Возможность по-новому смотреть на спорт

Как реализовать успешный проект в спорте с применением технологий искусственного интеллекта и потом обеспечить его развитие рассказывает Святослав Смирнов, руководитель подразделения К2 НейроТех.

Рынок и аналитика данных

Что побудило компанию, которая занимается сложными ИТ-решениями, взяться за футбольный проект?

Для нас это был во многом вызов – показать, что технологии могут работать не только в корпоративных системах, но и там, где кипят эмоции. Медийная футбольная лига с ее фокусом на инновации и геймификацию, оказалась идеальным партнером. Мы не просто автоматизировали сбор статистики, а буквально встроили цифровой слой в самую ткань игры.

Теперь многие процессы выполняются автоматически, а команды могут сосредоточиться на стратегии и развитии. Проект с Медийной футбольной лигой стал для нас отличной возможностью продемонстрировать, как технологии делают спорт зрелищнее.

Как вы оцениваете степень зрелости российского рынка спортивных технологий к таким решениям, как ваше?

Рынок активно развивается. Как показывает наш проект, технологии уже готовы к внедрению и приносят реальную пользу: от повышения зрелищности трансляций до предоставления командам продвинутой аналитики. Заметен растущий интерес со стороны как футбольных клубов, так и зрителей, которые благодаря статистике и новым цифровым инструментам начинают по-новому смотреть на спорт. В ответ на запрос рынка российские производители выпустили ряд решений для спортивной аналитики.

Аналитика и статистика всегда применялись в спорте, однако искусственный интеллект сделал аналитику точнее и детальнее. Автоматизация разбора матчей, глубокие инсайты об эффективности игроков, прогнозирование тактики — это тонны данных, на обработку которых раньше уходили часы. Теперь эту задачу решает ИИ. Аналитика не только повысила зрелищность трансляций, но и предоставила инструменты всем участникам процесса.

Кейс с Winline Медийной футбольной лигой — это уже не пилот, а полноценный проект, который доказал свою жизнеспособность. Вопрос "зачем это нужно?" сменился на "как это получить?". Рынок созрел, и теперь задача — масштабировать успешный опыт, делая технологии доступнее.

Задача сводится к тому, чтобы научить систему распознавать основные события и метрики в новой для нее дисциплине

Расскажите подробнее, как "думает" ваша система? Как она обучалась и как в ней формировались эталонные модели, с которыми происходит сравнение? Как, например, она оценивает физическую готовность игрока?

В основе системы – наш программно-аппаратный комплекс от К2 НейроТех – ПАК-AI. Это платформа объединяет вычислительные мощности, алгоритмы компьютерного зрения и модели машинного обучения. Мы обучали систему на обширном массиве исторических данных. Например, для построения модели прогнозирования исхода матча нам потребовался дата-сет из десятка тысяч игр. Система анализирует не просто километраж, а характер активности игрока – рывки, работу в определенных зонах, эффективность прессинга. ИИ-технологии сравнивают текущий матч с историческими по более чем 20 командным параметрам, на основе чего и делает свой прогноз.

Для рейтинга игроков мы использовали комбинированный подход: сначала экспертные оценки по методу Дельфи, затем модель Glicko-2, широко применяемую в киберспорте. Система оценивает футболистов по шести категориям: медийность, удар, атака, защита, передача и фитнес.

Что касается физической кондиции, система фиксирует фитнес-показатели в реальном времени с помощью камеры с обзором 360 градусов, предоставляя данные об активности, перемещениях и зонах давления каждого игрока. Эти данные собираются в удобные отчеты с тепловыми картами и графиками в веб-сервисе. В итоге тренер получает не набор цифр, а целостную картину готовности и влияния каждого футболиста на игру. Все данные собираются в режиме, близком к реальному времени.

Карточка игрока должна стать полноценным цифровым паспортом спортсмена.Карточка игрока должна стать полноценным цифровым паспортом спортсмена.

А применима ли эта технология в других видах спорта?

Безусловно. Ядро нашей платформы — алгоритмы компьютерного зрения и машинного обучения — универсально. Его можно адаптировать для других командных игр вроде баскетбола и набирающего популярность падела, а также для циклических видов спорта, где ключевую роль играет биомеханика. Задача сводится к тому, чтобы научить систему распознавать основные события и метрики в новой для нее дисциплине. С технической точки зрения никаких барьеров здесь нет.

Возможно ли выявление талантов с помощью вашей технологии?

Да, это одно из ключевых направлений развития наших решений. Нейросети способны анализировать огромные базы данных игроков, выявляя перспективных кандидатов с учетом заданных тренером критериев. Объективные метрики и рейтинги позволяют сравнивать спортсменов на статистическом уровне – это делает скаутинг быстрее и точнее.

Те же инструменты идеально подходят и в тренировочном процессе для развития талантов. Для этого необходимо организовать съемку тренировок и подключить систему сбора данных, например, с помощью датчиков. Система будет фиксировать те же показатели, что и на играх: физическую нагрузку, технические действия, перемещения и другие параметры. Это позволит строить рейтинги спортсменов, отслеживать прогресс и понимать сильные и слабые стороны каждого атлета.

Сейчас мы продолжаем тонкую калибровку моделей, чтобы система еще точнее реагировала на текущую форму и реальный вклад футболиста в игру.

Итоги и перспективы

Вы заявляли, что планируете в будущем развивать и совершенствовать рейтинг игроков, что для этого вам стоит доработать и когда будете готовы к этому?

Аналитика для Медийной футбольной лиги – комплексный продукт. Что касается развития рейтинга, мы уже заложили прочный фундамент и постоянно работаем над его улучшением. Наша система состоит из двух ключевых этапов.

Первоначально мы использовали экспертные оценки по методу Дельфи, чтобы задать верные ориентиры. Затем для объективного сравнения игроков мы применили хорошо зарекомендовавшую себя в киберспорте, например, в Counter-Strike и Dota 2, модель Glicko-2. Сравнение происходит по шести категориям: удар, передача, защита, атака, фитнес и медийность. Алгоритм попарно сравнивает двух игроков по каждой из этих категорий, выбирая одного в каждой "паре". После тысяч таких сравнений по итогам серии матчей формируется точная картина.

Главное развитие заключалось в том, чтобы полностью автоматизировать этот процесс. С помощью классического машинного обучения мы обучили модель, которая теперь выполняет роль эксперта. Она так же выбирает между двумя игроками, но делает это на основе чистых статистических данных, относящихся к конкретной категории.

В итоге мы получили прозрачный и динамичный рейтинг. Сейчас мы продолжаем тонкую калибровку моделей, чтобы система еще точнее реагировала на текущую форму и реальный вклад футболиста в игру. Это позволяет нам постоянно актуализировать рейтинг, обеспечивая независимую и объективную оценку, которая меняется в зависимости от того, как игроки проявляют себя на поле.

Мы стремимся к тому, чтобы карточка игрока стала полноценным цифровым паспортом спортсмена. Этот процесс непрерывный: улучшения внедряются по мере накопления данных и обучения моделей.

Скажите, а можно ли применять этот же технологический подход вне спорта? Например, в бизнесе?

Не просто можно – это одно из ключевых направлений развития нашей платформы. Футбольная аналитика — лишь частный случай применения программно-аппаратного комплекса. По своей сути, ПАК-AI – это универсальный инструмент для развертывания ИИ-инфраструктуры, который мы адаптируем под конкретные бизнес-задачи в самых разных отраслях.

В финансовом секторе с помощью ПАК-AI возможно в реальном времени анализировать потоки транзакций, выявлять подозрительные паттерны, предотвращать мошенничество. Встроенные инструменты позволяют автоматизировать процесс верификации документов, извлекать ключевые данные из договоров и даже генерировать первичные отчеты, используя языковые модели. Это повышает безопасность и радикально снижает долю ручного труда.

В промышленности ПАК-AI используется для предиктивного обслуживания: камеры и датчики фиксируют малейшие аномалии в работе оборудования, предупреждая сбои до их возникновения. Алгоритмы компьютерного зрения способны проводить автоматический контроль качества продукции, отслеживая дефекты точнее и быстрее, чем человек.

Для ритейла наши технологии открывают возможности для глубокого анализа покупательского поведения. Система отслеживает движение людей в торговом зале, определяет самые популярные и проходные зоны, анализирует возрастной и гендерный состав аудитории. Эти данные помогают оптимизировать выкладку товаров, планировать рекламные акции и улучшать сервис, что в конечном итоге напрямую влияет на выручку.

В логистике ПАК-AI может революционизировать управление цепями поставок: отслеживает перемещение грузов, прогнозирует сроки доставки с учетом множества факторов, таких как пробки или погодные условия, и автоматически оптимизирует маршруты. На складах алгоритмы позволяют автоматизировать учет остатков и контролировать процессы погрузки-разгрузки. Это значительно повышает общую эффективность и сокращает операционные издержки.

Таким образом, сфера применения нашей системы ограничивается лишь спецификой бизнес-задач. Архитектура ПАК-AI позволяет быстро адаптировать готовые инструменты компьютерного зрения, анализа данных и языковые модели под нужды конкретного заказчика, предоставляя ему готовую, масштабируемую и безопасную среду для работы с искусственным интеллектом.