Тренеры используют искусственный интеллект для победы в спортивных играх

Алгоритмом — раз или шайбой в глаз: как ИИ меняет спорт | Rusbase

На рынке появилась система спортивной аналитики на основе технологий искусственного интеллекта, машинного зрения и методов анализа больших данных — Iceberg Sports Analytics.

Система создаёт порядка миллиона строк данных по каждой игре и фиксирует, что происходит на площадке, а глубинный графический анализ помогает получать информацию о технике и навыках спортсменов, вырабатывать для них рекомендации и делать прогноз относительно победы в следующем матче.

Компания начала разработку аналитической платформы ещё в 2015 году, а в 2016 году выпустила первую версию, прошедшую проверку у первых клиентов. В качестве инвестора выступил отец идеолога проекта, Александра Мартынова — Владислав Мартынов, также известный как основатель компании Yota Devices.

Обратите внимание

Среди клиентов сервиса такие клубы как ХК «Ак Барс», ХК «Сочи», один из самых молодых клубов КХЛ, New York Islanders, входящий в десятку самых успешных клубов NHL. Хоккейная академия RedBull (Зальцбург, Австрия) использует Iceberg для подготовки молодых спортсменов.

В процессе подписания контракты с другими хоккейными клубами по всему миру.

Идея создания системы появилась у главного идеолога проекта, Александра Мартынова, после просмотра фильма «Человек, который изменил всё».

Фильм снят на основе реальных событий, а за основу сюжета взята история бейсбольной команды, которая начала изучать статистику игр и выигрывать с помощью неё матчи.

После учёбы в Торонто Александр поехал работать аналитиком в хоккейный клуб, где и выносил идею.

Брэд Питт в роли менеджера оклендской бейсбольной команды в фильме  «Человек, который изменил всё» 

Что из себя представляет система и как она работает

Разработчики написали алгоритмы и формулы, которые используют видеосъемку игры для вычисления координат всех игроков — в какое время находился конкретный спортсмен и где, с какой скоростью он перемещался и на каком расстоянии от него находилась шайба. Три камеры снимают всю игру и, если в лиге 20 команд, достаточно будет снять 10 из 20, чтобы обладать всей информацией и иметь необходимые данные и статистику.

Мы обсчитываем за матч более миллиона различных координат и с помощью алгоритмов превращаем их в объективную аналитику. Есть похожие технологии: на игроков закрепляются RFID-датчики, которые фиксируют их координаты передвижения, после чего эта информация анализируется и создаётся статистика.

Во-первых не всегда возможно повесить датчики на команду оппонента. Часто игроки и представители других команд чувствуют себя некомфортно, осознавая, что на них установлены посторонние предметы.

Важно

Во-вторых, мы предоставляем не просто цифры, но и глубокий аналитический консалтинг – наши аналитики переводят цифры в понятные для тренерского штаба выводы.

Чтобы получить статистику, необходимо установить камеры, сделать видеосъемку игры, загрузить полученные данные в облачную платформу и интегрировать видео в статистику с помощью алгоритма. Алгоритм постоянно учится, и чем больше обрабатывается данных, тем меньше погрешность.

Идентифицирует система игроков по номеру на спортивной форме. Как только игрок появляется на поле, камера распознаёт его и привязывает к нему определённую траекторию. Таким образом, каждый игрок представляет собой на поле точку, за движением и скоростью которого следит система.

Также алгоритм видит, как ускорялась эта точка, на каком моменте игры потеряла скорость и по каким причинам. 

Для чего нужна такая система

Собрав данные, можно не только анализировать готовую статистику по прошедшим матчам, но и прогнозировать дальнейшие игры и комбинации.

Утверждать на 100%, что эта информация поможет определить победителя в лиге, нельзя, но если знать статистику оппонента — понимать, кого ставить против игроков другой команды, побеждать будет значительно проще.

Можно не только выявлять сильнейшего игрока в команде противника, но и найти его слабые точки и слепые зоны, чтобы понять, как нужно играть, чтобы выиграть. Инструмент позволяет любой хоккейной команде изучить противников и на основе полученных данных полностью менять тактику своей игры.

Как система помогает экономить деньги

Скаутинг — это поиск молодого игрока в команду.

Но, если он просит $1 млн в год, то можно узнать, стоит он таких денег или нет, просто открыв статистику: может, лучше взять двух молодых и выносливых игроков по $0,5 млн? Хотя рассчитать настоящую стоимость человека система ещё не позволяет, она может оценить спортсмена по разным критериям, начиная от аккуратности пасов и заканчивая выносливостью, сопоставляя его с другими спортсменами, предварительно изучив и их зарплатные ожидания.

Чем система отличается от остальных решений

Iceberg собирает огромное количество данных, производит их автоматически и оказывает аналитическую поддержку.

Помимо высокого уровня безопасности от взлома у системы есть ещё одно преимущество — возможность брать её в любой уголок мира.

Портативность сервиса позволяет взять его даже в самолёт, не сдавая в багажное отделение, так как весит такой чемоданчик искусственного интеллекта всего 9 кг. 

