В плей-офф Высшей лиги бейсбола было много дискуссий о месте Instant Replay в игре в бейсбол. Это обсуждение длилось весь сезон с тех пор, как лига ввела систему вызовов, аналогичную той, что используется в НФЛ. Дискуссия усилилась теперь, когда игры имеют такое большое значение. Общим рефреном является то, что введение повтора подавляет дух игры, изменяя способ игры. Но если мгновенное воспроизведение доставляет неудобства пуристам, то машинное обучение будет мучительным.

Машинное обучение — это область компьютерных наук, в которой алгоритмы предназначены для обучения на основе данных и принятия соображений, основанных на данных. Имея некоторый ввод и некоторый контекст, алгоритм можно научить улучшать себя и становиться все лучше и лучше в своей работе. Как я понимаю, данные и ввод могут быть буквально чем угодно. Если это может произойти, это можно интерпретировать как данные, а машинное обучение — это область, способная использовать эти данные. Наука уже сейчас используется во многих областях, даже если она находится только на пике своей популярности, поэтому лучше всего ее можно понять на примерах из реального мира. Одним из примеров может служить алгоритм, обученный правоохранительными органами находить и распознавать детскую порнографию в Интернете. Трудно представить, что компьютер может распознать изображение или видео как детскую порнографию, а не просто как скопление пикселей, но машинное обучение делает это лучше всего. Алгоритм может начать распознавать закономерности в пиксельных данных, просматривая петабайты изображений и видео, пока закономерности не проявятся. Машинное обучение — это вычислительная стратегия, к которой мы обращаемся, когда приходится учитывать слишком много переменных. Типичная компьютерная наука опирается на эти случаи и переменные и ограничена величинами человеческого уровня. Ни один человек никогда не смог бы запрограммировать беспилотный автомобиль, чтобы он был в курсе каждой дорожной ситуации и индикаторов, но алгоритм может обучить их с помощью обширного распознавания образов.

Последствия машинного обучения в спорте бледнеют по важности по сравнению с последствиями для многих других сфер жизни, таких как несколько описанных выше, но, тем не менее, их разветвления впечатляют. В спорте есть «пуризм», которого нет во многих других сферах жизни. Этот пуризм является причиной того, что стероидным скандалам придается такое большое значение. Никого особенно не беспокоит, если выясняется, что актер использовал наркотик, чтобы стать персонажем на экране, даже если это вызывает у вас беспокойство. Спорт, однако, имеет традицию, которая не хочет, чтобы к ней прикрепляли звездочки. Это не требует особых аргументов, очевидно, что люди часто с трудом принимают изменения в спорте.

Что меня больше всего восхищает в будущем машинного обучения в спорте, так это то, что я думаю, что это происходит прямо сейчас. Очевидно, что через десятилетия эти технологии окажут серьезное влияние на нашу жизнь, но внедрение этой технологии будет измеряться сезоном, а не десятилетием за десятилетием. С точки зрения создателей игровой технологии, это будет так же просто, как использовать уже доступные программные библиотеки. По-настоящему понимая неотъемлемую механику машинного обучения, его внедрение вскоре станет синхронизацией для энергичных технологов и предпринимателей, желающих встать на плечи гигантов, совершивших большие скачки. Услуги машинного обучения уже доступны через Amazon Web Services. В космосе уже есть много стартапов, и достаточно одного, чтобы оказать большое влияние. Многие профессиональные спортивные лиги уже перешли на подход, основанный на данных, и от тренеров все чаще ожидают грамотного подхода к использованию этих подходов.

Наименее интуитивная часть понимания того, какое влияние может оказать машинное обучение, заключается в том, что оно может сделать компьютер действительно хорошим в том, в чем мы обычно думаем, что компьютеры очень плохи. Специализированные программы вскоре смогут распознавать разницу между силовым забегом и контратакой в ​​футболе, просто посмотрев видео, как это сделал бы опытный тренер. Программа также точно знает, сколько раз эта команда проводила эту игру в этом году, положение на поле, обстоятельства, травмы, которые могут повлиять на назначение игры, и любые другие детали, которые могут существовать. Он будет знать, как часто средний полузащитник переусердствует с игрой, когда он видит тянущего защитника, и происходит ли это чаще в зоне или человеке, и доступен ли он для использования. Это произойдет с ограниченной потребностью в вводе данных. Машина осмотрит всю пленку и сделает эти определения. Тренерам соперников нужно будет начинать играть против машины, а не против человека. Для того, чтобы уметь точно звонить «против машины», тренеру понадобится сама машина. Существует разумная вероятность того, что в конечном счете стратегически будет гораздо более целесообразно позволить машине управлять действиями, чем рисковать человеческим фактором.

Moneyball продемонстрировал, как бейсбол перешел от поиска пяти игроков-инструментов к изучению данных для принятия кадровых решений. Выводы, основанные на скаутинге, по-прежнему имеют смысл, даже если они ошибочны из-за человеческой ошибки. Но как насчет того, чтобы машины могли определять спортивные черты и риски травм с помощью распознавания образов? Просто снимите как можно больше видео, и у вас будут ответы. Результаты с помощью машин никогда не будут идеальными, но они должны быть лучше, чем результаты, полученные человеком, чтобы быть очевидным выбором.

Машины будут сопротивляться, возможно, даже за счет жесткого регулирования их использования, но провести все линии и сделать это предсказуемо будет невозможно, и конкурентное преимущество машин перед теми, у кого есть доступ, обеспечит их внедрение. Я делаю много предположений, чтобы сказать, что все будет происходить так, как я описал, но уже есть люди и компании, использующие эту технологию в играх, и это только начало. К концу десятилетия некоторые из ситуаций, которые я описал, обретут форму, и когда-нибудь недалеко тренер или менеджер где-нибудь может потерять свою работу из-за машины.