Элитный спорт сейчас наводнен данными. По мере того как спортсмены и руководство стремятся получить все возможные конкурентные преимущества, они собирают информацию обо всех аспектах индивидуальных и командных выступлений в стендовых тренировках и матчах, а также множество других показателей.

Уверенность в машинном обучении, часто необходимая для того, чтобы вывести тренеров на вершину своей области, означает, что некоторые по-прежнему не хотят уступать место алгоритмам и машинам, но врожденные предрассудки и ошибочность человеческой памяти означают, что мозг - неэффективный инструмент для обработки сложных информация, особенно по времени, необходимому во время спортивных игр. Это особенно актуально для командных видов спорта, где они должны контролировать сразу несколько игроков.

Машинное обучение можно применить к спорту разными способами, и теперь данные доступны практически обо всем.

Что такое спортивная аналитика?

Спортивная аналитика - это процессы, которые позволяют выявлять и получать знания и понимание действий потенциальных игроков на основе использования различных источников данных, таких как данные об играх и данные об эффективности отдельных игроков. Этот продвинутый и сложный тип аналитики должен уметь извлекать ценные практические идеи для использования тренерами и менеджерами.

Спортивную аналитику можно использовать в различных областях, в том числе:

  • Предсказание исхода игры
  • Прогнозирование выступлений команд или отдельных игроков
  • Создание новых стратегий для предстоящих соревнований
  • Определение цены игрока, если клуб должен был арендовать / продать / купить его / ее
  • Подключение игроков к брендам и спонсорам

Конечно, не все команды используют аналитические инструменты. Помимо затрат, существует также проблема объяснения сложных аналитических методов коучам понятными им способами.

В футболе все больше и больше нужных данных становится доступным благодаря носимым технологиям и RFID-меткам, которые носят игроки.

С.Л. Бенфика - лучшая футбольная команда Португалии - зарабатывает столько же денег на воспитании, обучении и продаже игроков, сколько и на игре в футбол. Конечно, футбольные команды всегда продавали и обменивали игроков, но Бенфика превратила это в форму искусства: покупка молодых талантов; использование передовых технологий, науки о данных и обучения для улучшения своего здоровья и производительности; а затем продавать их за десятки миллионов фунтов стерлингов - иногда в 10 или 20 раз превышающую первоначальную плату.

Благодаря машинному обучению и прогнозной аналитике, работающим в Microsoft Azure, в сочетании с экспертами Benfica по обработке данных и накопленным опытом тренеров, каждый игрок получает индивидуальный режим тренировок, в котором устраняются слабые места, усиливаются сильные стороны и значительно снижается вероятность получения травм.

Собранные данные, такие как жизненно важная статистика игроков и их движения на тренировках и в игре в игровой день, анализируются для повышения производительности игроков и стратегии матча. Теперь у тренеров есть доступ к такой информации, как скорость бега игроков, расстояние, которое они преодолевают в игре, а также их уровень усталости или обезвоживания в режиме реального времени и после матча.

Эта информация позволяет тренерам определять более слабых или более сильных игроков, их физическое состояние и поддерживать их решения, когда дело доходит до того, кого заменить во время матча или кого оставить на скамейке запасных. Изучая модели игры и движения игроков, тренеры могут изменить стратегию игры, чтобы использовать сильные стороны каждого игрока и компенсировать их слабые стороны, чтобы улучшить общую производительность команды. Со временем тренеры могут изучать влияние решений и стратегий, основанных на данных, на общую производительность игрока и команды, анализируя изменение данных об игроках.

В крикете алгоритмы машинного обучения могут использоваться для выявления сложных, но значимых закономерностей в данных, которые затем позволяют нам предсказывать или классифицировать будущие экземпляры или события.

Огромным облегчением должно стать обновление нынешнего метода Дакворта-Льюиса с помощью ML, поскольку это было несправедливым обращением с командами, которые забивают в решающих матчах.

Мы можем использовать данные из первых иннингов, такие как количество выполненных доставок, оставшихся калиток, количество забитых запусков по выполненным поставкам и партнерство для последней калитки, и сравнить это с общим количеством набранных запусков. Методы машинного обучения, такие как SVM, нейронная сеть, случайный лес, могут использоваться для создания модели на основе исторических данных о первых подачах с учетом команд, играющих в матче. Эту же модель можно использовать для прогнозирования второго иннинга, прерванного дождем. Это даст более точный прогноз, чем метод D / L, поскольку мы используем много исторических данных и все соответствующие переменные.

Другое приложение - WASP (Прогнозирование выигрыша и подсчета очков), в котором используются методы машинного обучения, позволяющие прогнозировать окончательный результат в первом иннинге и оценивать вероятность победы преследующей команды во втором иннинге. Однако на данный момент эта технология использовалась на очень немногих турнирах. WASP был создан Скоттом Брукером в рамках его докторской диссертации. исследования вместе со своим руководителем Симусом Хоганом в Кентерберийском университете. Новозеландская телекомпания Sky TV впервые представила WASP во время освещения своего внутреннего крикета с ограниченными возможностями. Модели основаны на базе данных всех неукороченных ODI и 20–20 игр, сыгранных между странами первой восьмерки с конца 2006 г. (немного ниже для 20–20 игр).

Модель первого иннинга оценивает количество дополнительных пробежек, которые могут быть забиты, в зависимости от количества оставшихся мячей и калиток. Вторая модель иннингов оценивает вероятность выигрыша в зависимости от оставшихся мячей и калиток, забитых на текущий момент раундов и целевого счета.

Пусть V (b, w) будет ожидаемым дополнительным запуском для оставшейся части иннинга, когда b (правильных) мячей были выбраны и калитки потеряны, и пусть r (b, w) и p (b, w) - соответственно предполагаемые ожидаемые пробежки и вероятность попадания калитки на следующий шар в данной ситуации. Уравнение -

V(b,w) =r(b,w) +p(b,w) V(b+1,w+1) +(1-p(b,w)))V(b+1,w)

Учитываются такие факторы, как история игр в этом месте и условия дня (поле, погода и т. Д.), И для составления прогнозов используются оценки и вероятность увольнений.

Машинное обучение и человеческая интерпретация

Улучшения в технологиях и машинном обучении продолжают продвигать область искусственного интеллекта и использования в спорте в реальном времени. Но возможно ли, что искусственный интеллект когда-нибудь заменит тренера / менеджера?

Что ж, в некотором смысле они уже есть. Многие элитные спортивные клубы уже устанавливают определенные пороги для спортсменов во время тренировок. Они основаны на предполагаемом снижении производительности или повышении риска травм, если этот порог преодолен.

Решение о подходящем лечении спортсмена принимается исключительно на основе компьютерного анализа данных, собранных в полевых условиях. По крайней мере, на данный момент решение о том, действовать или нет на основании этой информации, все еще остается за тренером / менеджером. Однако в будущем это может измениться!