Вот так выглядит Iceberg Sports Analytics в собранном виде.

Конкуренты либо вешают датчики на спортсменов, либо используют человеческие ресурсы — берут человека, который смотрит игру и записывает данные вручную.

Конечно же, будет субъективность и как следствие погрешности в цифрах.

Когда один из клиентов выбирал между нами и сервисом, где человек сидел и записывал, он выбрал нас, потому что его погрешность точности анализа данных составила свыше 20%, а наша – 3,8%

Система собирает более миллиона информационных точек с матча, больше половины которых даже не используется для аналитики впоследствии. Тренерам нужна не вся информация и вся статистика, а лишь определённые данные. Но если тренерский штаб захочет посчитать показатель, который система ещё не считала — эта информация пригодится, а сервис выявит нужные данные за 30 минут.

Как на этом ещё заработать

В глобальном понимании спорт и рынок спорттеха очень сильно изменятся. С точки зрения зрителя, если внедрять эту систему в режиме реального времени, можно делать очень качественный интерактив.

Человек сможет смотреть матч, а в паузах между игрой видеть статистику — сколько километров и с какой скоростью проехал игрок, сколько забил шайб и сколько пропустил пасов.

Заработать на этом смогут и букмекерские конторы, так как появится возможность собирать все данные по чемпионату и прогнозировать, кто выиграет — станет очень просто.

Нужны ли будут спортивные аналитики

У генеральных менеджеров клубов нет времени вникать в игру — они хотят, чтобы им просто приносили понятные данные.

Информацию в этом случае может предоставлять либо аналитик внутри команды — человек, который обработал все данные и сделал отчёт, либо система. Однако человека полностью заменить не получится.

Например, на фондовых рынках, несмотря на роботов, есть трейдеры, которые выполняют работу вручную. А вот сборщики данных действительно вряд ли понадобятся.

Что ждёт рынок в будущем

По словам идеолога проекта, задачи спортивного анализа  в большинстве случаев решаются вручную. Это трудоёмко, медленно, ведёт к большому количеству ошибок и дополнительных расходов.

Сейчас компания планирует расширяться и выходит на рынок Азии, где происходит хоккейный бум из-за программы по развитию китайского хоккея в рамках подготовки к Олимпиаде-2022.

 Если посмотреть в будущее и задаться вопросом, может ли алгоритм заменить тренера в спорте — ответа мы, к сожалению, пока не получим. 

Тем не менее, мировой рынок цифровой спортивной аналитики только зарождается.

Совет

По оценкам аналитического агентства Winter Green Research, в 2014 году рынок аналитики составил $125 млн, но уже к 2021 году составит $4,7 млрд.

Уровень проникновения таких решений в хоккее пока ещё очень низкий и находится на уровне 20-25% от общего рынка спортивной аналитики. По оценкам Iceberg Sports Analytics, к 2021 году он составит  около $1 млрд.

Материалы по теме:

6 областей ИИ и машинного обучения, за которыми стоит наблюдать

ИИ-сервис Amper пишет музыку, за которую не стыдно

13 самых влиятельных бизнес-трендов ближайшего будущего

Американский учёный объяснил, почему даже собака умнее, чем IBM Watson 

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Источник: https://rb.ru/longread/kak-ii-menyaet-sport/

Методы нейросетевой кластеризации для прогнозирования исходов матчей по игровым видам спорта

Современные математические методы и уровень развития информационных технологий позволяют с высокой точностью прогнозировать исходы матчей в игровых видах спорта (футболе, хоккее, баскетболе, теннисе и других). В свою очередь, максимальная точность прогнозов, при правильном их использовании, способна принести максимальную прибыль в игре на ставках на исходы спортивных событий.

Сразу оговоримся, что под точностью подразумевается не совпадение однозначных предсказаний исходов (победа одной из команд или ничья) с реальными спортивными результатами, а статистическое соответствие между предсказанными вероятностями всех возможных исходов и частотами этих же исходов среди массы обобщенных спортивных результатов.

Не так давно (летом 2014 года) на сайте neuronus.com была опубликована статья об одном из самых интересных и перспективных подходов к предсказанию исходов матчей, связанном с применением методов нейросетевой кластеризации данных о предыгровых раскладах команд с целью расчета вероятностей того или иного исхода игры.

В общем случае, кластеризация – это способ интеллектуальной обработки значительного объема статистических данных с целью их распределения по кластерам.

При этом каждый кластер должен содержать группы примеров с близкими по значению характеристиками объекта исследования, в нашем случае – статистическими показателями команд, участвующих в матче, прогноз на исход которого предстоит сделать.

Читайте также:  Роботы будущего: какими они будут?

Если таких примеров в кластере оказалось достаточно много, то их можно обработать методами математической статистики и получить со сравнительно небольшой погрешностью вероятности всех возможных исходов любого матча, предыгровой расклад которого соответствует (наиболее близок) данному кластеру.

