امروز در این مقاله از وبلاگ میخوانیم کاربردهای هوش مصنوعی در صنعت ورزش
در دو دهه گذشته مربیان از علم داده (Data Science) در ورزش برای کمک به بهبود عملکرد بازیکنان خود استفاده کرده‌اند. آنان از کلان‌داده یا Big Data برای کمک به تصمیم‌گیری در زمین بازی استفاده می‌کنند و به تجزیه‌وتحلیل‌های ورزشی برای کمک به آنان برای امضای قراردادهای بزرگ بعدی تکیه می‌کنند.
در همین حال داوران اکنون از فناوری دستیار ویدیویی (VAR) در فوتبال استفاده می‌کنند تا به آنان کمک کند درمورد تصمیمات بزرگ، مانند پنالتی، ضربات آزاد و کارت قرمز، قضاوت دقیق‌تری داشته باشند.
اکنون که هوش مصنوعی و به‌طور خاص یادگیری عمیق (Deep Learning) درگیر این حوزه شده است، تجربه ورزشی حتی بیشتر از این هم تغییر خواهد کرد.
در ادامه به کاربردهای بیشتر هوش مصنوعی در ورزش پرداخته‌ایم.
جام جهانی ۱۹۸۶ بود. آرژانتین در گرمای شدید مکزیک در حال تساوی ۰-۰ با دشمن قدیمی خود، انگلیس، بود که دیگو مارادونا با دروازه‌بان انگلیس برای روی یک سانتر بلند درگیر شد.
دروازه‌بان شانس بیشتری برای رسیدن به توپ داشت، بالاخره او می‌توانست از بازوانش استفاده کند، اما بااین‌حال، مارادونا سریع‌تر به هوا پرید، توپ را با سر زد و آن را به‌سمت تور فرستاد. البته هرکسی که اهل فوتبال است، می‌داند که این روایت دقیقاً همان چیزی نیست که اتفاق افتاد. از لحظه‌ای که مارادونا توپ را لمس کرد، مدافعان انگلیس از شدت عصبانیت به داور اشاه کردند که فوق‌ستاره آرژانتینی با دستش یک گل غیرقانونی به ثمر رسانده است.
امروز چنین گلی با استفاده از داوران هوش مصنوعی در عرض چند دقیقه رد می‌شد. این روزها تمامی تصمیم‌های بزرگی که نتیجه‌های بازی‌ها را تغییر می‌دهند با دقت بیشتری قضاوت می‌شوند و حاشیه خطا بسیار کمتر میشود. مسلماً اگر از هوش مصنوعی در ورزش برای کمک به داوران استفاده شود، بحث‌ها بسیار کاهش می‌یابد.
لازم نیست خیلی به دنبال تأیید این موضوع باشیم. بازی یورو ۲۰۲۰ میان انگلیس و دانمارک یک پنالتی مشکوک داشت که مثالی عالی برای این موضوع است. زمانی که رحیم استرلینگ در نزدیکی دروازه فرود آمد، هوش مصنوعی چه تصمیمی می‌گرفت؟ رأی داور هوش مصنوعی، براساس مدل آموزش‌داده‌شده در V7، تأیید کرد که: «هر گونه “تماس” با استرلینگ ۱۵۰ میلی‌ثانیه قبل از رسیدن دانمارک به توپ اتفاق افتاد.» داور هوش مصنوعی پنالتی را به انگلیس داد.
به‌طور طبیعی، از زمانی که ورزش وجود داشته، نتیجه یک بازی اغلب تحت تأثیر حاشیه‌های مختلف بوده است. تماس‌های خطی در تنیس، هندبال در فوتبال و خطاهای تهاجمی در NBA و غیره همگی زمینه تغییر نتیجه بازی را فراهم می‌کنند. برای سال‌های متمادی داوران هزاران اتفاق نادرست را رقم زده‌اند که به خشم مربیان، هواداران و باشگاه‌ها انجامیده است.
جایگاه کنونی هوش مصنوعی در داوری
ورزش اکنون در نقطه‌ای قرار دارد که آماده پذیرش هوش مصنوعی است، نه برای تغییر نتیجه رویدادهای ورزشی، بلکه برای بهبود فرایند تصمیم‌گیری.
برای مثال، تشخیص آفساید از دوربین‌های بالای سر می‌تواند به VAR در فوتبال کمک کند تا اطمینان حاصل شود که گل‌ها به‌درستی یا نادرست قبول یا رد نمی‌شوند. همینطور سیستم‌های ردیابی در زمین (مانند Hawkeye) می‌توانند توپ‌های تنیس را شناسایی کنند تا تماس‌های خط با دقت بیشتری قضاوت شوند. این امر به‌ویژه در تنیس خاکی صادق است، جایی که تکنولوژی، به‌دلیل حرکت آهسته‌تر توپ، هنوز قادر به خواندن ۱۰۰ درصد تماس با خط نیست.
بینایی کامپیوتر یا Computer Vision همچنین می‌تواند به شناسایی جریمه‌های احتمالی در ورزش‌ها کمک کند تا اشتباه‌ها و بحث‌ها را کاهش دهد و از نوسان بازی‌ها به‌دلیل یک تصمیم ضعیف داوری جلوگیری کند.
