Jalkapallo on epäilemättä suosituin urheilulaji maailmassa. FIFA.comin mukaan yhteensä 3,2 miljardia ihmistä viritti katsomaan vuoden 2014 jalkapallon maailmanmestaruuskilpailuja. Mutta tiesitkö, että tekniikalla on ratkaiseva rooli jalkapallon tekemisessä nykypäivänä? Itse asiassa nykyaikaista jalkapalloa voidaan pitää itsenäisenä tietotekniikkasektorina, koska urheilussa käytetään laajasti uusia ja vanhoja tekniikoita.
Maailmancupissa käytettäviä tekniikoita ovat esimerkiksi vanhat tekniikat, kuten kuvan tunnistaminen ja kuvioanalyysi, ja uuden aikakauden lähestymistavat, kuten tekoäly ja pilvipalvelut. Itse asiassa kenelle tahansa, jolla on tarvittavat taidot ja joka on innostunut pelistä, jalkapallon tekninen työ voisi olla unelma.
Tässä blogissa keskustelemme viidestä suuresta tekniikasta, jotka määrittelevät jalkapallon nautintotavan sellaisenaan kuin me sen tiedämme.
Big Data ja Analytics
Urheilualalla on paljon tietoa, etenkin FIFA: n kaltaisessa maailmanlaajuisessa turnauksessa. Esimerkiksi ennakoivien algoritmien kattavaan analysointiin ja suunnitteluun tarvitsemme runsaat 185 tietokenttää - se on vain jokaisen pelaajan vähimmäismäärä.
Kaikki nykyisin analyyseihin tuotetut ja käytetyt tiedot eivät ole jäsenneltyjä. Data sisältää nykyään strukturoimattomat komponentit, kuten videot, kuvat, sosiaalisen median viestit ja paljon muuta. Tätä kutsutaan suureksi dataksi. Ilmeisesti yksinkertaiset analyysit voidaan saavuttaa käyttämällä teksti- ja numeerisia tietoja, mutta monimutkaisten algoritmien, kuten joukkueen suorituskykyanalytiikka, pelaajien terveystilastojen ennusteet jne., Yksinkertainen matematiikka ja perinteiset työkalut, kuten Microsoft Excel, eivät ole tarpeeksi hyviä. Paljon nykyajan jalkapallon analyyseihin liittyy Apache Hadoop, Apache Spark ja Apache Kafka tietojen luonteen vuoksi.
Jos olet jalkapallofani, saatat tietää, että Saksa voitti vuoden 2014 FIFA World Cupin tuhoamalla kilpailunsa. Mutta tiesitkö, että tämä maajoukkue sai oivalluksensa käyttämällä monimutkaista big data -analyysijärjestelmää? Kastetuiksi Match Insightsiksi tämä työkalu lanseerattiin vuonna 2012, ja se kehitettiin Saksan maajoukkueen pääjohtajan Oliver Bierhoffin johdolla. Tämä laaja projekti alkoi muotoutua, kun noin 50 opiskelijan ryhmä Deutsche Sporthochschule Koelnissa aloitti kattavan tietokannan luomisen kaikkien tulevaan turnaukseen osallistuvien pelaajien tilastoista. Ja kuten odotettiin, merkittävä kokoelma näistä tiedoista oli video kahdeksalta eri kenttäkameralta, jotka ympäröivät kenttää. Työkalujen luojien mukaan äänenkorkeutta tarkastellaan tietokannassa ruudukkona. Jokaisessa skenaariossa jokaiselle pelaajalle annetaan yksilöllinen tunniste. Tämä mahdollistaa heidän liikkeiden ja toimintojen digitaalisen seurannan, mikä puolestaan antaa kenelle tahansa mahdollisuuden mitata keskeisiä suorituskykyindikaattoreita, mukaan lukien kosketusten lukumäärä, liikenopeudet ja keskimääräinen hallinnan aika.
Tätä tietoa käyttäen opiskelijat suunnittelivat algoritmin, joka suunnitteli lopullisen mallin. Tästä mallista tuli perusta saksalaisten joukkueiden hämmentäville strategioille kaikkia vastustajia vastaan.
Jos olet kiinnostunut oppimaan lisätietoja datan analytiikasta, tämä on hyvä paikka aloittaa.
Business Intelligence (BI) ja tietojen visualisointi
Tämä on yksi tekniikan ala, joka on ilmeinen melkein kaikissa urheilulajeissa, kun se on katsojien eturintamassa. Johdetut taulukot, kaaviot, kaaviot ja lämpökartat, tietojen visualisointi ja liiketoimintatiedo ovat aloja, jotka ovat määrittäneet nykyaikaisen urheilun 21. vuosisadan alusta.stvuosisadalla. Kaikki ovat perehtyneet pylväskaavioihin, joissa on pelaajien tulokset, piirustukset, joissa näkyy joukkueen jakauma, ja sijoitustaulukot. Kaikki tämä ei ole muuta kuin kattava kuvaus älykkyyden avulla.