В качестве методов, использующихся для нейросетевой кластеризации, называются искусственные нейронные сети Кохонена; искусственные нейронные сети на основе радиально-базисных функций и аналоговые искусственные нейронные сети адаптивного резонанса.

Обратите внимание

Из теории искусственного интеллекта известно, что любые нейронные сети настраиваются с помощью специальных обучающих выборок. Эти выборки составляются на основе данных, полученных в результате продолжительных наблюдений – результатов матчей по футболу, хоккею и другим спортивным играм с соответствовавшими им предыгровыми раскладами.

Решение задачи прогнозирования исхода матча предложено получать в виде такого алгоритма действий:

  • Во-первых, требуется собрать достаточно большой массив статистических данных об имевших место результатах матчей в том же игровом виде спорта, а по возможности, в аналогичных по значимости турнирах и среди того же круга команд;
  • Во-вторых, следует выбрать класс нейронной сети, которую планируется использовать для решения поставленной задачи;
  • Далее выбрать готовое или создать новое информационно-программное обеспечение, реализующее нужный класс нейронной сети и адаптировать его под решение задачи прогнозирования исходов спортивных матчей;
  • Создать обучающую выборку и представить ее в формате, понимаемом информационно-программным обеспечением;
  • Настроить ход и параметры обучения;
  • Провести само обучение и проанализировать данные в полученных кластерах;
  • Далее можно использовать обученную нейронную сеть для предсказания исходов конкретных матчей и при этом продолжать ее обучение, когда появляется статистическая информация о новых сыгранных матчах.

Обратимся к отдельным аспектам и стадиям работы алгоритма, наиболее интересным болельщикам и прогнозистам. Вопросы, касающиеся нейронных сетей, оставим специалистам в области методов искусственного интеллекта.

Происхождение, количество и качество статистических данных

Чем больше объем статистических данных для обучения, тем точнее будет решена задача. Но при этом важно исключить из рассмотрения зашумляющую информацию.

Например, нельзя использовать в одной выборке статистику матчей по футболу и хоккею команд Английской футбольной премьер-лиги и второго дивизиона чемпионата Молдавии.

Экспертная оценка специалиста, подбирающего матчи для выборки, крайне важна и существенно повлияет на точность прогнозирования результатов.

Какие же именно факторы следует учитывать при прогнозировании? Вот их неполный список: фактор поля (проходит ли игра на своем поле или на чужом, а может быть, на нейтральном или без зрителей, насколько высока разница в часовых поясах), оперативная информация о предыгровом раскладе (сила играющих команд с учетом данного фактора поля на текущий момент и динамика ее изменения в течение последнего ограниченного периода времени), статистика по нескольким последним личным встречам данной пары команд.

Дополнительно могут влиять на вероятности исходов матчей факторы, которые практически невозможно оценить численно: наличие травм или дисквалификаций ведущих спортсменов, увольнение или назначение тренеров, значимость игры с точки зрения турнирной ситуации.

Статистический анализ кластеров

Для всех примеров (матчей) каждого кластера должны быть известны результаты игр.

Таким образом, рассчитав средние значения исходов (количества выигрышей, поражений или ничьих к общему количеству матчей в кластере), можно получить вероятности исходов прогнозируемого матча.

Поскольку вероятности нормированы (их сумма равна единице), нет смысла делать кластеры очень большими. Оптимальный их размер – около 200 примеров. Лучше рассчитывать вероятности на этих, наиболее близких к исследуемому, примерах.

Ограничения практического использования кластеров

Ряд кластеров может оказаться небольшого размера. Вместо 200–300 примеров в нем могут быть 20–30. За основу предсказания исхода игры полученное статистическое обобщение, конечно, можно принять, однако слепо доверять ему, с точки зрения математической статистики, не следует.

На нашем сайте на страницах, посвященных прогнозированию результатов матчей, используется достаточно большое количество элементов интеллектуального анализа данных и нейросетевой кластеризации, в том числе упомянутые в данной статье. И следует заметить, что опыт их использования подтверждает перспективность данной группы методов.

Источник: http://sgranks.com/articles/12-11-2014/

Стивен Бробст, Teradata: «В эпоху искусственного интеллекта – тренер как функция теряет смысл»

назад в раздел Новости

Дата публикации – 09.07.2018 г. Автор – Teradata

Сайт – www.teradata.ru

 

Ключевые слова: Teradata, искусственный интеллект, большие данные, IntelliCloud, спортивная аналитика, GPS-датчики в спорте.

Обсуждая ЧМ-2018, можно говорить не только о победах и спортсменах, но и об использовании новых технологий.

Так, например, сборная России во время тренировок использует GPS-датчики, которыми «обвешивают» игроков для мониторинга их состояния и сбора индивидуальных показателей.

Технический директор компании Teradata Стивен Бробст уверен, что искусственный интеллект и большие данные повышают эффективность спортсменов и команд, за которые они выступают. А, кроме того, помогают успешно инвестировать в спорт и меняют рынок труда.

