— — — — — — — — — — — — — — — — — — — — — — — — — — — — — —
Для многих болельщиков по всему миру футбол считается больше, чем спортом. Он постоянно держит вовлеченность под контроль, вызывая бурю эмоций. В мире существует множество лиг, состоящих из разных команд с разным опытом, что объединяет нас всех через дух игры. С развитием технологий в этой прекрасной игре есть бесчисленные возможности для улучшения просмотра для болельщиков, игрового опыта для игроков, управления и администрирования опыта для тренеров и персонала.
Искусственный интеллект (ИИ) — это методология, в рамках которой мы обучаем машины имитировать поведение человека с помощью имитационных действий. С другой стороны, машинное обучение — это разновидность ИИ, которая не требует явного программирования, а используется для обучения на основе опыта. Кроме того, ИИ, связывающий основные элементы и помогающий в исследованиях и анализе для автоматизации задач, — это «Данные». Мы прогрессируем и неуклонно развиваемся в этот «век информации» по направлению к более неоднозначному состоянию, которое будет находиться в постоянном движении из-за быстрого развития и проникновения технологий в различные области. Впоследствии я считаю, что в появлении этих новых технологий в этом мире больше пользы, чем вреда, и в конечном итоге это омолодит нашу простую человеческую природу.
Если мы все сделаем правильно, мы сможем разработать форму работы, которая задействует наши уникальные человеческие способности и восстанавливает нашу человечность. Главный парадокс заключается в том, что эта технология может стать мощным катализатором, который нам нужен, чтобы вернуть нашу человечность. — Джон Хейгел
Моя цель здесь — визуализировать оптимистическую сторону искусственного интеллекта/машинного обучения и его реализации в области футбола. Варианты многократного использования будут обсуждаться вместе с его потенциальными приложениями в будущих тенденциях.
Где и как ИИ/машинное обучение используются в текущей тенденции?
- Kickoff.ai
Они используют машинное обучение для прогнозирования результатов матчей на основе прошлых данных, собранных с помощью байесовского интерфейса. Исходы прогнозируются как условная вероятность прошлых событий для оценки выигрыша команды [2]. Один из таких примеров показан на рисунке ниже:
Изображение было взято с их веб-сайта, на котором вероятность победы команд предсказывается их байесовской моделью путем динамического ввода данных от команды с течением времени.
2. Университет Лафборо (компьютерщики)
Во-вторых, этот проект был направлен на замену текущего анализа производительности, используемого для игроков, который является чрезвычайно трудоемким процессом, безграничным чтением видео игроков и оценкой их производительности для получения информации о событиях в игре. Существовавшие ранее методы также считаются более трудоемкими, непоследовательными и, как правило, более предвзятыми к перцептивному познанию того, как человек обрабатывает данные. Чтобы преодолеть эти проблемы, ведущий директор вместе со своей командой разработали гибридную систему с использованием автоматизированных методов на основе камеры в сочетании с компьютерным зрением / глубоким обучением, чтобы помочь оценить эффективность анализа данных с минимальными затратами времени. Их основными целями были[3]:
- Определение положения тела и конечностей
Это включало использование глубоких сверточных слоев для изучения скрытых закономерностей и извлечения различных функций из большого количества данных, таких как тысячи записей матчей, состоящих из нескольких команд, поз камеры, движений походки (включая бег, ходьбу, удары ногами).
- Отслеживание игроков для доступа к индивидуальной статистике эффективности
Доступ и геолокация каждого игрока на поле по отношению к другому дает возможность улучшить координацию между собой в этом командном виде спорта.
- Сшивание камеры
Ограниченное поле зрения камер для анализа студенческих игр было проблемой, и поэтому они разработали недорогую надежную методологию автоматического сшивания камер на основе GoPro с помощью своего отраслевого партнера Statmetrix, которая теперь доступна для коммерческого анализа производительности.
3. Научный спорт
Еще одна многообещающая компания — SciSports, и ее возможности машинного обучения позволяют управленческим и профессиональным командам отслеживать выступления игроков и помогают исследовать их на совершенно другом уровне. Их программное обеспечение для анализа данных отслеживает более полумиллиона игроков по всему миру, серьезно ищет молодые подающие надежды таланты, чтобы отслеживать и сообщать своим клиентам, помогая им в анализе найма. Что еще более важно, именно видение создателей помогает компании полностью раскрыть свой потенциал. В интервью Гилсу Брауэру (основателю и директору по инновациям SciSports) [4] он рассказывает о том, как он был очарован игрой в «Футбол». manager» и хотел, чтобы он вышел за рамки программного обеспечения и превратился в реальное приложение. Он также считает, что созданная им платформа поиска данных хорошо дополняет поиск на месте, проводимый многими командами, поскольку для экономии времени и денег требуется одно и другое. Давайте посмотрим на пользовательский интерфейс их программного обеспечения [5],
Приведенные выше изображения не только показывают статистику и стиль игры каждого игрока, но также прогнозируют их потенциал и то, какое качество они могут улучшить, чтобы лучше использовать свой стиль или команду, в которую они будут наняты.
4. GAMEFACE.ИИ
Это компания, которая обеспечивает мгновенный сбор точек данных, таких как голы, штрафные удары, фолы и удары по голам от кадра к кадру видео, загруженного для аналитики.