Otetaan yksinkertainen esimerkki FIFA: n joukkueita kohden rekisteröityneiden pelaajien lukumäärästä kussakin maassa, jotta ymmärrettäisiin tietojen visualisoinnin tuoma taulukko. Tässä on tiedot, ensin taulukon muodossa ja sitten maailmankartan lämpökartan muodossa.
Vain kaksi kysymystä nyt:
- Kumpi on visuaalisesti miellyttävämpi?
- Kumpi näistä kahdesta herättää enemmän oivalluksia?
Ylivoimaisesti vastaus molempiin kysymyksiin on kartat. Tietojen visualisointi ei pelkästään houkuttele katsomaan, vaan myös helpottaa ymmärtämistä ja oivallusten saamista. FIFA: n tietojen visualisoinnissa käytetään enimmäkseen työkaluja, kuten IBM Cognos, Tableau ja QlikView.
Esineiden internet (IoT)
Edellisissä kahdessa osassa keskustelimme tietojen analysoinnista ja raportoinnista. Katsotaan nyt, miten nämä tiedot voidaan kerätä.
Suurin osa nykyisestä tiedonkeräämisestä tapahtuu käyttämällä perinteisiä lähestymistapoja, kuten XY-taso- tai ruudukkoanalyysi kentällä pelaajien ja pallojen sijaintia varten, ulkoiset seurantalaitteet liikkeen ja nopeuden havaitsemiseksi jne. näiden tekniikoiden käytöstä urheilussa on tehty paljon tutkimusta ja kehitystä.
Ymmärrämme tämän paremmin ottamalla esimerkin Saksan jalkapallojoukkueen Match Insights -työkalusta, josta keskustelimme aiemmin. Kaikki lopullista mallia varten kerätyt tiedot on johdettu ulkoisesti. Kuten todettiin, pelaajan aseman ja liikkeen analysointi vaati joukkuetta työskentelemään monimutkaisten koodien parissa. Tämä ohjelma analysoi sitten kahdeksan kameran videosyötteet ja pääsi sitten tulokseen. Rehellisesti sanottuna se on melko hektinen ja aikaa vievä tehtävä.
Tämän yksinkertaistaminen on yhtä vaivatonta kuin lyödä älykäs seuraaja jokaisen pelaajan käsivarteen. Itse asiassa näitä älykkäitä seurantalaitteita ei voida käyttää pelkästään pelaajan sijainnin määrittämiseen, vaan niitä voidaan käyttää myös muiden tilastojen, kuten kuljetun matkan, liikenopeuden, sykkeen ja paljon muuta, tallentamiseen. Saman idean pohjalta on otettu käyttöön pallojen seuranta, linjaseuranta ja muita jalkapallon uuden ikäisiä innovaatioita.
Kuvalähde: IBM
syvä oppiminen vs koneoppiminen vs mallintunnistus
IoT on niin laaja kenttä, että IBM: llä on oma tiimi, joka työskentelee laaja-alaisessa projektissa, joka käyttää kognitiivista IoT: tä, kuten he kutsuvat. Tiimi on suunnitellut useita laitteisto- ja ohjelmistoratkaisuja, jotka on rakennettu IBM: n kuuluisalle tekoälylle, IBM Watsonille.
Pilvilaskenta
- Tiedonkeruu - tarkista
- Tietojen analysointi - tarkista
- Tietojen raportointi - tarkista
Olemme käsitelleet kolme suurinta dataan liittyvää toimintaa, mutta puuttuu toinen tärkeä pilari - tietojen tallennus.
Jos tämä oli vuosi 2003, tähän oli vain muutama vaihtoehto - paikalliset koneet tai etäesitykset. Mutta kuten jo tiedämme, mistä tahansa yksittäisestä pelistä kerätty datamäärä on tänään liian suuri yhden pienen tietokoneen käsittelemiseksi. Lisäksi se ei ole yksinkertaista jäsenneltyä dataa. Paras ratkaisu tällaisten tietojen tallentamiseen pilveen. Pilvipalvelu ei ole vain helppo asennusjärjestelmä, vaan myös taloudellinen, kun on kyse valtavien strukturoimattomien tietojen palojen tallentamisesta.