Важно

Инновации уже широко используются в спорте – особенно в командных видах. Если раньше аналитика игры проходила долго и утомительно – специалист вручную анализировал перемещения спортсменов, технико-тактические действия, количество ускорений, пауз и прочее, то сейчас это все автоматизировано. 

«Самая большая сложность в том, что нельзя ничего добавить в самой игре, например, установить датчики на спортсменов во время игры, так, чтобы это им не помешало игре. Поэтому для сбора информации приходится использовать, в основном, видеозаписи. Именно видео до сих пор является основным инструментарием.

Это работало и 10 лет назад, когда для анализа проведенных матчей использовались относительно простые программные решения и работали с этим данными профессионалы, которые вручную вели необходимую статистику.

Теперь же обработкой информации и ее анализом занимается искусственный интеллект», – рассказывает Стивен Бробст, технический директор Teradata.

Например, Teradata IntelliCloud, облачное решение, позволяющее обрабатывать и анализировать данные по модели SaaS, помогает Larry H Miller Sports & Entertainment получать детальный разбор любой игры по заданным параметрам за 30 секунд вместо 12 часов, как это было раньше. 

«Наши технологии работают с уже структурированными данными. Так, например, в экосистеме, которую мы предлагаем, реализованы hadoop-кластеры, где можно хранить и обрабатывать видео, извлекать из него те структурированные данные, с которыми, как раз, и работают решения Teradata. Для анализа этих данных применяются алгоритмы машинного обучения», – добавляет Стивен Бробст.

По его прогнозу, в ближайшие годы использование алгоритмов машинного и глубокого обучения серьезно изменит ситуацию в спортивной аналитике. 

«Новые решения будут очень-очень точные, точечные решения, очень специфичные для каждой конкретной игры. Они помогут предсказывать, какую стратегию на игры выбирать в зависимости от состава, опыта команды и от команды противника. И тогда уже не так нужен будет сильный тренер, если у команды будут большие данные и умные алгоритмы», – отмечает он. 

Стивен Бробст предполагает, что новые технологии и большие данные не заменят менеджеров и тренеров. Но менеджеры и тренеры, которые используют искусственный интеллект, заменят тех своих коллег, которые его не используют.

«В дальнейшем, выигрывать игру будет не лучший тренер и не лучший игрок, а целый комплекс факторов, заложенных в программное обеспечение. Вам все еще будут нужны хорошие игроки.

Но искусственный интеллект поможет выбрать этих лучших игроков в зависимости от того, сколько денег может на них потратить команда.

Если же у вас с противником одинаковые финансовые возможности, то здесь, конечно, все решит ИИ», – уверен Стивен Бробст.

Совет

Большие данные и искусственный интеллект используются не только в повышении эффективности команды и анализа противников. 

«Спорт – это не только игра и показатели спортсменов, это еще и большие деньги. Например, аналитика может использоваться для оптимизации процесса продажи и приобретения игроков, а может – в ценообразовании по различным трибунам стадиона. Это очень большие объемы данных и проекты», – подытоживает Стивен Бробст. 

Research and Markets прогнозируют рост рынка систем мониторинга и аналитики в спорте в сотни раз – до 15,5 млрд долларов – к 2023 году. На данный момент он составляет около 70-80 млн евро, по данным компании Instat.

Топ-5 задач от Бробста для больших данных в спорте: 

  1. Анализ и предложение по улучшению индивидуальных показателей каждого спортсмена.
  2. Оптимизация игры всей команды, с учетом умений, опыта и особенностей каждого игрока.
  3. Аналитика игры противника, выстраивание правильной стратегии игры против этой команды.
  4. Оптимизация продажи билетов. Анализ и прогнозирование степени загруженности трибун, популярности секторов стадиона и так далее.
  5. Оптимизация продажи/приобретения игроков. Анализ индивидуальных показателей конкретного игрока, а также того, как он «впишется» в команду.

Корпорация Teradata (NYSE: TDC) – крупнейшая в мире компания, полностью сфокусированная на улучшении аналитических возможностей организаций при помощи программного обеспечения баз данных, хранилищ данных, комплексов для хранилищ данных, консультационных услуг и аналитических систем.

Teradata, Aster и логотип Teradata являются зарегистрированными товарными знаками корпорации Teradata и/или ее филиалов в США и по всему миру. 

назад в раздел Новости

Источник: http://www.esm-invest.com/ru/Steven-Brobst-Teradata-In-an-age-of-artificial-intelligence-the-coach-as-a-function-loses-its-meaning

Искусственный интеллект предсказал итоги ЧМ-2018. Почему не угадал? · Город 812

Математические модели прогнозируют не первый чемпионат, но технологии стремительно развиваются, поэтому на свежие прогнозы возлагались большие надежды.

В Техническом университете Дортмунда подключили способ машинного обучения random forest («случайный лес») и получили сто тысяч различных вариантов развития событий чемпионата мира. Вероятными победителями назвали Испанию (17,8%) и Германию (17,1%).