Кроме того, точные координаты каждого из игроков пространственно расположены в соответствии с их координатами в режиме реального времени, с дополнительным интерфейсом для соответствующих им тепловых карт для анализа позиционных данных игроков.
Кроме того, еще одна замечательная функция, которая помогает управлению, — это «поиск специально созданных черт» для каждого связанного игрока, например.
5.СПОРТИВНАЯ ЛОГИКА
Кроме того, SPORT LOGIQ переопределил все вышеперечисленные приложения с помощью фантастической базы данных на основе пользовательского интерфейса для клиентов. Они предоставляют физические и контекстуальные логические данные из транслируемой игры, такие как позиционирование игроков и перемещение игроков в системе координат x-y, отслеживание FOV игровой камеры, включая отслеживание мяча в реальном времени. Они нацелены на глобальный рынок скаутинга, набор игроков и анализ для команд [7].
Один из таких примеров их программного интерфейса для контекстного командного анализа показан ниже:
Этот пользовательский интерфейс предоставляет базу данных входящих видеопотоков, которые с помощью CV и глубокого обучения помогают сегментировать и распределять его в формате базы данных для анализа. Кроме того, сегмент фазы игры (например, владение мячом (BP) -> соперник, владеющий мячом (BPO)), который произошел в игре, представлен в матричном формате, который затем может быть выбран для просмотра обрезанного видео, которое показывает видео для анализа в окне вывода. Впоследствии внутриигровые события классифицируются и отображаются в понятной форме с помощью пользовательского интерфейса для исследования прорывных передач, ситуаций нагнетания давления, сети прохождения игроков и т. д.
Кроме того, они обеспечивают анализ игроков из любой точки мира, применяя алгоритмы машинного обучения для изучения отслеживания игроков на основе событий, полагаясь на их физические показатели. Это может помочь в наборе игроков в любой клуб в любой лиге, не только опираясь на статистику игрока, но и на его/ее адаптируемость в соответствующей лиге. Например, один из таких кейсов (приход Тимо Вернера в футбольный клуб «Челси») показывает:
Этот пример показывает, что статистика игрока сравнивается с существующими нападающими прибывающего клуба, бывшими нападающими лиги, нападающими новой лиги. Это дает представление о том, сможет ли новый игрок адаптироваться к лиге и поддерживать свою статистику.
6. Лаборатория спортивных технологий (совместно с Preferred Networks Inc)
Hakuhodo DY Holdings Inc. и Hakuhodo DY Media Partners Inc. объединились в «Лабораторию спортивных технологий», которая помогает проводить инновационный анализ на основе глубокого обучения в сотрудничестве с Preferred Networks Inc. Они разработали PitchBrain — специализированный инструмент для анализа футбольных событий, выполняющий три основные функции:[8]
- автоматическое обнаружение и маркировка сцен: новые алгоритмы компьютерного зрения используются для оценки позы тела
- Категоризация в командном стиле
- визуализация вариантов прохождения
Чипы и датчики слежения помогают в определении оценки позы игроков, что помогает их модели в обучении, получая информацию об игроках и позициях мяча. Это помогает получать предсказания сцен на семантическом уровне в соответствии с движением походки игрока.
7. Другой анализ глубокого обучения, проведенный в футболе
Изучая потенциальное использование глубокого обучения в области футбола, я наткнулся на эти замечательные кадры сверточных нейронных сетей (CNN) и долговременной кратковременной памяти (LSTM), которые используются для обучения ИИ игре в FIFA от Чинтана Триведи.
Также есть его страница в блоге На пути к науке о данных (https://towardsdatascience.com/building-a-deep-neural-network-to-play-fifa-18-dce54d45e675), где показан весь принцип работы эта система, которая на более высоком уровне показана как на этой картинке из его блога.
Потенциал роста такого проекта огромен и позволяет создавать многоуровневые прототипы с помощью таких систем, чтобы имитировать стратегические события в моделированном виде для послематчевого анализа.
Подводя итоги
Всплеск методов на основе ИИ, таких как машинное обучение и глубокое обучение, приносит огромные выгоды в спортивной аналитике, помогая бесчисленным услугам в любой конкретной области. Особенно в области футбола мы можем видеть бесчисленное количество компаний, использующих его для получения дохода, предоставляя внутриигровой анализ для футбольных команд, который помогает их управленческому персоналу, скаутской сети, команде по подбору персонала, главному тренеру и их финансовым органам. Рост в этой области является естественным, и я вижу с помощью технологий огромный потенциал для достижения непредвиденных высот в этой прекрасной игре ФУТБОЛ.
использованная литература
[1] https://siligence.ai/ask/article/5.html
[3] https://techxplore.com/news/2020-06-ai-technology-football-player-analysis.html
[4] https://goodmenproject.com/sports/football-data-intelligence-its-in-the-game/
[5] https://www.scisports.com/services/platform/
[7] https://sportlogiq.com/ru/sports/soccer
[8] https://www.sportstechnologylab.com/eng/index.html#aboutus
[9] https://www.youtube.com/watch?v=hs_v3dv6OUI
[10] https://www.youtube.com/watch?v=vZFNzwv61Fk
[11] https://towardsdatascience.com/building-a-deep-neural-network-to-play-fifa-18-dce54d45e675