Pilvilaskenta mahdollistaa tietojen etätallennuksen. Lisäksi suurin osa tämän päivän pilviratkaisuista tarjoaa integroituja työkaluja, jotka voivat auttaa myös analysoinnissa ja raportoinnissa. Toinen suuri etu, kun pilvijärjestelmää käytetään paikallisen koneen sijaan, on tietoturva- ja yksityisyysongelmat, jotka pilvipalvelut osoittavat. Useimmat pilvi-ilmentymät on salattu yksityisillä avaimilla, mikä vaikeuttaa hakkerointia tai perusteettoman pääsyn saamista niihin. Ja koska tallennustila voi olla joustavaa, vanhoja tietoja ei tarvitse koskaan poistaa, jotta tilaa uudemmille. Tämä varmistaa korkean laadun ja suuremman arvon historiallisissa analyyseissä. Lopuksi pilveen tallennettuihin tietoihin pääsee mistä tahansa laitteesta ja mistä tahansa sijainnista. Tämän joustavuuden ansiosta pilvipalvelu on myös ihanteellinen valinta urheilutietojen tallentamiseen.
Suosittuja pilviratkaisuja ovat nykyään Amazon Web Services, Microsoft Azure, IBM Bluemix ja Google Cloud Platform.
Tekoäly (AI) ja koneoppiminen (ML)
Trenditeknologioiden osalta on hyvin harvat, jotka voivat antaa tekoälylle ja koneoppimiselle mahdollisuuden rahoilleen. Luodun datan määrän vuoksi ei ole niin vaikeaa suunnitella koneen älykkyyttä, joka voi kirjaimellisesti ennustaa tulevaisuuden. Muutama vuosi sitten FIFA-hyökkäys oli mustekala Paulin ympärillä, joka pystyi ennustamaan kunkin ottelun voittajat. Toki orgaanisen olennon onnistumisaste oli hieman yli 85 prosenttia, mutta olemme siirtymässä digitaaliseen maailmaan, eikä ennustaminen ole oikeastaan osa sitä.
Tämän poikkeuksellisen olennon menettämisen kompensoimiseksi joukko Googlen data-analyytikkoja työskenteli koneoppimisjärjestelmässä, joka sai historiallisia näkemyksiä sukupolven jalkapallopeleistä ja ennusti kunkin ottelun lopputuloksen vuoden 2014 FIFA: n maailmancupissa. Järjestelmä pystyi ennustamaan menestyksekkäästi 14 ottelusta 16: sta, joten se oli melkein kolme prosenttia tehokkaampi kuin aiemmin käytetty merieläin. Lisäksi sen luojien mukaan kaksi epäonnistumista tapahtui virheiden ja epäjohdonmukaisuuksien vuoksi tiedoissa.
Ollakseni täysin rehellinen, tekoäly tai koneoppimisalgoritmi ei oikeastaan ennusta voittajaa, vaan vain kasaa suosiot järjestyksessä, mikä antaa meille todennäköisyyden jokaisen joukkueen voittaa ottelu.
Yksinkertaisen, mutta tyylikkään koneoppimisalgoritmin avulla voimme saavuttaa seuraavan tuloksen tämän vuoden FIFA-maailmancupille: * Spoileri-ilmoitus *
Algoritmin lähde: Kaggle
P.S: Mitä pienempi numero, sitä paremmat kertoimet tälle joukkueelle.
Tekoälyä ja koneoppimista ei voida käyttää pelkästään tällaisiin analyyseihin, vaan niitä voidaan käyttää myös pelaajien suorituskyvyn parantamiseen, päivittäisten liiketoimintatiedon ratkaisujen automatisointiin ja paljon muuta.
Vuoden 2018 jalkapallon maailmancup on täällä! Niin paljon kuin me kaikki rakastamme urheilua, toivomme, että oppiminen tekniikoista, jotka tekevät urheilusta sellaisen, mikä auttaa meitä arvostamaan sitä enemmän.
Nämä ovat FIFA: n viisi suosittua tekniikkaa, jotka muuttavat peliä sellaisenaan. Jokainen niistä tarjoaa kohtuullisen osuuden eduista, jotka tekevät urheilusta paremman kuin ennen - sekä pelaajille että faneille. Lisäksi jos sinulla on tarvittavat taidot, voit jopa päästä tietotekniikkaan liittyvään työhön urheilualalla.
Toivomme, että pidit FIFA-tekniikoidemme kattavuudesta, jos tiedät muita trenditekniikoiden sovelluksia FIFA: ssa tai urheilussa, ilmoita siitä meille kirjoittamalla meille alla olevaan kommenttiosioon. Muista liittyä blogiimme saadaksesi lisää FIFA- ja tekniikkaan liittyvää kattavuutta.