Futbols neapšaubāmi ir vispopulārākais sporta veids pasaulē. Kā ziņo FIFA.com, kopā 3,2 miljardi cilvēku noskaņojās skatīties 2014. gada pasaules futbola kausu. Bet vai zinājāt, ka tehnoloģijai ir izšķiroša loma, lai futbolu padarītu par tādu, kāds tas ir šodien? Patiesībā mūsdienu futbolu var uzskatīt par autonomu IT nozari, jo sportā tiek plaši izmantotas jaunās un mantotās tehnoloģijas.
Pasaules kausa izcīņā izmantotās tehnoloģijas ietver tādas mantotas tehnoloģijas kā attēlu atpazīšana un modeļu analīze, kā arī tādas jaunas pieejas kā mākslīgais intelekts un mākoņdatošana. Faktiski ikvienam, kam ir nepieciešamās prasmes un kurš aizrauj spēli, tehniskais darbs futbola jomā varētu būt sapnis.
Šajā emuārā mēs apspriedīsim piecas galvenās tehnoloģijas, kas nosaka futbola baudīšanas veidu, kā mēs to zinām.
Lielie dati un analīze
Sporta jomā ir daudz datu, it īpaši tāda pasaules mēroga turnīra kā FIFA. Piemēram, lai visaptveroši analizētu un noformētu prediktīvos algoritmus, mums ir nepieciešami labi 185 datu lauki - tas ir tikai minimums katram spēlētājam.
Ne visi dati, kas iegūti un izmantoti analīzēm, šodien ir strukturēti. Dati šodien satur nestrukturētus komponentus, piemēram, videoklipus, attēlus, sociālo mediju ziņas un daudz ko citu. To sauc par lielajiem datiem. Acīmredzot vienkāršas analīzes var sasniegt, izmantojot tekstuālos un skaitliskos datus, taču, runājot par sarežģītiem algoritmiem, piemēram, komandas veiktspējas analīzi, spēlētāju veselības statistikas prognozēm utt., Vienkārši matemātika un tradicionālie rīki, piemēram, Microsoft Excel, nav pietiekami labi. Liela daļa mūsdienu futbola analītikas datu ir saistīti ar tādiem rīkiem kā Apache Hadoop, Apache Spark un Apache Kafka.
Ja esat futbola līdzjutējs, jūs varētu zināt, ka Vācija uzvarēja 2014. gada FIFA pasaules kausa izcīņā, iznīcinot savu konkurenci. Bet, vai zinājāt, ka šī valsts komanda guva ieskatus, izmantojot sarežģītu lielo datu analīzes sistēmu? Šis rīks, kas tika kristīts par spēles ieskatu, tika palaists 2012. gadā, un to izstrādāja kopā ar Vācijas izlases ģenerālmenedžeri Oliveru Bierhofu, kurš vadīja lādiņu. Šis apjomīgais projekts sāka veidoties, kad aptuveni 50 studentu grupa Deutsche Sporthochschule Koeln sāka veidot visaptverošu datu bāzi ar visu spēlētāju statistiku, kas piedalījās gaidāmajā turnīrā. Kā jau bija paredzēts, ievērojama šo datu kolekcija bija video no astoņām dažādām lauka kamerām, kas ieskauj laukumu. Piķis, pēc rīku veidotāju domām, datu bāzē tiek skatīts kā režģis. Katrā scenārijā katram spēlētājam tiek piešķirts unikāls identifikators. Tas ļauj digitāli izsekot viņu kustībām un darbībām, kas savukārt ļauj ikvienam izmērīt galvenos veiktspējas rādītājus, tostarp pieskārienu skaitu, kustības ātrumu un vidējo glabāšanas laiku.
Izmantojot šos datus, studenti izstrādāja algoritmu, kas izstrādāja galīgo modeli. Šis modelis kļuva par pamatu Vācijas komandas neprāta stratēģijām pret visiem pretiniekiem.
Ja vēlaties uzzināt vairāk faktu par datu analīzi, šī ir laba vieta sākt.
deklarējot objektu masīvu Java
Biznesa inteliģence (BI) un datu vizualizācija
Šī ir viena no tehnoloģiju jomām, kas ir acīmredzama gandrīz visos sporta veidos, jo tā darbojas skatītāju priekšplānā. Atvasinātās tabulas, diagrammas, grafiki un karstuma kartes, datu vizualizācija un biznesa inteliģence ir jomas, kas mūsdienu sportu nosaka kopš 21. gadsimta sākuma.svgadsimtā. Visiem ir zināmas joslu diagrammas ar spēlētāju rādītājiem, pīrāgi, kas parāda komandas sadalījumu, un rangu tabulas. Tas viss ir nekas cits kā visaptverošs attēlojums, izmantojot datu izlūkošanu.
