Быстрее, выше, точнее: ИИ помогает анализировать хоккейные матчи

Исследователи из Ватерлоо получили помощь от искусственного интеллекта в определении хоккеистов с большей точностью и скоростью.

Исследователи из Университета Ватерлоо получили ценную помощь от инструментов искусственного интеллекта (ИИ), которые помогают собирать и анализировать данные с профессиональных хоккейных матчей быстрее и точнее, чем когда-либо прежде, что имеет большое значение для спортивного бизнеса.

Развивающаяся область хоккейной аналитики в настоящее время опирается на ручной анализ видеозаписей игр. Профессиональные хоккейные команды во всех видах спорта, в частности в Национальной хоккейной лиге (НХЛ), принимают важные решения относительно карьеры игроков, основываясь на этой информации.

Цель нашего исследования — интерпретировать хоккейный матч по видео более эффективно и действенно, чем человек, — говорит доктор Дэвид Клаузи, профессор кафедры проектирования систем в Ватерлоо.

Один человек не может зафиксировать все, что происходит в игре.

Хоккеисты двигаются быстро и нелинейно, динамично перемещаясь по льду за короткие смены. Кроме номеров и фамилий на футболках, которые не всегда видны камере, форма не является надежным инструментом для идентификации игроков — особенно на той скорости, которой славится хоккей. Поэтому вручную отслеживать и анализировать каждого игрока во время игры очень сложно и чревато человеческими ошибками.

ИИ-инструмент, разработанный Клаузи, доктором Джоном Зелеком, профессором кафедры проектирования систем в Ватерлоо, ассистентом профессора Юхао Ченом и группой аспирантов, использует методы глубокого обучения для автоматизации и улучшения анализа отслеживания игроков.

Исследование проводилось в партнерстве с компанией Stathletes, занимающейся аналитикой и сбором данных о профессиональных хоккейных результатах в Онтарио. Просматривая кадр за кадром видеозаписи трансляций НХЛ, команда исследователей вручную аннотировала команды, игроков и их перемещения по льду. Они прогнали эти данные через нейронную сеть глубокого обучения, чтобы научить систему смотреть игру, собирать информацию и делать точные анализы и прогнозы.

При тестировании алгоритмы системы показали высокую точность. Она набрала 94,5% для правильного отслеживания игроков, 97% для определения команд и 83% для определения отдельных игроков.

Исследовательская группа работает над усовершенствованием своего прототипа, но Stathletes уже использует систему для аннотирования видеозаписей хоккейных матчей. Потенциал коммерциализации выходит за рамки хоккея. Переобучив компоненты системы, ее можно применить и в других командных видах спорта, таких как футбол или хоккей на траве.

Наша система может генерировать данные для различных целей, — заключает Зелек.

Тренеры могут использовать ее для разработки выигрышных игровых стратегий, скауты команд — для поиска игроков, а статистики — для определения способов дать командам дополнительное преимущество на поле или катке. Это действительно способно изменить спортивный бизнес.

11.03.2024