Аналитика матчей, чат-боты для болельщиков и безопасность гонок

Как алгоритмы помогают спортсменам.

В 1973 году Валерий Лобановский возглавил «Динамо Киев» и позвал в свой тренерский штаб Анатолия Зеленцова, который разработал тренировочную систему на основе математического моделирования. Сейчас в спорте можно намного проще и быстрее анализировать любые данные — от статистики конкретного игрока до его психологического состояния. Разбираемся, как машинное обучение развивает спортивную индустрию.

Подготовка к сопернику
 

Английский футбольный клуб «Ливерпуль» в 2019 году выиграл Лигу чемпионов (впервые за 14 лет), а в 2020 — чемпионат Англии (впервые за 30 лет). 

Фанаты благодарят за успех главного тренера команды Юргена Клоппа и игроков. Но ни тренера, ни лидеров «Ливерпуля» не было бы в команде без помощи дата-аналитиков. Они советовали руководству игроков, которых стоит купить (на основе анализа их показателей и того, насколько они вписываются в игру команды). То же касается и назначения главным тренером Юргена Клоппа — аналитики смогли математически показать, что он способен вывести клуб в топ.

Один из инструментов «Ливерпуля» (о других в клубе открыто не говорят) — система Pitch Control. Она помогает узнать, как вскрывать оборону соперника, а также куда и в каких ситуациях нужно переводить мяч, чтобы выросла вероятность гола. Кроме того, Pitch Control в лайв-режиме показывает картинку передвижения игроков. 

С помощью этой информации тренерский штаб может увидеть сильные и слабые стороны расстановки (своей и соперника), найти уязвимость противника и оптимальные варианты атаки. Тренерский штаб рассматривает все данные при подготовке к матчам и для анализа прошедших игр. 

В нидерландском клубе «АЗ Алкмар» игроки дают аналитикам команды свои данные: физические, когнитивные и даже личные. Ведь психологическое состояние футболиста тоже влияет на игру: что-то случилось в семье, и он уже не так сосредоточен на матче. Тренерский штаб должен это знать и учитывать при подготовке к матчу. 

Машинное обучение можно использовать даже для поиска нового клуба. Футболист Мемфис Депай плохо показал себя в «Манчестер Юнайтед». Он мог уйти в другой топовый клуб, но он обратился в компанию SciSports. Аналитики записали его пожелания по роли на поле и подключили к выбору свой алгоритм. Они учитывали стиль игры Депая, финансовые возможности клуба и зарплатные требования игрока, определенные страны (Англия, Испания, Италия, Германия и Франция) и игровое время, которое может получить футболист. Алгоритмы подсказали ему перейти во французский «Лион». Депай подписал контракт с клубом и спас свою карьеру. В 112 матчах «Лиона» он забил 48 голов, а в 33 играх за МЮ — 2 гола.

Еще с помощью данных можно узнать вероятность того, получит ли игрок травму. Алгоритмы анализируют его историю болезни, активность на тренировках и выносливость. Информацию собирает гаджет разработанный австралийской компанией Catapult.


Источник: Catapult

Его прикрепляют на тренировочную манишку игрока. Потом он измеряет медицинские показатели, дистанцию, которую пробегает игрок, время и метраж максимального рывка. Гаджет используют «Реал Мадрид», «Бавария», сборная Франции по футболу и другие команды.

Спасение от травм
 

В Калифорнии работает учебный центр P3. Он анализирует перемещения баскетболистов во время игры. Это первый центр такого рода. По словам его основателя Маркуса Элиотта, P3 не интересует высота прыжков или скорость игроков. Центру важно, как они прыгают, как ускоряются и замедляются. Это помогает P3 создавать оптимальные планы тренировок для каждого игрока. Некоторые баскетболисты НБА возвращаются в центр каждое лето после окончания сезона. В центре им помогают избегать травм и улучшать навыки. 

Чтобы собирать данные, P3 оснастил свою лабораторию высокоскоростной системой камер от Simi Reality Motion Systems GmbH.

Simi предлагает программное обеспечение для захвата движения, которое избавляет спортсменов от необходимости носить датчики отслеживания во время игры или тренировки. 

ПО Simi оцифровывает движения тела, создавая сотни миллиардов точек данных. Их обрабатывают в Microsoft Azure. Это позволяет командам проводить углубленный биомеханический анализ игроков. Затем ML-алгоритмы сравнивают физическую форму и возможности этого игрока с другими, которые прошли аналогичную оценку. Потом алгоритм относит игрока к одному из кластеров, предсказывая развитие его карьеры.

В одной ветке — рядовые игроки, у которых небольшой опыт в НБА. В другой — баскетболисты, которые были успешными на протяжении трех-четырех сезонов, но потом получили травмы, и их карьера пошла на спад. В третьей — игроки, которые провели несколько отличных сезонов и остаются здоровыми. 

Эти данные помогают спортсменам избежать травм. Игроки учитывают свои особенности и знают, какие движения могут привести к повреждениям. 

Чат-боты и управление эфиром
 

В июне 2016 года баскетбольный клуб Sacramento Kings и разработчик Sapien представили чат-бота KAI (Kings Artificial Intelligence).

Он отвечает на вопросы фанатов в Facebook Messenger. KAI рассказывает о клубе и домашней арене Sacramento Kings, делится статистикой команды и говорит, кто входит в ее состав.


Пример диалога с ботом

В НХЛ такой бот тоже есть. В 2017 году его запустила команда Tampa Bay Lightning вместе с компанией с Satisfi Labs. Thunder Bot может отвечает на вопросы, которые задают ему фанаты. Например, об особенностях домашней арены и парковочных местах или о билетах на игру. Если бот не может ответить на вопрос человека, в разговор вмешивается сотрудник службы поддержки. 

Владельцы стадионов и команд, которые используют индивидуальный онлайн-подход, могут повысить вовлеченность фанатов и заработать больше. 

Нейросети также помогают болельщикам управлять прямым эфиром. Например, в приложении Американской национальной футбольной лиги (НФЛ) во время Супербоула можно воспроизводить повторы, которые сняты со всех ракурсов, а также отдалять/приближать картинку и делиться видео в соцсетях.

Распознавание гоночных автомобилей
 

Для серии автогонок NASCAR вопросы безопасности крайне важны. С 1950 года здесь в среднем каждый год погибает более одного человека. Аварии со смертельным исходом не только трагичны, но и дорого обходятся компаниям. Один гоночный автомобиль стоит около $300 000 (без учета затрат на ремонт и техобслуживание), а шины меняются каждую гонку за $500 каждая. 

Поэтому компания Argo AI/Ford Motor Company использовала deep learning, чтобы повысить безопасность NASCAR. Команда разработчиков сказала, что нейросеть способна идентифицировать автомобили по фото. Ее обучали на тысячах изображений. 

Сейчас нейросеть определяет гоночные автомобили точнее, чем люди. Возможность быстро обнаружить автомобиль, в котором произошел сбой во время гонки, поможет избежать катастрофы. Маленькие неисправности могут быстро привести к серьезным проблемам, например, возгоранию машины. 

Ford инвестировал $1 млрд в Argo AI. Планируется, что в 2021 году компания выпустит первый автономный автомобиль, который повысит безопасность спортсменов во время гонки.