Lai saprastu datu vizualizācijas atšķirību tabulu, ņemsim vienkāršu piemēru par spēlētāju skaitu no katras valsts, kas šobrīd FIFA ir reģistrējušies vienā komandā. Šeit ir dati, vispirms tabulas formā un pēc tam pasaules kartes karstuma kartes veidā.
Tagad tikai divi jautājumi:
- Kurš ir vizuāli patīkamāks?
- Kurš no šiem diviem izraisa vairāk ieskatu?
Līdz šim atbilde uz abiem jautājumiem ir kartes. Datu vizualizācija ne tikai padara to pievilcīgu, bet arī ļauj vieglāk saprast un gūt ieskatu. Runājot par datu vizualizāciju FIFA, galvenokārt tiek izmantoti tādi rīki kā IBM Cognos, Tableau un QlikView.
kā kļūt par inženieri
Lietiskais internets (IoT)
Iepriekšējās divās sadaļās mēs apspriedām datu analīzi un ziņošanu. Apskatīsim, kā šos datus var apkopot.
Lielākā daļa pašreizējās datu apkopošanas tiek veikta, izmantojot tradicionālās pieejas, piemēram, XY plaknes vai tīkla analīzi laukā, lai noteiktu spēlētāju un bumbu atrašanās vietu, ārējās izsekošanas ierīces, lai noteiktu kustību un ātrumu utt. ir daudz pētīts un attīstīts šo tehnoloģiju pielietojums sportā.
Lai to labāk saprastu, ņemsim piemēru par iepriekš apspriesto Vācijas futbola izlases rīku Match Insights. Visi galīgajam modelim savāktie dati tika iegūti ārēji. Faktiski, kā tika apspriests, analizējot spēlētāja pozīciju un kustību, komandai bija jāstrādā pie sarežģītu kodu kopas. Pēc tam šī programma analizēja video plūsmas no astoņām dažādām kamerām un pēc tam nāca klajā ar rezultātu. Pilnīgi godīgi sakot, tas ir diezgan drudžains un laikietilpīgs uzdevums.
Tā vienkāršošana ir tikpat bez piepūles kā plātīšana ar viedo izsekotāju uz katra spēlētāja rokas. Faktiski šos viedos izsekotājus var izmantot ne tikai spēlētāju atrašanās vietas noteikšanai, bet arī citu statistikas datu ierakstīšanai, piemēram, nobraukto attālumu, kustības ātrumu, sirdsdarbības ātrumu un daudz ko citu. Balstoties uz šo pašu ideju, ir ieviesta bumbu izsekošana, līniju izsekošana un citi jaunatnes jauninājumi futbolā.
Attēlu avots: IBM
IoT ir tik plaša joma, ka IBM ir īpaša komanda, kas strādā pie plaša projekta, izmantojot kognitīvo IoT, kā viņi to sauc. Komanda ir izstrādājusi vairākus aparatūras un programmatūras risinājumus, kas balstīti uz IBM slaveno mākslīgo intelektu IBM Watson.
Mākoņdatošana
- Datu vākšana - pārbaude
- Datu analīze - pārbaude
- Datu pārskati - pārbaude
Mēs esam apskatījuši trīs galvenās ar datiem saistītās darbības, taču trūkst vēl viena būtiska pīlāra - datu glabāšana.
Ja tas bija 2003. gads, tam bija tikai dažas iespējas - vietējās mašīnas vai attālās instances. Bet, kā mēs jau zinām, šodien par katru spēli savākto datu daudzums ir pārāk liels, lai to varētu apstrādāt viens mazs dators. Turklāt tie nav vienkārši strukturēti dati. Labākais risinājums šāda veida datu glabāšanai mākonī. Mākonis ir ne tikai viegli uzstādāma sistēma, bet arī ekonomiska, ja runa ir par milzīgu nestrukturētu datu gabalu glabāšanu.
