ניתן לטעון שכדורגל הוא הספורט הפופולרי ביותר בעולם. על פי FIFA.com, בסך הכל 3.2 מיליארד אנשים התכוונו לצפות במונדיאל הכדורגל ב -2014. אבל האם ידעתם שהטכנולוגיה ממלאת תפקיד מכריע בהפיכת הכדורגל למה שהוא היום? למעשה, כדורגל מודרני יכול להיחשב כמגזר IT אוטונומי משלו בגלל היישומים העצומים של טכנולוגיות חדשות ומורשות בספורט.
הטכנולוגיות הנמצאות בשימוש בגביע העולם כוללות מערכות מדור קודם כמו זיהוי תמונות וניתוח תבניות וגישות עידן חדש כמו בינה מלאכותית ומחשוב ענן. למעשה, עבור כל מי שיש לו את הכישורים הדרושים ונלהב מהמשחק, עבודה טקית בתחום הכדורגל יכולה להיות הגשמת חלום.
בבלוג זה נדון בחמש טכנולוגיות עיקריות המגדירות את האופן בו נהנים מכדורגל כפי שאנו מכירים אותו.
נתונים גדולים וניתוחים
יש הרבה נתונים העוסקים בתחום הספורט, במיוחד טורניר עולמי כמו פיפ'א. לדוגמא, כדי לנתח באופן מקיף ולעצב אלגוריתמי ניבוי, אנו דורשים 185 שדות נתונים טובים - זה בדיוק המינימום לכל שחקן.
לא כל הנתונים שנוצרו ומשמשים לניתוחים כיום מובנים. הנתונים כיום כוללים רכיבים לא מובנים כמו קטעי וידאו, תמונות, פוסטים ברשתות החברתיות ועוד. זה נקרא ביג דאטה. ניכר שניתן להשיג ניתוחים פשוטים באמצעות נתונים טקסטואליים ומספריים, אך כשמדובר באלגוריתמים מורכבים כמו ניתוח ביצועי צוות, חיזויים לסטטיסטיקה של שחקנים וכו ', מתמטיקה וכלים פשוטים כמו Microsoft Excel אינם מספיק טובים. הרבה ניתוחים בכדורגל המודרני כוללים כלים כמו Apache Hadoop, Apache Spark ו- Apache Kafka בגלל אופי הנתונים.
אם אתה אוהד כדורגל, אולי תדע שגרמניה זכתה בגביע העולם של פיפ'א בשנת 2014 על ידי השמדת התחרות שלה. אך האם ידעת כי נבחרת זו קיבלה את תובנותיה באמצעות מערכת ניתוח נתונים גדולה מורכבת? תובנות התאמה מטופלת, כלי זה הושק בשנת 2012 ופותח עם מנכ'ל נבחרת גרמניה, אוליבר בירהוף, שהוביל את ההאשמה. פרויקט נרחב זה התחיל להתגבש כאשר קבוצה של כ- 50 סטודנטים בדויטשה ספורטוכשול קלן, החלה ליצור מאגר נתונים מקיף עם נתונים סטטיסטיים של כל השחקנים המשתתפים בטורניר הקרוב. וכצפוי, אוסף משמעותי של נתונים אלה היה וידאו משמונה מצלמות שטח שונות המקיפות את המגרש. המגרש, על פי יוצרי הכלים, נתפס כריסט על ידי מסד הנתונים. בכל תרחיש, לכל שחקן מוקצה מזהה ייחודי. זה מאפשר לעקוב בצורה דיגיטלית אחר תנועותיהם ופעולותיהם, אשר בתורן מאפשרות לכל אחד למדוד מדדי ביצועים מרכזיים, כולל מספר נגיעות, מהירויות תנועה וזמן החזקה ממוצע.
באמצעות נתונים אלה, התלמידים תכננו אלגוריתם אשר תכנן מודל סופי. מודל זה הפך לבסיס לאסטרטגיות חסינות הטיפשים של הקבוצה הגרמנית כנגד כל יריביהן.
ליצור Java מחרוזת אקראית
אם אתה מעוניין ללמוד עוד עובדות על ניתוח נתונים, זה מקום טוב להתחיל.
מודיעין עסקי (BI) והדמיית נתונים
זהו תחום טכנולוגי אחד שברור כמעט בכל ענפי הספורט שכן הוא פועל בחזית הצפייה. טבלאות נגזרות, תרשימים, גרפים ומפות חום, ויזואליזציה של נתונים ובינה עסקית הם תחומים המגדירים את הספורט המודרני מאז תחילת 21רחובמֵאָה. כולם מכירים את טבלאות העמודות עם ציוני השחקנים, העוגות המציגות את חלוקת הקבוצה וטבלאות הדירוג. כל זה אינו אלא תיאור מקיף המשתמש במודיעין נתונים.
כדי להבין את הדמיה של נתוני ההבדל מביאה לשולחן, ניקח דוגמה פשוטה למספר השחקנים מכל מדינה הרשומה בכל קבוצה בפיפ'א עכשיו. להלן הנתונים, תחילה בצורת טבלה ואז בצורת מפת חום של מפת העולם.
רק שתי שאלות עכשיו:
- איזה מהם יותר נעים מבחינה ויזואלית?
- מי משני אלה מעורר יותר תובנות?
ללא ספק התשובה לשתי השאלות היא המפות. ויזואליזציה של נתונים לא רק הופכת אותו למושך למראה, אלא גם מקלה על הבנתם ומפיקים מהם תובנות. בכל הנוגע להדמיית נתונים ב- FIFA, משתמשים בעיקר בכלים כמו IBM Cognos, Tableau ו- QlikView.
האינטרנט של הדברים (IoT)
בשני הסעיפים הקודמים דנו בניתוח ודיווח הנתונים. בואו נסתכל כעת כיצד ניתן לאסוף נתונים אלה.
רוב איסוף הנתונים הנוכחי נעשה באמצעות גישות מסורתיות כמו מישור ה- XY או ניתוח רשת על המגרש לאיתור שחקנים וכדור, מכשירי מעקב חיצוניים לאיתור תנועה ומהירות וכו '. אך עם לבישים חכמים ו- IoT שהולכים את העולם בסערה, היה הרבה מחקר ופיתוח על יישומים של טכנולוגיות אלה בספורט.
כדי להבין זאת טוב יותר, בואו ניקח את הדוגמה לכלי ה- Match Insights של קבוצת הכדורגל הגרמני עליו דנו קודם. כל הנתונים שנאספו עבור המודל הסופי נגזרו חיצונית. למעשה, כאמור, ניתוח מיקום ותנועת השחקן דרש מהקבוצה לעבוד על מערכת קודים מורכבים. תוכנית זו ניתחה את הזנות הווידאו משמונה מצלמות שונות ואז הגיעה לתוצאה. למען האמת, זו משימה קדחתנית וגוזלת זמן.
לפשט את זה זה לא פשוט בלי לנגוח לגשש חכם על זרוע כל שחקן. למעשה, עוקבים חכמים אלה אינם יכולים לשמש רק כדי להפיק מיקום נגן, אלא גם להקליט נתונים סטטיסטיים אחרים כגון מרחק נסיעה, מהירות תנועה, דופק ועוד. בהתבסס על אותו רעיון הוצגו מעקב אחר כדורים, מעקב אחר קווים וחידושים אחרים בעידן החדש בכדורגל.
מקור תמונה: יבמ
IoT הוא תחום כה עצום עד כי ל- IBM צוות ייעודי שעובד על פרויקט נרחב המשתמש ב- IoT קוגניטיבי, כפי שהם מכנים זאת. הצוות המציא כמה פתרונות חומרה ותוכנה שנבנו מעל הבינה המלאכותית המפורסמת של יבמ, IBM ווטסון.
מחשוב ענן
- איסוף נתונים - בדיקה
- ניתוח נתונים - בדיקה
- דיווח נתונים - בדוק
סקרנו שלוש מהפעילויות העיקריות הקשורות לנתונים, אך חסר עמוד מכריע נוסף - אחסון נתונים.
אם זה היה 2003, היו רק כמה אפשרויות לכך - מכונות מקומיות או מקרים מרוחקים. אבל כפי שכבר ידוע, כמות הנתונים שנאספה עבור כל משחק בודד כיום גבוהה מדי מכדי שמחשב אחד קטן יוכל לטפל בו. יתר על כן, זה לא נתונים מובנים פשוטים. הפיתרון הטוב ביותר לאחסון נתונים מסוג זה בענן. לא רק שענן הוא מערכת קלה להתקנה, אלא גם חסכוני בכל מה שקשור לאחסון של נתחי ענק של נתונים לא מובנים.
