Jalgpall on vaieldamatult populaarseim spordiala maailmas. FIFA.com andmetel häälestas 2014. aasta jalgpalli maailmameistrivõistlusi vaatama kokku 3,2 miljardit inimest. Kuid kas teadsite, et tehnoloogia mängib olulist rolli jalgpalli selliseks muutmisel, nagu see praegu on? Tegelikult võib tänapäevast jalgpalli pidada iseseisvaks IT-sektoriks, kuna spordis kasutatakse palju uusi ja pärandtehnoloogiaid.
Maailmakarika etapil kasutatavad tehnoloogiad hõlmavad selliseid pärandit nagu piltide tuvastamine ja mustrianalüüs ning uue aja lähenemisviise nagu tehisintellekt ja pilvandmetöötlus. Tegelikult võiks kõigi jaoks, kellel on vajalikud oskused ja kes on mängust vaimustuses, jalgpallivaldkonna tehnikatöö unistuseks.
Selles blogis käsitleme viit peamist tehnoloogiat, mis määravad jalgpalli nautimise viisi meie teadaolevalt.
Big Data ja Analytics
Spordivaldkonnas on palju andmeid, eriti ülemaailmne turniir nagu FIFA. Näiteks eeldame ennustavate algoritmide igakülgseks analüüsimiseks ja kujundamiseks head 185 andmevälja - see on iga mängija jaoks minimaalne miinimum.
Kõik tänapäeval analüüside jaoks loodud ja kasutatud andmed pole struktureeritud. Andmed sisaldavad tänapäeval struktureerimata komponente, nagu videod, pildid, sotsiaalmeedia postitused ja palju muud. Seda nimetatakse suurandmeteks. Ilmselt saab lihtsaid analüüse saavutada tekst- ja arvandmete abil, kuid kui tegemist on keeruliste algoritmidega, nagu meeskonna tulemuslikkuse analüüs, mängijate tervisestatistika ennustused jne, siis pole lihtne matemaatika ja traditsioonilised tööriistad nagu Microsoft Excel piisavalt head. Paljude tänapäevase jalgpalli analüütikatega kaasnevad andmete olemuse tõttu sellised tööriistad nagu Apache Hadoop, Apache Spark ja Apache Kafka.
Kui olete jalgpallifänn, võite teada, et Saksamaa võitis 2014. aasta FIFA maailmakarika, hävitades oma konkurentsi. Kuid kas teadsite, et see rahvusmeeskond sai oma teadmised keeruka suurandmete analüüsi süsteemi abil? Ristitud Match Insights, see tööriist käivitati 2012. aastal ja töötati välja koos Saksamaa koondise peadirektori Oliver Bierhoffiga, kes juhtis süüdistust. See ulatuslik projekt hakkas kuju saama, kui umbes 50-liikmeline rühm Deutsche Sporthochschule Koelnis hakkas looma terviklikku andmebaasi, mis sisaldaks kõigi eelseisval turniiril osalevate mängijate statistikat. Ja nagu arvata oligi, oli nende andmete oluliseks kogumikuks video kaheksalt erinevalt väljakult kaameralt, mis ümbritsevad helikõrgust. Tööriistade loojate hinnangul vaatab pigi andmebaas ruudustikuna. Igas stsenaariumis määratakse igale mängijale kordumatu tunnus. See võimaldab nende liikumisi ja tegevusi digitaalselt jälgida, mis omakorda võimaldab kõigil mõõta peamisi tulemuslikkuse näitajaid, sealhulgas puudutuste arvu, liikumiskiirust ja keskmist hoidmisaega.
Nende andmete põhjal koostasid õpilased algoritmi, mis mõtles välja lõpliku mudeli. See mudel sai aluseks Saksamaa meeskonna lollikindlatele strateegiatele kõigi nende vastaste suhtes.
Kui soovite teada saada rohkem andmeid analüüsi kohta, see on hea koht alustama.
mis on pythonis formaat
Ärianalüüs (BI) ja andmete visualiseerimine
See on üks tehnoloogiavaldkond, mis on ilmselge peaaegu kõigil spordialadel, kuna see jookseb vaatajaskonna esirinnas. Tuletatud tabelid, diagrammid, graafikud ja kuumakaardid, andmete visualiseerimine ja äriteave on valdkonnad, mis on tänapäevast sporti määratlenud juba 21. sajandi alguseststsajandil. Kõigile on tuttavad tulpdiagrammid koos mängijate skooride, võistkondade jaotust näitavate pirukate ja edetabelitega. Kõik see pole midagi muud kui ülevaatlik kujutis, kasutades andmeanalüüsi.