Mākoņdatošana ļauj attālināti uzglabāt datus. Turklāt lielākā daļa mūsdienu mākoņu risinājumu nodrošina integrētus rīkus, kas var palīdzēt arī veikt analīzi un ziņojumus. Vēl viena liela priekšrocība, lietojot mākoņa sistēmu vietējās mašīnas vietā, ir drošības un privātuma problēmas, kuras mākoņdatošana adresē. Lielākā daļa mākoņa gadījumu tiek šifrēti ar privātajām atslēgām, kas apgrūtina uzlaušanu vai nepamatotu piekļuvi tiem. Tā kā krātuve var būt elastīga, nekad nebūs jādzēš vecie dati, lai atbrīvotu vietu jaunākiem. Tas nodrošinās augstu kvalitāti un lielāku vērtību vēsturiskajā analīzē. Visbeidzot, mākonī saglabātajiem datiem var piekļūt no jebkuras ierīces un jebkuras vietas. Šī elastība padara mākoņdatošanu arī par ideālu izvēli sporta datu glabāšanai.
Mūsdienās izmantotie populārie mākoņu risinājumi ir Amazon Web Services, Microsoft Azure, IBM Bluemix un Google Cloud Platform.
Mākslīgais intelekts (AI) un mašīnmācīšanās (ML)
Kas attiecas uz populārām tehnoloģijām, ir ļoti maz tādu, kas mākslīgo intelektu un mašīnmācīšanos var dot par labu savai naudai. Ņemot vērā ģenerēto datu apjomu, nav tik grūti izstrādāt mašīnu izlūkošanu, kas burtiski var paredzēt nākotni. Pirms dažiem gadiem FIFA ažiotāža bija ap astoņkāju Polu, kurš varēja paredzēt katra mača uzvarētājus. Protams, organiskās radības panākumu līmenis bija nedaudz virs 85 procentiem, taču mēs tagad virzāmies uz digitālo pasauli, un zīlēšana patiesībā nav tās sastāvdaļa.
Lai kompensētu šīs neparastās radības zaudēšanu, Google datu analītiķu grupa strādāja pie mašīnmācīšanās sistēmas, kas ieguva vēsturiskas atziņas no paaudzes vērtām futbola spēlēm un prognozēja katra mača iznākumu 2014. gada FIFA Pasaules kausa izcīņā. Sistēma veiksmīgi spēja paredzēt 14 no 16 spēlēm, kurās tā tika izmantota, padarot to gandrīz par trīs procentiem efektīvāku nekā iepriekš nodarbinātā jūras radība. Turklāt, pēc tās veidotāju domām, abas kļūdas notika kļūdu un datu neatbilstību dēļ.
Ja godīgi, mākslīgā intelekta vai mašīnmācīšanās algoritms patiesībā neprognozē uzvarētāju, tas tikai sakārto labvēlību secībā, dodot mums varbūtību, ka katra komanda uzvarēs mačā.
Izmantojot vienkāršu, bet elegantu mašīnmācīšanās algoritmu, mēs varam sasniegt šādu šī gada FIFA Pasaules kausa rezultātu: * Brīdinājums par spoileri *
Algoritma avots: Kaggle
P.S: Jo mazāks skaitlis, jo labāki koeficienti tai komandai.
Mākslīgo intelektu un mašīnmācīšanos var izmantot ne tikai šāda veida analīzēm, bet arī spēlētāju veiktspējas uzlabošanai, ikdienas vadītu biznesa inteliģences risinājumu automatizēšanai un daudz ko citu.
2018. gada futbola pasaules kausa izcīņa ir klāt! Lai arī kā mums visiem patīk sports, mēs ceram, ka, uzzinot par tehnoloģijām, kas ir pamatā tam, lai padarītu sportu par tādu, kāds tas ir, tas palīdz mums to vairāk novērtēt.
Šīs ir piecas populārās FIFA tehnoloģijas, kas maina spēli tā, kā mēs to zinām. Katrs no viņiem piedāvā taisnīgu daļu priekšrocību, padarot sportu labāku nekā tas bija iepriekš - gan spēlētājiem, gan līdzjutējiem. Turklāt, ja jums ir nepieciešamo prasmju kopa, jūs pat varat strādāt ar IT saistītā darbā sporta jomā.
kā mainīt dubultu uz int java
Mēs ceram, ka jums patika mūsu FIFA tehnoloģiju pārklājums, ja jūs zināt vēl kādas populārāko tehnoloģiju pielietojumus FIFA vai sportā, vispār dariet mums to zināmu, rakstot mums zemāk komentāru sadaļā. Noteikti abonējiet mūsu emuāru, lai iegūtu vairāk FIFA un ar tehnoloģijām saistītu pārklājumu.