پیگیری دقیق‌تر هاکی با ابزارهای پیشرفته هوش مصنوعی

تحلیل داده‌های هاکی با کمک هوش مصنوعی

محققان دانشگاه واترلو با استفاده از ابزارهای هوش مصنوعی (AI) توانسته‌اند داده‌های مربوط به بازی‌های هاکی حرفه‌ای را سریع‌تر و دقیق‌تر از همیشه جمع‌آوری و تحلیل کنند. این پیشرفت تأثیرات بزرگی بر صنعت ورزش خواهد داشت. در حال حاضر، حوزه رو به رشد تحلیل هاکی به تحلیل دستی ویدئوهای بازی‌ها وابسته است. تیم‌های هاکی حرفه‌ای، به‌ویژه در لیگ ملی هاکی (NHL)، بر اساس این اطلاعات تصمیمات مهمی دربارهٔ آینده بازیکنان اتخاذ می‌کنند.

دکتر دیوید کلاوسی، استاد گروه مهندسی طراحی سیستم‌های دانشگاه واترلو، گفت: “هدف تحقیقات ما این است که بازی هاکی را از طریق ویدئو به‌طور مؤثرتر و کارآمدتر از یک انسان تفسیر کنیم.” او افزود: “یک فرد نمی‌تواند همه چیزهایی که در یک بازی اتفاق می‌افتد را مستند کند.”

بازیکنان هاکی به‌سرعت و به‌صورت غیرخطی حرکت می‌کنند و به‌طور دینامیک بر روی یخ در شیفت‌های کوتاه اسکیت می‌زنند. علاوه بر اعداد و نام‌های خانوادگی که روی پیراهن‌ها نوشته شده و همیشه برای دوربین قابل مشاهده نیستند، لباس‌ها ابزار مناسبی برای شناسایی بازیکنان نیستند، به‌ویژه در سرعت بالای بازی هاکی. این موضوع باعث می‌شود که پیگیری و تحلیل دستی هر بازیکن در طول بازی بسیار دشوار و مستعد خطای انسانی باشد.

ابزار هوش مصنوعی که توسط کلاوسی و همکارانش توسعه یافته، به‌منظور حل این مشکلات طراحی شده است.

تحقیقات جدید در تحلیل عملکرد بازیکنان هاکی با استفاده از یادگیری عمیق

جان زلک، استاد مهندسی طراحی سیستم‌ها در دانشگاه واترلو، همراه با یوهائو چن، استاد پژوهش و تیمی از دانشجویان تحصیلات تکمیلی، از تکنیک‌های یادگیری عمیق برای خودکارسازی و بهبود تحلیل عملکرد بازیکنان استفاده می‌کنند. این تحقیق در همکاری با استاتلتس، شرکت تحلیل داده‌های عملکرد هاکی مستقر در انتاریو، انجام شده است.

تیم تحقیقاتی با بررسی فریم به فریم ویدئوهای پخش شده NHL، به صورت دستی تیم‌ها، بازیکنان و حرکات آن‌ها در زمین یخ را علامت‌گذاری کردند. سپس این داده‌ها را با استفاده از یک شبکه عصبی یادگیری عمیق پردازش کردند تا سیستم را آموزش دهند که چگونه یک بازی را تماشا کند، اطلاعات را جمع‌آوری کرده و تحلیل‌ها و پیش‌بینی‌های دقیقی ارائه دهد.

در آزمایش‌ها، الگوریتم‌های سیستم دقت بالایی را نشان دادند. این سیستم توانست ۹۴.۵ درصد از بازیکنان را به درستی ردیابی کند، ۹۷ درصد تیم‌ها را شناسایی کرده و ۸۳ درصد بازیکنان را به درستی شناسایی نماید. تیم تحقیقاتی در حال کار بر روی بهبود پروتوتایپ خود است، اما استاتلتس در حال حاضر از این سیستم برای علامت‌گذاری ویدئوهای بازی‌های هاکی استفاده می‌کند.

پتانسیل تجاری‌سازی این فناوری فراتر از هاکی است. با آموزش مجدد اجزای سیستم، می‌توان آن را به سایر ورزش‌های تیمی مانند فوتبال یا هاکی روی چمن نیز اعمال کرد. زلک گفت: «سیستم ما می‌تواند داده‌هایی برای اهداف مختلف تولید کند. مربیان می‌توانند از آن برای طراحی استراتژی‌های برنده استفاده کنند، شکارچیان بازیکن می‌توانند به دنبال بازیکنان مناسب بگردند و آمارگیران می‌توانند راه‌هایی برای ایجاد برتری بیشتر برای تیم‌ها در زمین یخ یا زمین فوتبال شناسایی کنند. این واقعاً پتانسیل تغییر کسب‌وکار ورزش را دارد.»