Andmete visualiseerimise tabelisse toomise mõistmiseks võtame lihtsa näite mängijate arvust igast riigist, kes on FIFAs praegu registreeritud ühe meeskonna kohta. Siin on andmed kõigepealt tabeli kujul ja seejärel maailmakaardi kuumakaardi kujul.
Ainult kaks küsimust nüüd:
- Kumb on visuaalselt meeldivam?
- Kumb neist kahest äratab rohkem teadmisi?
Kaugelt on vastus mõlemale küsimusele kaardid. Andmete visualiseerimine muudab selle vaatamise ahvatlevaks, vaid hõlbustab ka arusaamist ja teadmiste saamist. Andmete visualiseerimise osas FIFA-s kasutatakse enamasti selliseid tööriistu nagu IBM Cognos, Tableau ja QlikView.
kuidas seada java classpath linuxi käsureale
Asjade Internet (IoT)
Eelmises kahes osas käsitlesime andmete analüüsi ja aruandlust. Vaatame nüüd, kuidas neid andmeid saab koguda.
Suurem osa praegusest andmekogumisest toimub traditsiooniliste lähenemisviiside abil, nagu XY lennuk või võrgu analüüs väljakul mängija ja palli asukoha määramiseks, välised jälgimisseadmed liikumise ja kiiruse tuvastamiseks jne. Kuid nutikate kantavate seadmete ja IoT abil on maailm tormiline. on palju uuritud ja arendatud nende tehnoloogiate rakendamist spordis.
Selle paremaks mõistmiseks võtame näiteks Saksamaa jalgpallikoondise tööriista Match Insights, mida me varem arutasime. Kõik lõpliku mudeli jaoks kogutud andmed tuletati väliselt. Tegelikult, nagu arutati, nõudis mängija positsiooni ja liikumise analüüsimine meeskonnal tööd keerukate koodide komplekti kallal. Seejärel analüüsis see programm kaheksa erineva kaamera videovooge ja jõudis siis tulemuseni. Ausalt öeldes on see üsna pingeline ja aeganõudev ülesanne.
Selle lihtsustamine on sama vaevatu kui nutika jälgija laksutamine iga mängija käsivarrel. Tegelikult ei saa neid nutikaid jälgijaid kasutada ainult mängija asukoha tuletamiseks, vaid ka muude statistiliste andmete salvestamiseks, näiteks läbitud vahemaa, liikumiskiirus, pulss ja palju muud. Sellele samale ideele tuginedes on jalgpallis tutvustatud pallide jälgimist, joone jälgimist ja muid uue ajastu uuendusi.
Pildi allikas: IBM
IoT on nii suur valdkond, et IBM-il on spetsiaalne meeskond, kes töötab kognitiivset IoT-d kasutava ulatusliku projekti kallal, nagu nad seda nimetavad. Meeskond on välja töötanud mitu riist- ja tarkvaralahendust, mis on ehitatud IBMi kuulsa tehisintellekti IBM Watsoni peale.
Pilvandmetöötlus
- Andmete kogumine - kontroll
- Andmete analüüs - kontroll
- Andmete aruandlus - kontroll
Oleme käsitlenud kolme peamist andmetega seotud tegevust, kuid puudub veel üks oluline sammas - andmete salvestamine.
Kui see oli 2003. aasta, oli selle jaoks ainult mõned võimalused - kohalikud masinad või kaugjuhtumid. Kuid nagu me juba teame, on tänapäeval üksikute mängude jaoks kogutud andmete hulk liiga suur, et üks väike arvuti seda käsitseda saaks. Pealegi pole see lihtne struktureeritud teave. Parim lahendus sellist tüüpi andmete salvestamiseks pilves. Pilv ei ole mitte ainult hõlpsasti häälestatav süsteem, vaid on ka ökonoomne, kui tegemist on tohutute struktureerimata andmete tükkide salvestamisega.
