Jakie są prognozy na przyszłość w kontekście rozwoju i wdrażania AI w sporcie?

Jest to szerokie zagadnienie, natomiast z naszej perspektywy wyróżniamy dwa najciekawsze obszary.
Pierwszy obszar, w którym Respo.Vision działa od początku swego istnienia, to analityka sportowa. W chwili obecnej jedynie niewielka ilość klubów na świecie – absolutna elita – korzysta w zaawansowany sposób z danych zbieranych przez tzw. systemy trackingowe. Większość zespołów, także w ligach znanych z wysokiego poziomu rozgrywek, dopiero zaczyna doceniać istotę danych trackingowych i uczy się wykorzystywać je do pozyskania przewagi względem swoich przeciwników. Implementację danych spowalniają często skostniałe struktury klubów piłkarskich, bazujące na wysoce uproszczonych i często kwestionowanych heurystykach (np. efekt nowej miotły, gdzie sztab treningowy po kilku porażkach z rzędu jest zwalniany i zamieniany nowym sztabem, często w środku sezonu), które znacząco ograniczają możliwości klubów, by przetwarzać zebrane dane. Przykładowo, nasze raporty meczowe to 150 stron danych. Potrzeba ludzi, którzy będą wykwalifikowani, by z tych 150 stron wydestylować, dajmy na to, 5 stron podsumowania, które następnie będzie można przekazać sztabowi treningowemu. Znacząca większość zespołów, może z wyjątkiem gigantów takich jak Arsenal Londyn czy Liverpool, nie będzie zatrudniała takich ludzi. Przykładowo, rozmawiając teraz, w sezonie 24/25, z drużynami z Eredivisie, czyli topowej ligi holenderskiej, dowiadujemy się, że tamtejsze zespoły mają często jedną osobę odpowiedzialną za analitykę lub dopiero planują taką osobę zatrudnić.

Standardem w klubach piłkarskich jest wideoanaliza. Oznacza to, że zespoły mają człowieka, który ogląda i nagrywa rozgrywki, a następnie analizuje nagrania, wyciąga najciekawsze (z perspektywy strategiczno-treningowej) fragmenty i przekazuje je sztabowi treningowemu. Tutaj właśnie tkwi ogromny potencjał sztucznej inteligencji – algorytmy wizji komputerowej, które zbudowaliśmy i które oferujemy naszym klientom, są w stanie wyłapywać szczegóły i wyrażone liczbowo informacje, które byłyby niemożliwe do wyłapania dla ludzkiego oka. Przykładem mogą być parametry fizyczne zawodników: wideoanalityk może określić opisowo szybkość biegu zawodnika, jego zdolności przyspieszenia itp. My natomiast wszystko to możemy wyrazić liczbowo, co jest bardziej precyzyjne i umożliwia np. obiektywne porównanie dwóch zawodników.

Drugim obszarem, który w naszej opinii ma wysoki potencjał, jest aspekt rozrywkowy. Z badań wiemy, że fani oczekują bardziej immersyjnych doświadczeń sportowych. Spójrzmy znów na piłkę nożną. Sposób pokazywania rozgrywek fanom nie zmienił się znacząco na przestrzeni ostatnich kilkudziesięciu lat. Oczywiście wzrosła jakość obrazu, na ekranach pojawiło się więcej informacji na temat rozgrywki, często zwizualizowanych w bardziej przystępny dla widza sposób, natomiast kadry, z jakich pokazywane są rozgrywki, pozostały z grubsza te same.

Do tego dodajmy fakt, że sport jest częścią szeroko rozumianej branży rozrywkowej, a zatem konkuruje o nasz czas i nasze oczy z produkcjami Netflixa, z rolkami na Instagramie i TikToku oraz z wszelkim szeroko rozumianym contentem, który dziś często jest dostępny na życzenie. Zmienił się także sposób konsumowania treści – młodsze grupy odbiorców (ale nie tylko) przyzwyczajone są do konsumowania treści krótszych, skupionych na najważniejszych, najbardziej ekscytujących chwilach – zamiast oglądać cały mecz NBA, możemy na YouTubie włączyć sobie 15-minutowe highlighty i zobaczyć najlepsze rzuty, wsady i rozgrywki.