Читайте также:  Мнение экспертов: искусственный интеллект не должен чувствовать

Аналогичную методику применил инвестиционный банк Goldman Sachs: проанализировали порядка миллиона вариантов развития событий, получили победу Бразилии. Испания, по прогнозу Goldman Sachs, должна была вылететь в первом раунде плей-офф (здесь угадали).

18 аналитиков швейцарского банка UBS моделировали чемпионат мира около десяти тысяч раз и получили вероятное чемпионство Германии (24%). Бразильцам давали 19,8%, испанцам 16,1%, французам только 7,3%.

Commerzbank использовал «Монте-Карло», метод «случайного моделирования», который учитывал все, что можно: футбольный рейтинг Эло, предыдущие результаты сборных, факт проведения ЧМ в России, даже возможные сенсации. Провели около десяти тысяч симуляций для каждого из матчей, чемпионом должна была стать Германия.

Ученые Инсбрукского университета работали с моделью «букмекерского консенсуса», которую создали в 2009 году три сотрудника Венского экономического университета Кристофер Ляйтнер, Ахим Цайляйс и Курт Хорник. Модель предсказала чемпионство Бразилии.

Американская компания спортивной статистики Gracenote на основе анализа Big Data предсказала возможность сенсации: чемпионом мира может сборная не из тех, которые побеждают с 1970 года (Бразилия, Германия, Аргентина, Испания или Франция). Gracenote получила 47% вероятности, что чемпион будет совершенно новым, например, Колумбия или даже Перу, которой вообще не было на чемпионатах мира с 1982 года.

Обратите внимание

Gracenote получила 60% вероятности выхода России в плей-офф со второго места своей группы, — это сбылось.

Один из прогнозов на ЧМ-2018, сделанных искусственным интеллектом

С прогнозами на Россию почти получилось у Danske Bank. В расчетах этого банка, который подключил тот же метод стохастического моделирования «Монте-Карло», наша сборная получала семь очков и первое место в группе.

Дальше из модели Danske Bank следовало — Россия в 1/8 финала попадает на Португалию и проигрывает. Возможно, именно этот прогноз помог Станиславу Черчесову разработать верный турнирный путь.

Победу в Danske Bank обещали сборной Бразилии (17% вероятности), Германии и Аргентине давали по 12%.

Любопытно сопоставить шесть обнародованных банками и исследователями прогнозов. Три раза чемпионство отдавали немцам, три бразильцам. Хорватию никто из прогнозистов не увидел даже в первой десятке, только Инсбрукский университет давал хорватам 10-е место в рэнкинге вероятности чемпионства. Франция получала четыре пятых места, одно четвертое, одно третье (Reuters).

Обратим внимание, что самый удачный прогноз, от Reuters, не был машинным, агентство просто опросило 145 аналитиков, экономистов, стратегов.

Кстати, в 2014 году UBS проводил подобное исследование, которое выдавало победу Бразилии. В этом мало кто сомневался без машинного анализа, бразильцы обязаны были выиграть домашний чемпионат мира, но рухнули в полуфинале с немцами, которые потом стали чемпионами.

Банки продвигали свои инновационные методы и машинные прогнозы именно как действующие инструменты анализа, в том числе финансового.

Важно

Теперь эти инструменты поставлены под сомнение вместе с качеством машинной аналитики инвестбанков. Многие животные в прогнозах через выбор еды вновь оказались точнее.

Не говоря уже о ныне покойном осьминоге Пауле из немецкого зоопарка — тот вообще почти не ошибался.

Футбол пока не поддается машинным прогнозам, которые оказались составленными по знаменитому принципу «играют 22 человека, а выигрывают немцы», ну или бразильцы.

Одна из букмекерских контор утверждает, что разработала уникальный «авторский» искусственный интеллект, который достаточно точно выдает результаты спортивных событий, делает ставки и уверенно выходит в плюс. Статистику робота можно посмотреть на сайте букмекерской конторы, но и это, видимо, маркетинговый ход.

Некоторые успехи у искусственного интеллекта в прогнозировании все же есть.

Компания IBM доверила начала предсказывать вероятную эффективность сотрудников искусственному интеллекту Watson своей собственной разработки. Этот интеллект составляет прогнозы производительности каждого сотрудника компании, а их по всему миру 380 тысяч.

Система отслеживает навыки сотрудника, оценивает его опыт, анализирует данные о развитии человека и пытается предсказать, пригодится ли он IBM дальше, а если да, то как.

В компании утверждают, что Watson справляется со своей задачей на 96%, но критерии результативности этого искусственного интеллекта неизвестны, в компании говорят, что сравнивают точность предсказаний «Ватсона» с тем, что вышло по жизни. А для людей крайне важно, что оценки искусственного интеллекта влияют на начисление премий и карьерные перспективы.

Есть искусственному интеллекту место в творческих процессах.

Исследователи Disney Research и University of Massachusetts в Бостоне разработали нейронные сети, которые пробуют оценивать, понравятся ли людям те или иные короткие рассказы.