Pilvandmetöötlus võimaldab andmete kaughoidmist. Lisaks pakuvad enamus tänapäevaseid pilvelahendusi integreeritud tööriistu, mis võivad aidata ka analüüsi ja aruandlust. Pilvesüsteemi kohaliku masina asemel kasutamise teine suur eelis on turvalisuse ja privaatsuse probleemid, millele pilvandmetöötlus adresseerib. Enamik pilveprogramme on krüpteeritud privaatvõtmetega, mis muudab neile häkkimise või põhjendamatu juurdepääsu saamise keeruliseks. Ja kuna salvestusruum võib olla elastne, pole kunagi vaja vanu andmeid kustutada, et uuematele ruumi teha. See tagab ajalooliste analüüside kõrge kvaliteedi ja suurema väärtuse. Lõpuks pääseb pilve salvestatud andmetele juurde mis tahes seadmest ja mis tahes asukohast. See paindlikkus muudab pilvandmetöötluse ideaalseks valikuks ka spordiandmete salvestamiseks.
Tänapäeval kasutatavate populaarsete pilvelahenduste hulka kuuluvad Amazon Web Services, Microsoft Azure, IBM Bluemix ja Google Cloud Platform.
Tehisintellekt (AI) ja masinõpe (ML)
Trenditehnoloogiate osas on tehisintellektil ja masinõppel oma raha eest väga vähe. Tekkinud andmemahu tõttu pole masinteabe kujundamine nii keeruline, et saaks sõna otseses mõttes tulevikku ennustada. Mõni aasta tagasi oli FIFA hype kaheksajalg Pauli ümber, kes oskas ennustada iga matši võitjaid. Muidugi oli orgaanilise olendi õnnestumisprotsent veidi üle 85 protsendi, kuid me liigume nüüd digitaalsesse maailma ja ennustamine pole tegelikult selle osa.
Selle erakordse olendi kaotuse kompenseerimiseks töötas rühm Google'i analüütikuid masinõppesüsteemi kallal, mis tuletas ajaloolise ülevaate põlvkonna jalgpallimängudest ja ennustas 2014. aasta FIFA maailmameistrivõistlustel iga mängu tulemust. Süsteem suutis edukalt ennustada 16 vastet 16-st, milles seda kasutati, muutes selle peaaegu kolm protsenti tõhusamaks kui varem kasutatud mereelukas. Veelgi enam, selle loojate sõnul toimusid kaks möödalaskmist andmete vigade ja vastuolude tõttu.
Kui aus olla, siis tehisintellekti või masinõppe algoritm ei ennusta tegelikult võitjat, vaid korstnad soosib järjestikku, andes meile tõenäosuse, et iga meeskond võidab matši.
Kasutades lihtsat, kuid elegantset masinõppe algoritmi, võime jõuda järgmise aasta FIFA maailmameistrivõistluste järgmise tulemuseni: * Spoilerihoiatus *
Algoritmi allikas: Kaggle
P.S: Mida väiksem on number, seda paremad on selle meeskonna koefitsiendid.
Tehisintellekti ja masinõpet ei saa kasutada ainult sellisteks analüüsideks, vaid neid saab kasutada ka mängijate jõudluse parandamiseks, igapäevaste äriteabe lahenduste automatiseerimiseks ja palju muud.
2018. aasta jalgpalli maailmakarikas on käes! Nii palju kui me kõik seda sporti armastame, loodame, et spordi selliseks muutmise taga olevate tehnoloogiate tundmaõppimine aitab meil seda rohkem hinnata.
Need on viis FIFA populaarset tehnoloogiat, mis muudavad mängu nii, nagu me seda tunneme. Kõik neist pakuvad oma õiglast osa eelistest, mis muudavad spordiala senisest paremaks - nii mängijatele kui ka fännidele. Veelgi enam, kui teil on olemas vajalikud oskused, võite isegi asuda IT-valdkonnas tööle spordivaldkonnas.
skanneriklassi kasutamine javas
Loodame, et teile meeldis meie FIFA tehnoloogiate katvus. Kui teate veel FIFA-s või spordis populaarsete tehnoloogiate rakendustest, andke meile sellest teada, kirjutades meile allpool olevas kommentaaride jaotises. Tellige kindlasti meie ajaveeb, et saada rohkem FIFA ja tehnoloogiaga seotud kajastusi.