non era addestrare un modello su dati storici. Era costruire un sistema capace di ragionare su stream live eterogenei (CAN-bus, sensori IMU, pressione pneumatici, immagini termiche, GPS a 1 kHz) con latenza inferiore a quella di una singola comunicazione radio. In parallelo, i modelli CFD real-time richiedevano una simulazione del flusso aerodinamico abbastanza fedele da essere operativamente utile, ma abbastanza veloce da girare durante l'evento, non ore dopo.
Zeklar ha progettato un'architettura a tre livelli: un layer di ingest in Rust che normalizza e time-stampa ogni segnale entro 200 µs dall'arrivo; un motore di inferenza multimodale a transformer addestrato su un corpus proprietario di 14 stagioni di telemetria F1 annotata, affiancato da un LLaMA 3 fine-tuned su regolamenti FIA, briefing degli ingegneri e trascrizioni radio; e un layer di visualizzazione che renderizza i campi CFD su NVIDIA Omniverse e li trasmette al pit-wall via una console WebGL/Three.js. I modelli di degrado pneumatici combinano reti neurali fisicamente informate con feedback termico live, superando il 94% di precisione al giro.
Inferenza sub-2 ms
Il pipeline di telemetria, dalla ricezione del segnale grezzo al consiglio vocale sintetizzato, completa in media 1,2 ms, ben dentro la finestra di decisione di un ingegnere di gara.
CFD generativa real-time
Un surrogato neurale addestrato su 40 milioni di soluzioni CFD offline riproduce interi campi di flusso aerodinamico a 60 fps, eliminando i cicli di simulazione tradizionali durante il weekend di gara.
LLM motorsport-native
Fine-tuned su oltre 8.000 ore di trascrizioni radio, documenti tecnici FIA e briefing interni, produce un ragionamento contestuale che gli ingegneri descrivono come indistinguibile da un esperto umano.
Previsione degrado pneumatici
Le PINN ibride prevedono la finestra di cliff con un errore medio di 0,8 giri su un orizzonte di 15, 3× più preciso dei modelli statistici precedenti della scuderia.
Scoperta & Architettura dei Dati
Mappatura di ogni flusso di telemetria, accordi sui dati con i fornitori di sensori e progettazione dello schema di ingest Rust ad alta frequenza.
Training & Fine-Tuning
Addestramento del surrogato CFD su cluster A100, poi fine-tuning dell'LLM sul corpus motorsport curato insieme agli ingegneri della scuderia.
Integrazione Real-Time
Connessione dello stack ai sistemi del garage via Kafka, ottimizzazione della latenza end-to-end e validazione del comportamento deterministico in condizioni di gara simulate.
Deploy & Go-Live
Rollout progressivo su tre Gran Premi di sviluppo, integrazione del feedback live degli ingegneri e hardening per la stagione 2027.
Nella stagione 2027 la scuderia ha registrato il più alto tasso di esecuzione strategica degli ultimi dieci anni, con tre vittorie attribuite a finestre di pit-stop identificate da NEXUS con 4–6 giri di anticipo sui modelli rivali. Il sistema è ora classificato come infrastruttura critica per il programma titolo 2028.