Совет

Ученые подчеркивают, что нейронные сети не претендуют на статус литературных критиков, но по определенным алгоритмам довольно точно предсказывают коммерческий успех или неудачу литературного произведения.

В американских клиниках начали предлагать машинные предсказания вероятности смерти пациента в течение года. Уверяют, что точность прогноза достигла 90%.

Хотя еще в восемнадцатом веке французский математик и сторонник теории вероятности Абрахам де Муавр самостоятельно рассчитал день своей смерти. На девятом десятке жизни математик обратил внимание, что каждое утро просыпается позже на пятнадцать минут.

Де Муавр логично предположил, что когда эти минуты сложатся в 24 часа, он умрет. Расчеты оказались точными, математик скончался в предсказанный им самим день 27 ноября 1754 года.

Способны ли технологии в перспективе обеспечить стопроцентно точные прогнозы или количество вариантов развития событий всегда будет превышать возможности алгоритмов?  Если технологии достигнут стопроцентной точности прогнозирования, зачем вообще проводить чемпионаты? Чем еще инновации могут помочь спорту? На эти вопросы «Городу 812» ответили в международной компании Teradata, которая специализируется на улучшении аналитических возможностей.

Способны ли технологии машинного обучения, Big Data и пр. в принципе выйти на такой уровень, чтобы давать стопроцентные прогнозы спортивных и других событий? Или количество вариантов развития событий всегда будет превышать возможности расчетов? 

— Причины неудачи кроются, во-первых, в учитываемых факторах. Большинство из перечисленных организаций ограничивалось в своих моделях очень высокоуровневыми показателями, такими, как ВВП страны, рейтинг команды по версии FIFA, или успех на предыдущем чемпионате.

Однако при работе с такими сложно предсказуемыми событиями, как исход футбольного состязания, необходимо рассматривать существенно более детальные данные — каждое действие конкретного игрока, поведение на поле во время тренировок и игр, скорость его бега, количество ускорений и так далее.

Чтобы построить правильный прогноз, должны учитываться тысячи параметров, но здесь существует проблема доступности данных, так как самой детальной информацией по игрокам (например, по их физическому состоянию) обладает только тренерский штаб команды, и вряд ли он станет делиться этой информацией с инвестиционными банкирами.

Во-вторых, на исход результата повлияли использованные методики. Оговорюсь, что у меня есть серьезные вопросы к объективности этих исследований, так как в некоторых случаях они выглядят подозрительно патриотично.

Обратите внимание

Например, и немецкий Commerzbank, и бразильский Itau заявили о вероятном повторении в финале схватки их национальных сборных, но если немецкая организация пророчила закрепление прошлогоднего успеха, то бразильская говорила о долгожданном реванше.

Не принимая во внимание патриотический настрой, предположу, что, вероятно, при построении данных прогнозов использовался классический математический аппарат, знакомый финансистам более сотни лет.

В первую очередь, это классические регрессионные модели — они просты, хорошо объяснимы, и, используя их, аналитик получает и прогноз, и информацию о влиянии каждого из параметров модели на описываемое событие.

Но когда речь идет о таких сложных объектах и процессах из мира спорта, есть смысл обратиться к технологиям искусственного интеллекта и пробовать модели, основанные на нейронных сетях, так как они позволяют хорошо работать с неявными связями и моделировать нелинейные процессы, лучше «чувствовать» объект моделирования.

Некоторые публикации (например, Danske Bank) раскрывают формулы, по которым считался прогноз, и в них есть большая доля экспертной оценки.

Причина в отсутствии парадигматического сдвига: вместо того, чтобы доверить «машине» самой рассчитать все коэффициенты, оценить каждый из факторов и построить модель, банкиры, видимо, по привычке внесли свой вклад. Тем не менее, процесс неумолим, и уже сейчас эксперты полушутя говорят о том, что существует три типа компаний: те, кто уже использует искусственный интеллект, те, кто скоро начнет его использовать, и те компании, которые скоро перестанут существовать.

В результате нет ничего удивительного в том, что перенос финансового подхода в мир спорта дал негативный результат: виной тому естественная работа в финансовом секторе с верхнеуровневыми данными, неправильно выбранный математический аппарат и страх дать «машине» свободу в построении прогноза.

Если технологии достигнут уровня 100% прогнозирования, перед человечеством встанут морально-этические вопросы. Например, зачем проводить чемпионаты?

— Моделирование спортивных событий — тяжелый процесс. Ни одна организация до сих пор не приблизилась к стопроцентной вероятности предугадывания результата матча: в спорте всегда есть место случайности.

Появление такой модели автоматически сделает бессмысленным весь букмекерский бизнес, более того, она может нанести серьезный ущерб экономике в целом, так как огромная доля болельщиков, которые сейчас с удовольствием смотрят спортивные трансляции, рекламу, покупают сопутствующие товары, просто не будут интересоваться матчами с предрешенным результатом. Подобная модель нанесет серьезнейший удар по мировой экономике и оставит за собой вереницу банкротств и исчезнувших рабочих мест. Это затронет медийный бизнес, ритейл, производителей одежды, прохладительных напитков и многих других. В конце концов, даже если не учитывать все экономические последствия, в жизни всегда должно быть место эмоциям и чувству праздника.