Łącząc te dwa wątki, wydaje się, że przyszłością sportu jest pokazywanie go z innych, bardziej atrakcyjnych, bardziej ekscytujących i, co najważniejsze, bardziej immersyjnych perspektyw. AI oraz systemy wizji komputerowej to umożliwiają, pomijając przy tym przeszkody fizyczne oraz sprzętowe – w końcu wydaje się niewykonalne umiejscowienie wielkiej kamery telewizyjnej na wysokości głowy napastnika, który akurat strzela bramkę, by pokazać tamże bramkę z jego perspektywy. Na podstawie nagrania telewizyjnego jesteśmy w stanie odtworzyć jakąkolwiek akcję z jakiejkolwiek perspektywy w silniku takim jak Unreal Engine 5, który w tej chwili jest jednym z najbardziej realistycznych silników komputerowych na świecie.

W jaki sposób dane pozyskiwane przez Respo.Vision różnią się od tych zbieranych przez tradycyjne systemy pomiarowe w sporcie?

Przede wszystkim danych jest więcej. Nasze systemy wizji komputerowej zbierają dane z 50 punktów na ciele zawodnika 50 razy na sekundę. Oznacza to, że po jednym meczu uzyskujemy gigantyczny plik z surowymi danymi.

Po drugie, nasze dane są często bardziej precyzyjne, a nawet jeśli mają margines błędu, to, jak wspomniałem, są wyrażone liczbowo, a nie opisowo.

Po trzecie, dzięki temu, że w Respo.Vision jesteśmy ściśle zorientowani na oprogramowanie, a nie hardware (czyli nie produkujemy sprzętu, ale systemy komputerowe), możemy zbierać dane, dla których tradycyjnie konieczny był dodatkowy sprzęt pomiarowy. Dobrym przykładem są systemy GPS, które zawodnicy często noszą pod koszulkami w formie osobliwych kamizelek. Systemy te zbierają dane takie jak dystans pokonany przez zawodnika, jego tętno, liczba wykonanych sprintów itd. 90% tych danych jesteśmy w stanie zebrać bez konieczności zakładania kamizelek. To niejedyny przykład. Na rynku dostępnych jest wiele systemów trackingowych, które opierają się na kilku kamerach rozmieszczonych w różnych miejscach na stadionie. Z naszego doświadczenia wynika, że dla systemów, które nie przekraczają sześciu kamer zamieszczonych na stadionie, nasze dane są równie dokładne, a często lepsze niż dane zbierane przez te systemy. Znów – osiągamy ten sam efekt, bez dodatkowego sprzętu. Niesie to za sobą szereg konsekwencji finansowych, operacyjnych i logistycznych, które np. dla lig czy federacji organizujących wszelkiego rodzaju turnieje mogą mieć ogromne znaczenie.

Jak rozwiązania z zakresu AI zmieniają organizacje imprez sportowych takich jak Olimpiada?

Z perspektywy organizacji imprez takich jak Olimpiada wdrożeń sztucznej inteligencji jest mnóstwo; wiele z nich ma charakter logistyczny (np. chatboty dla sportowców) lub komunikacyjny (np. systemy chroniące sportowców przed negatywnymi komentarzami w sieci).

Z perspektywy stricte sportowej, aplikacje AI podczas tegorocznej Olimpiady sprowadzają się głównie do analizy biomechaniki sportowców oraz prezentowania poszczególnych dyscyplin z nowych, bardziej interesujących ujęć.

Ciekawym aspektem sztucznej inteligencji w tego typu imprezach sportowych jest także demokratyzacja danych, czyli otwarcie dostępu do zbieranych danych dla szerszego grona odbiorców – czy to publiki, mediów, czy samych sportowców. W Respo.Vision obsługujemy turnieje piłkarskie (przykładowo, w tym roku byliśmy jedynym dostawcą danych oraz raportów turniejowych dla Copa America, trzeciego największego turnieju piłkarskiego na świecie), działając właśnie w myśl tej zasady. Udostępniamy wysokiej jakości dane meczowe uczestnikom turnieju. Mogą z nich skorzystać, ale nie muszą. Dzięki temu wszystkie zespoły w lidze czy reprezentacje biorące udział w danym turnieju mają dostęp do tych samych narzędzi – w ich gestii pozostaje decyzja, jak te narzędzia wykorzystać.

Jeśli chcesz dowiedzieć się więcej o Respo.Vision, odwiedź stronę www firmy: respo.vision