Nowinki, Technologie, uczenie maszynowe

Sportowe zastosowania uczenia maszynowego

Internet rzeczy (ang. Internet of things, IoT) oraz sensory biometryczne pozwalają zbierać dane sportowców, które następnie są przetwarzane przez systemy big data z modelami uczącymi się.  Modele te używają zaawansowanych metod i technik sztucznej inteligencji (ang. artificial intelligence, AI), a ściśle mówiąc uczenia maszynowego (ang. machine learning, ML). Zasada działania polega na wykorzystaniu dużych zbiorów danych historycznych i na ich podstawie nauczenie maszyny przewidywania nowych wartości cech obiektów, obserwacji lub zdarzeń. Przewidywanie może dotyczyć regresji, klasyfikacji lub wykrywania anomalii.  Uczenie maszynowe ma szerokie zastosowania między innymi w medycynie, autonomicznych pojazdach, przemyśle i logistyce. W poniższym wpisie zaprezentujemy możliwości użycia ML w sporcie.

Biometria

Jedną z dynamicznie rozwijającą się obecnie dziedzin jest biometria. Zajmuję się ona badaniem mierzalnych cech fizycznych i behawioralnych organizmów żywych. Coraz częściej w publikacjach naukowych można znaleźć informacje o zastosowaniu różnych biomarkerów do monitorowania stanu sportowca, co może być pomocne przy planowaniu treningu, wypoczynku i diety. Na rynku istnieje wiele firm, które na podstawie wyników biometrycznych zawodników dostarczają raporty na temat funkcjonowania ich ciała [1]. Analiza biomarkerów i dostarczanie na ich podstawie wskazówek to wręcz idealny obszar do  wykorzystania ML.

Badania wykonane na  piłkarzu Cristiano Ronaldo.

Analiza zachowania zawodników na boisku

W typowej grze piłki nożnej lub futbolu amerykańskiego po każdej stronie występuję 11 zawodników z których każdy stanowi osobne źródło danych dla trenera. Od trenera oczekuję się, że będzie w czasie rzeczywistym analizował zachowanie na boisku każdego z nich tak, aby wyciągać wnioski na temat ich przygotowania, poziomu wytrenowania, wydajności, a także przydatności dla zespołu. Na podstawie tych wniosków ma podejmować bezzwłocznie decyzje, które przynajmniej w zamiarze pozytywnie odbiją się na rezultacie rywalizacji sportowej. Biorąc pod uwagę możliwości kognitywne człowieka jest to praktycznie niemożliwe, a są dyscypliny na przykład futbol australijski w którym występuje jeszcze więcej osób, bo aż 18. Dlatego większość decyzji na boisku w tradycyjnym podejściu bez wspomagania, podejmowana jest w warunkach niepewności. Trenerzy nie znają rozkładu prawdopodobieństwa konsekwencji ich działania, co może być szkodliwe a nawet katastrofalne w skutkach. Błędów w podejmowaniu decyzji przez człowieka bez wspomagania komputerowego może być bardzo dużo: efekt autorytetu, pominięcia, skupienia, przywiązania, izolacji itp.. Wszystko to czyni ogromną potrzebę do stosowania sztucznej inteligencji  we wspomagania sztabu szkoleniowego

Śledzenie zawodników na boisku za pomocą głębokich sztucznych sieci neuronowych.

 

https://www.youtube.com/watch?v=0PvqamNtr9E

Przewidywanie kontuzji

Kontuzje mają ogromny wpływ na drużyny oraz zawodników sportowych. Czas nieobecności i koszt rehabilitacji oraz regeneracji po ich wystąpieniu powodują duże straty.  Wielu naukowców w swoich publikacjach pisało na ten temat. Ich opracowania dostarczyły wskazówki, które czynniki mogą z dużym prawdopodobieństwem wpłynąć na ryzyko wystąpienia kontuzji. Wskazówki te posłużyły do budowy różnych systemów. Ciekawym pomysłem jest system [3] opierający się na uczeniu maszynowym, danych GPS i progach wyznaczających graniczne wartości obciążenia sportowców.

Jedną z funkcjonalności systemu Sports Performance Platform firmy Microsoft jest analiza ryzyka kontuzji na podstawie danych wydajnościowych oraz czasu regeneracji sportowca. Platforma bazuję na uczeniu maszynowym i modelach predykcyjnych [4].

https://www.youtube.com/watch?v=RXvn5uBS9xs

Predykcja wyników sportowych

Kolejnym zastosowaniem ML jest predykcja wyników sportowych [5], [6]. Potencjał takich modeli dostrzegli już bukmacherzy i fani przy obstawianiu wyników sportowych, a także drużyny i zawodnicy, którzy na ich podstawię mogą zmieniać strategię w zależności od warunków zawodów w jakich przyjdzie im konkurować.

Podsumowanie

Przedstawiliśmy tylko kilka możliwości uczenia maszynowego. Jest to dziedzina sztucznej inteligencji, która dzięki coraz większej dostępnej mocy obliczeniowej rozwija się w dzisiejszych czasach bardzo szybko. Sensory, internet rzeczy, big data pozwalają generować i przetwarzać ogromne ilości danych, które są podstawą działania modeli ML. Technologia ta sprawia, że rywalizacja sportowa wchodzi w nowy wymiar, a wynik jej działania może przechylić szalę zwycięstwa na stronę, która ją stosuję.

Źródła

[1] http://donbasile.me/the-rise-of-biometrics-tracking-in-pro-sports/

[2] https://www.lifehacker.com.au/2015/05/how-machine-learning-is-changing-sport/

[3] „Effective injury prediction in professional soccer with GPS data and machine learning”, Rossi A, Pappalardo L, Cintia P, Iaia MF, Fernàndez J, Medina D

[4] https://www.microsoft.com/en-us/garage/blog/2017/06/new-garage-project-brings-predictive-analytics-sports-performance-data/

[5] http://theconversation.com/how-ai-could-help-football-managers-spot-weak-links-in-their-teams-90276

[6] „Machine Learning for Soccer Analytics”, Gunjan Kumar

[7] „A machine learning framework for sport result prediction”, Rory P. Bunker, Fadi Thabtah.

Mogą Ci się również spodobać...

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *