Της Νίκης Μπακούλη
Στην Premier League το VAR είναι old news. Στα νέα της, χρησιμοποιεί λογισμικά για προσδοκώμενα γκολ, για το καλό, το σωστό spacing και για να μάθει τι μπορεί να καταφέρει οποιοσδήποτε παίκτης. Τι λέει στο Contra.gr ο Κωνσταντίνος Πελεχρίνης, καθηγητής του University of Pittsburgh.
“Έτσι οι προπονητές, αλλά και οι μέτοχοι των 18 συλλόγων θα 'χουν μια ξεκάθαρη εικόνα για την ομάδα και για κάθε παίκτη, ξεχωριστά. Θα επωφεληθούν και οι φαν, που θα παρακολουθούν τα δεδομένα στις τηλεοπτικές μεταδόσεις. Συμπεριλαμβανομένων highlights σε έκδοση virtual reality”.
Η εταιρεία που φτιάχνει το TRACAB optical tracking system (υπάρχει σε περισσότερα από 300 γήπεδα παγκοσμίως -σε ποδόσφαιρο, baseball, NFL, cricket, tennis και ιπποδρομίες), λέγεται ChyronHego, έχει έδρα στη Νέα Υόρκη και θεωρείται ειδική στα τηλεοπτικά γραφικά και real-time data visualization. Eίναι η δυνατότητα απεικόνισης ροής δεδομένων (τρεχόντων ή ιστορικών), από πολλές διαφορετικές ιστοσελίδες, σε ένα μόνο περιβάλλον χρήστη. Μπορείτε να τα διακόψετε, να τα αναπαράξετε, να τα προσπεράσετε κλπ.
Το deep learning των μηχανών μόλις άρχισε
Όλα έχουν ως κοινή συνισταμένη το deep learning των μηχανών, που όπως μας εξήγησε ο Έλληνας επιστήμονας, Κωνσταντίνος Πελεχρίνης “είναι πραγματικά μια ιδέα που υπάρχει χρόνια απλά τώρα έχουμε την ικανότητα να το εφαρμόσουμε με μεγάλη αποδοτικότητα, γιατί έχουμε τους κατάλληλους αλγόριθμους να επεξεργαστούμε τα δεδομένα και την κατάλληλη υπολογιστική δύναμη.
Σε ένα αρκετά υψηλό επίπεδο το deep learning χρησιμοποιεί ένα μεγάλο όγκο από δεδομένα, για να βρει τον κατάλληλο συνδυασμό/αναπαράσταση από στοιχεία των δεδομένων τα οποία μπορούν να λύσουν ένα συγκεκριμένο πρόβλημα πρόβλεψης.
Για να χρησιμοποιήσω ένα παράδειγμα από τα sports, ας πούμε ότι θέλουμε να προβλέψουμε πόσους πόντους θα σκοράρει μια ομάδα μπάσκετ. Τα δεδομένα που έχουμε είναι οι θέσεις των παικτών και της μπάλας. Άμα έχουμε πολλά δεδομένα από προηγούμενα (χιλιάδες) παιχνίδια, μπορούμε να χρησιμοποιήσουμε τεχνικές deep learning, ώστε να βρούμε τι είναι σημαντικό και "προφητικό" για αυτή την πρόβλεψη. Είναι δηλαδή, το spacing των παιχτών; Η γρήγορη κυκλοφορία της μπάλας; Και ούτω καθ' εξής.
Και άλλες τεχνικές machine learing θα μπορούσαν να κάνουν το ίδιο, αλλά σε αυτήν την περίπτωση θα έπρεπε να πούμε εμείς στο σύστημα ποια χαρακτηριστικά πρέπει να κοιτάξει, πριν μας “πει” αν είναι σημαντικά για την πρόβλεψη ή όχι. Το deep learning θα βρει μόνο του, με έναν μαγικό τρόπο, αυτά τα στοιχεία.
Στο video που ακολουθεί, θα δείτε ένα μοντέλο deep learning που είναι ακόμα υπό κατασκευή. Κάνει ό,τι σας είπα: καθώς μια επίθεση εκδηλώνεται μας λέει πόσους πόντους θα σκοράρει η ομάδα κατά μέσο όρο.
Άλλη εφαρμογή deep learning είναι αυτή που έκαναν οι Raptors, από τους πρωτοπόρους στο data analytics. Χρησιμοποίησαν τα ίδια δεδομένα για να βρουν βέλτιστες τοποθετήσεις αμυντικών και μετά να αξιολογήσουν πόσο καλοί είναι στην άμυνα.
Δεν ξέρω αν σου είπα, αλλά η επανάσταση είναι σε εξέλιξη
Πηγή: Contra
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου