AI4SPORT

🔎 200 000 скаутских отчётов — как найти в них нужного игрока? Раньше в «Sevilla FC» на это могло уходить 200–300 часов ручной работы❗️ Годами скауты фиксировали параметры, которые не помещаются в обычные статистические фильтры: принятие решений, лидерство, поведение без мяча, работоспособность, соответствие стилю команды. По одному футболисту могло накапливаться до 40 отдельных наблюдений. Огромный архив экспертизы, в котором тяжело искать. ➡️ Вместе с IBM клуб построил Scout Advisor на платформе watsonx. Под капотом — Llama 3.1 70B Instruct. Спортивный директор может написать обычным языком: ✍️ Найди молодых вингеров, которые сильны один в один и умеют создавать пространство. Дальше система: 🔵 с помощью Llama расширяет запрос и переводит его на более точный футбольный язык 🔵 выполняет семантический поиск по содержанию отчётов, а не только по совпадению отдельных слов 🔵 находит игроков, которых скауты описывали похожим образом 🔵 собирает относящиеся к ним наблюдения разных специалистов 🔵 генерирует краткую сводку по каждому кандидату 📌 Важно, что Llama работает с тем, что уже написали специалисты, и помогает быстрее добраться до накопленной экспертизы. Ценность создает база знаний, которую клуб собирал годами. LLM лишь превращает огромный архив отчётов в инструмент, с которым можно общаться обычным текстом. 〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️ Похожую задачу умеет решать и наш продукт AI4F Scouting: он объединяет базу игроков, историю наблюдений, отчёты скаутов, шорт-листы и трансферные цели в одной системе, а ИИ помогает быстрее находить, анализировать и сравнивать кандидатов — как по базе данных, так и среди еще незнакомых клубу игроков. 〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️ Подробнее о кейсе Scout Advisor: Meta* · IBM * Meta Platforms Inc. признана экстремистской организацией, её деятельность запрещена на территории Российской Федерации

🎾 Transfermarkt недоступен уже третий день С 5 августа пользователи из разных стран сообщают о проблемах с доступом к Transfermarkt. Сервис официально подтвердил глобальный сбой: техническая проблема в дата-центре затронула домены Transfermarkt по всему миру. 🤔 Для футбольной индустрии это заметное событие. Transfermarkt давно стал одной из основных точек доступа к информации об игроках: карьере, контрактах, переходах, составах и рыночной стоимости. Эта ситуация поднимает более широкий вопрос — как будут выглядеть сервисы для скаутинга через несколько лет. 💡 Сегодня рынок постепенно движется от отдельных баз данных к более сложным инструментам. Они помогают искать игроков по заданным параметрам, сравнивать кандидатов, анализировать статистику и скаутские отчёты. Как думаете, новое поколение скаутинговых сервисов сможет потеснить Transfermarkt? ❤️ — да 💊 — нет

↗️ Как трекинг помогает изучать риск травм По данным GPS-трекинга можно оценивать физическую нагрузку футболиста: дистанцию, скорость, ускорения и торможения. Предлагаем познакомиться с двумя исследованиями, в которых авторы изучают, как эти показатели связаны с риском травм, и отдельно рассматривают торможения как один из возможных факторов риска. #️⃣1️⃣ На данных 33 игроков клуба АПЛ за три сезона исследователи обнаружили: если футболист был мало адаптирован к нагрузке на торможениях, а затем она резко возрастала, риск неконтактной травмы существенно увеличивался. ➡️ Подробнее: исследование на данных клуба АПЛ #️⃣2️⃣ В другом исследовании на 25 игроках иранской Про-лиги число торможений оказалось самым сильным отдельным предиктором среди показателей внешней нагрузки — AUC 0.91 и accuracy 94.7%. Правда, precision составил только 58.3%, поэтому речь скорее о полезном сигнале для врача и тренера, чем о готовом детекторе травм. ➡️Подробнее: исследование игроков иранской Про-лиги

💡 Чтобы работать с ИИ в спорте, необязательно уметь кодить CEO AI4Football Константин Митин стал гостем подкаста Forbes Young и рассказал, как ИИ приходит в спорт: что он уже делает на футбольном поле, а что по-прежнему остаётся за тренером и аналитиком. А ещё — почему сфере нужны не только разработчики, но и люди, которые умеют объяснять, формулировать и разбираться в задаче. И где во всём этом всё-таки прячется математика. Послушать 🤩 Forbes · Apple · Telegram · Звук · другие площадки Вы бы взяли в ИИ-команду человека без техбазы? ❤️ — да ⚡️ — сначала пусть подучится

💡 Сегодня предлагаем подборку работ по футбольной аналитике — как с помощью данных перейти от результата действия к пониманию его причины. 🟩 Как оценить пас, которого не было Обычные метрики смотрят только на сыгранный пас. Тут модель оценивает все варианты, что были у игрока в момент передачи — с учётом дистанции, угла и давления. Появляются понятные метрики «надёжности» и «креативности». → читать статью 🟦 Пасы, которые ломают оборону Здесь пасы делят не по исходу, а по тому, как они меняют структуру защиты. Из данных ЧМ-2022 без разметки выделились четыре типа: циркуляционные, дестабилизирующие, разрезающие и расширяющие пространство. → читать статью 🟩 Насколько эффективно команда владеет мячом Модель на трансформерах предсказывает следующее событие в матче, а поверх неё — метрика эффективности владения. Считает по ходу атаки, не смотря на удары и голы, однако результат сходится с проверенными метриками. → читать статью

🤖 Журналисты USA TODAY попросили Google Gemini предсказать сезон клуба NFL Модели задали опираться на открытую статистику, но в прогнозе она использовала устаревший состав соперника и историю прошлых встреч, не учитывая смену тренерских штабов. 🎾 Gemini — модель общего назначения, а прогнозирование спортивных результатов —это задача, под которую строят специализированные модели. В обзоре Bunker, Yeung и Fujii, обобщившем 15 лет исследований по футбольным прогнозам, лучшие модели на базе 216 тысяч матчей по 52 лигам показывали около 55,8% точности при прогнозе трёх исходов. Другие подходы — около 51–52%. Авторы отмечают, что реалистичный диапазон находится в пределах 50–56%. Результаты выше 90% чаще связаны с ошибками эксперимента, например, попаданием информации о будущих матчах в обучающую выборку. 📌 Оставляем две ссылки рядом: прогноз Gemini как пример использования модели общего назначения и обзор специализированных моделей как исследовательский ориентир.

🤩 Как оценить передачу: насколько она надёжна и что даёт атаке? Этот вопрос команда AI4Football обсуждала на встрече с топ-клубом из Бразилии. В качестве одного из подходов разбирали связку xP, xT и их производной метрики xPT. 🤩 xP (Expected Pass) показывает вероятность успешного выполнения передачи. 🤩 xT (Expected Threat) оценивает потенциальную угрозу из конкретной зоны поля — например, вероятность того, что команда забьёт в течение следующих нескольких действий. 🤩 В xPT эти два показателя объединяются: можно менять их веса и таким образом задавать баланс между вероятностью успешного паса и его потенциальной ценностью для атаки. При этом одна и та же зона может иметь разную ценность в зависимости от игровой ситуации: при контратаке и позиционном нападении меняются пространство вокруг мяча и варианты развития атаки. 🤩 По ходу обсуждения с бразильскими партнерами мы пришли к тому, что при работе с xT важно учитывать контекст xP, так как ценность зоны сама по себе не всегда отражает реальную угрозу конкретного игрового эпизода.