מחשוב ענן מאפשר אחסון נתונים מרחוק. בנוסף, מרבית פתרונות הענן של ימינו מספקים כלים משולבים שיכולים לסייע גם בניתוח ודיווח. יתרון גדול נוסף בשימוש במערכת ענן במקום במכונה מקומית הוא נושאי האבטחה והפרטיות אליהם עוסק מחשוב ענן. מרבית מקרי הענן מוצפנים עם מפתחות פרטיים המקשים על פריצה או על גישה בלתי מוצדקת אליהם. ומכיוון שהאחסון יכול להיות אלסטי, לעולם לא יהיה צורך למחוק נתונים ישנים כדי לפנות מקום לחדשים יותר. זה יבטיח איכות גבוהה וערך גדול יותר בניתוחים היסטוריים. לבסוף, ניתן לגשת לנתונים המאוחסנים בענן מכל מכשיר ומכל מקום. גמישות זו הופכת גם את מחשוב הענן לבחירה אידיאלית לאחסון נתוני ספורט.
פתרונות ענן פופולריים המשמשים כיום כוללים את שירותי האינטרנט של אמזון, תכלת הרקיע של מיקרוסופט, IBM Bluemix ו- Google Cloud Platform.
בינה מלאכותית (AI) ולמידת מכונה (ML)
כשמדובר בטכנולוגיות מגמות, יש מעט מאוד שיכולים להעניק לבינה מלאכותית ולמידת מכונה ריצה על כספם. עם כמות הנתונים שנוצרת, זה לא כל כך קשה לתכנן מודיעין מכונה שיכול ממש לחזות את העתיד. לפני כמה שנים, ההייפ של פיפ'א היה סביב פול התמנון שיכול לחזות את המנצחים בכל משחק. בטח, היצור האורגני היה בעל הצלחה של קצת מעל 85 אחוזים, אבל אנחנו עוברים לעולם דיגיטלי עכשיו וניבוי הוא לא ממש חלק ממנו.
כדי לפצות על אובדן היצור יוצא הדופן הזה, קבוצה של מנתחי נתונים של גוגל עבדה על מערכת למידת מכונה ששאבה תובנות היסטוריות משווי משחקי כדורגל של דור וניבאה את התוצאה של כל משחק בגביע העולם של פיפ'א 2014. המערכת הצליחה לחזות בהצלחה 14 מתוך 16 התאמות בהן שימשה, מה שהופך אותה ליעילה כמעט בשלושה אחוזים מהיצור הימי שהועסק בעבר. יתר על כן, לדברי יוצריה, שתי ההחמצות אירעו בגלל שגיאות וחוסר עקביות בנתונים.
אם להיות כנים לחלוטין, אלגוריתם של בינה מלאכותית או למידת מכונה לא ממש מנבא זוכה, אלא רק מערם את טובות הסדר, נותן לנו הסתברות שכל קבוצה תנצח במשחק.
באמצעות אלגוריתם פשוט של לימוד מכונה אלגנטי, אנו יכולים להגיע לתוצאה הבאה למונדיאל פיפ'א השנה: * התראת ספוילר *
מקור אלגוריתם: קאגל
P.S: ככל שהמספר נמוך יותר, כך הסיכויים לקבוצה ההיא טובים יותר.
מהי שגיאת מפתח בפייתון
בינה מלאכותית ולמידת מכונה לא רק יכולות לשמש לניתוחים מסוג זה, אלא ניתן להשתמש בהן לשיפור ביצועי השחקנים, אוטומציה של פתרונות בינה עסקית המונעים מדי יום ועוד ועוד.
גביע העולם בכדורגל 2018 כבר כאן! ככל שכולנו אוהבים את הספורט, אנו מקווים שלמידה על הטכנולוגיות העומדות מאחורי הפיכת הספורט למה שהוא מסייע לנו להעריך אותו יותר.
אלה חמש הטכנולוגיות הפופולריות ב- FIFA שמשנות את המשחק כפי שאנו מכירים אותו. כל אחד מהם מציע את חלקו ההוגן מהיתרונות שהופכים את הספורט לטוב יותר מבעבר - עבור שחקנים ואוהדים כאחד. יתרה מכך, אם יש לך את מערך המיומנויות הדרוש, תוכל אפילו להיכנס למשרה הקשורה ל- IT בתחום הספורט.
אנו מקווים שאהבתם את הסיקור שלנו על טכנולוגיות בפיפ'א. אם ידוע לכם על יישומים נוספים של טכנולוגיות פופולריות בפיפ'א או בספורט, באופן כללי, אנא יידעו אותנו על ידי כתיבת אלינו בסעיף ההערות למטה. הקפד להירשם לבלוג שלנו לקבלת כיסוי נוסף של FIFA וטכנולוגיה.