Читайте также:  Нейросеть научилась распознавать музыкальные хиты

Как цифровые технологии могут сделать большой футбол еще интереснее, помимо попыток прогнозов?

— В спорте инновации уже работают, в командных видах особенно. В чем самая существенная сложность для аналитики? К спортсменам нельзя прикрепить датчики, например, это помешало бы игре. Поэтому анализируют, в основном, по видеозаписи. Это делали всегда в футболе, например, но раньше анализировать матчи специалистам проходилось долго.

Важно

И это было весьма утомительно: по видеозаписям считать вручную все технические действия спортсменов, количество ускорений, остановок и многое другое. Лет десять назад для анализа матчей начали использовать относительно простые программные решения, но потом профессионалы все равно анализировали эти данные вручную.

Сейчас искусственный интеллект и обработает всю информацию, и проанализирует!

И даст рекомендации, как сыграть?

— Да, искусственный интеллект может сделать анализ и дать предложения, как улучшить показатели каждого спортсмена и всей команды с учетом качеств и состояния каждого игрока.

Машинный анализ позволит просчитать игру соперника, учесть все детали и дать верную стратегию на матч. Сильный тренер не так и нужен, если у команды есть большие данные и умные алгоритмы.

Это будут очень специфичные, точные решения для каждой игры.

То есть алгоритмы вообще заменят тренеров?

— Не совсем так. Хороший тренер, хорошие игроки будут нужны по-прежнему, искусственный интеллект поможет выбрать лучших с учетом финансовых возможностей клуба. Выигрывать будут не только игроки и тренер, но целый комплекс факторов, заложенных в программное обеспечение. Если ваши возможности и соперника равны, все решит искусственный интеллект.

Финансовую составляющую работы клубов, например, приобретение и продажу игроков, определение оптимальной стоимости билетов на матчи, тоже можно более успешно организовать с умными алгоритмами.

А вот что думают по поводу машинных футбольных прогнозов в компании Navicon — одном из российских лидеров в области ИТ-консалтинга и системной интеграции.

— В спорте есть множество переменных данных, которые невозможно предсказать: травмы в футболе, погода, судейские ошибки, болельщики, выбегающие на поле.

Как, собственно говоря, и в финансах: курс валюты и биржевые индексы поддаются прогнозу в рамках того исходного набора данных, который заложен в системе.

Число предикторов для прогноза и в одном, и в другом случае получается необычайно высоким и, главное, далеко не все эти данные есть в оцифрованном виде, поэтому 100% точности добиться от прогнозных систем на сегодняшнем уровне развития технологий невозможно.

Тем не менее, ИТ для финансов развивается очень активно: на рынке появляется все больше финтех-«единорогов», а глобальные инвестиции в технологии для финансовых компаний за 2014-2017 годы росли со среднегодовой скоростью в более чем 18% и достигли почти 40 млрд долларов, по данным FinTech Global. И постепенно прогнозные модели для финансового сектора становятся все более «умными» —  уже сейчас машины принимают решения лучше среднестатистического брокера, и с годами их точность будет только расти.

Одновременно развиваются и технологии для спорта: уже применяются VAR (видео-помощники судей), глобальные и локальные трекинг-системы (GPS и LPS), предназначенные для сбора данных об игроках для спортивного анализа и медиа-обработки, акселерометры, или носимая электроника, измеряющая биологические и физиологические показатели игроков. И даже системы прогнозирования/оптимизации в виде «помощника тренера» уже работают.

Совет

Во-первых, например, телеметрия игроков во время матчей все еще запрещена. Да, в рамках тренировок можно снимать показатели —  это сильно помогает готовить команды и сокращает количество помощников тренера, так как тренер, по сути, видит всю команду и все показатели сразу на бумаге/планшете.

Но тренировка отличается от игры – эмоциональное состояние в игре и физические показатели на конкретном поле отличаются от отрабатываемых «стандартов» на тренировке. Мы не можем заложить в систему точные данные по каждому игроку, а значит, в итоге прогноз «по ходу» матча не будет таким уж точным.

Во-вторых, всегда есть вероятность непредвиденных ходов: многие команды во время прошедшего чемпионата смогли нас действительно удивить, и вот такой «человеческий» фактор в игре всегда будет оставаться. Но ведь именно за это мы и любим футбол, правда?

Алексей Сердитов

Источник: http://gorod-812.ru/iskusstvennyiy-intellekt-predskazal-itogi-chm-2017-pochemu-ne-ugadal/

Психология победы в спорте

Важно не то, проиграем ли мы в игре, важно как проиграем и как, благодаря этому изменимся, что нового вынесем для себя, как сможем приложить это в других играх. Странным образом поражение оборачивается победой.
Р. Бах

В чем секрет психологии победителя? Возможно ли ее взрастить, сформировать, или она дается от рождения отдельным счастливчикам? Ответы на подобные вопросы, наверное, хочет получить каждый тренер и спортсмен.

Давайте попробуем это сделать.

Модель мастерства можно мысленно представить себе как две ступеньки, нижняя из которых представляет собой знания, умения и навыки, необходимые для овладения данным видом деятельности, а верхняя ступенька – это те особенности, которые отличают мастера от ремесленника.

Для того чтобы быть спортсменом, необходимо овладеть технико-тактическими умениями и навыками, свойственными данному виду спорта, надо развиваться физически и поддерживать в хорошей физической форме свое тело.

Но каждый тренер согласится со мной в том, что только перечисленных качеств явно недостаточно для высших достижений в спорте. Должно быть еще что-то, что выделяет чемпиона, победителя из остальных участников соревнования.

И это «что-то» расположено уже на второй ступеньке.

Задачей автора и читателя и будет выяснение того, что представляет собой это «что-то» и как его добиться.

По мнению ведущих специалистов, в области спортивной психологии, в процессе соревнования и подготовки к нему перед спортсменом стоит две цели:

Показать максимально возможный результат и сделать этот результат достаточно стабильным.

На вершине спортивного Олимпа удерживаются только те спортсмены, которые выступают стабильно хорошо.

Для реализации этих целей спортсмену потребуется его психологический ресурс.

Основными характеристиками этого ресурса являются:

ЦитатаРаскрыть

Цитата:

· настрой на выигрыш в соревнованиях любого уровня, готовность проявить все свои способности в процессе соревнования;

· способность видеть различия между количеством заработанных очков в процессе выступления и своей спортивной формой;

· готовность учиться на своих ошибках и способность выдерживать критику;

· позитивное, но реалистичное мышление, способность сохранять позитивный подход к себе и к своему выступлению, способность не сдаваться ни при каких обстоятельствах и не терять надежды;

· способность владеть своими чувствами;

· способность играть только разумом и телом, но не эмоциями (тем более негативными);

· способность сохранять спокойствие и стабильность, особенно в напряженные моменты (напряжение – это проба сил);

· поддержание необходимого уровня концентрации в течение всего выступления;

· способность стабилизировать состояние энергичности и бодрости;

· способность сохранять уверенность в себе в различных ситуациях соревнования;

· способность полностью осознавать свой потенциал;

· способность в каждом выступлении проявить весь свой потенциал.

Психологи говорят о существовании так называемой «зоны уверенности», ограниченной нижним и верхним порогами.

Верхний порог

ЗОНА УВЕРЕННОСТИ

Нижний порог

Верхний порог определяет максимальное количество выигрышей, следующих один за другим, после которого наступает страх проиграть. Ведь, в случае, если один выигрыш следует за другим достаточно длительное время, возникает мысль о том, что теперь уж проигрыш неизбежен. Другими словами, спортсмен как бы мысленно говорит себе:

«Что-то я уже пять раз выиграл. Видимо, теперь уже точно проиграю».

Нижний порог определяет минимальное количество проигрышей, следующих один за другим, после которого спортсмен чувствует неуверенность при выступлении.

«Проиграли два раза подряд! Мы в психологической яме! Выиграть будет сложно!»

Обратите внимание

У одного подобный страх может наступить через два проигрыша подряд, а другому и пять нипочем.

Чем меньшими числами определяются два эти порога, тем уже зона уверенности.

Задача тренера и спортсмена постоянно работать над расширением зоны уверенности.

Закономерность функционирования нашей психики такова, что страх перед выигрышем уменьшается пропорционально уменьшению страха перед проигрышем, поэтому работу по расширению зоны уверенности необходимо начинать с изменения нижнего порога.

Необходимо воспитать у спортсмена смелость проигрывать, т.е., человек должен дать себе право на ошибку.

Ведь каждый человек ошибается, без этого невозможно прожить. Возможно, смысл нашей жизни и заключается в обучении, т.е. в том, чтобы научиться там, где мы первоначально ошибались, впоследствии поступать правильно.

Негативная информация, т.е. информация об ошибке, должна использоваться для поиска правильного решения, а не для обвинения себя в неспособности к правильным поступкам.

Пример: в серии из пяти выстрелов в экспериментальных соревнованиях по стрельбе участвовали стрелки суперкласса. В ходе соревнования три первые выстрела попадали в десятку, а затем происходил сбой и стрелок попадал в девятку или восьмерку.

Когда серию увеличили до восьми выстрелов, то пять первых выстрелов были в десятку, а затем опять следовал сбой. Когда стрелки выступали в серии «три выстрела – перерыв – три выстрела – перерыв – три выстрела» практически все выстрелы были в десятку.

Как будто после серии успешных попаданий мозг начинает сомневаться в своем праве быть безошибочным.

Отрывок из книги «Психология победы в спорте».

Автор – Китаева М.В.

Источник: https://footballstudy.ru/articles/psihologiya-pobedy-v-sporte

Ссылка на основную публикацию
Adblock
detector