پس از محرومیت انگلیس از گل تساوی واضح مقابل آلمان در جام جهانی ۲۰۱۰، فناوری Goal-line وارد فوتبال شد. طبق تعریف فیفا، این فناوری «وسیله‌ای است فنی برای تعیین فوری اینکه آیا کل توپ از خط عبور کرده است یا خیر.»
این فناوری از میدان‌های مغناطیسی و دوربین‌ها برای تأثیرگذاری عالی استفاده می‌کند. نکته جالب این است که معیارهای مختلفی وجود دارد که GLT برای کسب تأیید فیفا باید رعایت کند و این توانایی عملکرد دقیق «در شرایط نامطلوب» را شامل است.
یک GLT معمولی متکی به ۱۴ دوربین با موقعیت استراتژیک است که به دسته‌ای از رایانه‌ها وصل می‌شوند. GLT از الگوریتم‌های پردازش تصویر پیشرفته برای تشخیص شیء (توپ) در درجه اول، تمایز آن از چیزهای دیگر، مانند کفش بازیکنان، در درجه دوم و درنهایت تأیید اینکه آیا کل توپ از خط عبور کرده است یا خیر استفاده می‌کنند.
برنامه‌های تمرینی و رژیم غذایی در طول سال‌ها برای ورزشکاران و زنان حرفه‌ای به‌طرز چشمگیری بهبود یافته است. معرفی هوش مصنوعی در ورزش می‌تواند به شخصی‌سازی برنامه‌های تمرینی و رژیم غذایی به سطح بالاتر کمک کند. تحقیقات قبلاً نتیجه‌های امیدوارکننده‌ای را درمورد استفاده از هوش مصنوعی در تمرین‌های وزنه‌برداری نشان داده است.
اساساً یک برنامه غذایی هوش مصنوعی از یادگیری ماشین (Machine Learning) برای شخصی‌سازی برنامه‌های بازیکنان مختلف براساس نیازها و وضعیت فعلی آنها استفاده می‌کند.
اپلیکیشن‌هایی مانند FoodVisor در حال حاضر از یادگیری عمیق، به‌ویژه تشخیص اشیا (Object Detection)، برای شناسایی بیش از ۱۲۰۰ نوع غذا، تخمین مقدار و تهیه گزارش سریع درمورد تجزیه مواد غذایی استفاده می‌کنند.
نباید برنامه‌های تناسب اندامی را که با کمک هوش مصنوعی به بازار هجوم آورده‌اند فراموش نکنیم. به‌لطف یکی از تکنیک‌های بینایی ماشین به نام تخمین حالت انسان (Human Pose Estimation)، اکنون می‌توانیم الگوریتم‌هایی را آموزش دهیم که قادر به تشخیص حالت‌های انسان به‌شکل بلادرنگ هستند.
این فناوری در زمینه‌هایی مانند یوگای آنلاین و پیلاتس کاربردهایی پیدا کرده است که در آنها می‌توان از مدل‌های نقاط کلیدی اسکلتی برای شناسایی مفاصل انسان استفاده کرد و به کاربر راهنمایی‌هایی درمورد نحوه صحیح ورزش‌کردن ارائه کرد.
هوش مصنوعی، به‌لطف تجزیه و تحلیل پیش‌بینی‌کننده (Predictive Analysis)، در ورزش برای افزایش عملکرد و سلامت استفاده میشود. با ظهور ابزارهای پوشیدنی که اطلاعاتی درمورد جراحت‌ها جمع‌آوری می‌کنند، ورزشکاران می‌توانند از آسیب‌های جدی جلوگیری کنند، اما این تازه شروع کار است. هوش مصنوعی می‌تواند به تیم‌ها کمک کند تا استراتژی‌ها و تاکتیک‌هایی را شکل دهند و نقاط قوت خود را به حداکثر برسانند.
نحوه تجزیه‌وتحلیل عملکرد بازیکن اکنون با هوش مصنوعی پیچیده‌تر از همیشه شده است. با استفاده از داده‌ها و تصویرها مربیان می‌توانند هر روز بینش خوبی درمورد نقاط قوت و ضعف تیم‌های خود به دست آورندو این فناوری به آنان اجازه می‌دهد در تاکتیک‌ها و استراتژی‌ها تغییراتی ایجاد کنند و از این طریق از نقاط ضعف حریف خود بهره ببرند. این درمورد همه ورزش‌ها صادق است، از فوتبال گرفته تا تنیس، حتی هندبال و شنا.
برای مثال بینایی ماشین برای ردیابی و تحلیل حرکت انسان استفاده میشود. در هندبال توسعه یک سیستم کامپیوتری برای ردیابی بازیکنان توجه زیادی را به خود جلب کرده است؛ به‌این شکل که دوربین‌ها داده‌ها را جمع آوری می‌کنند و خروجی آن مسیرهای مکانی‌ـ‌زمانی برای همه بازیکنان است. این مسیرها داده‌های ارزشمندی از قابلیت‌ها و عملکرد هر بازیکن را در اختیار متخصص ورزش قرار می‌دهد.
آنان با استفاده از توالی‌های ویدئویی سه آزمایش را برای شناسایی بهترین روش برای ردیابی خودکار بازیکنان انجام دادند:
نتیجه این بود که ترکیب ردیابی رنگ و الگو، به‌کمک سرعت و حداقل مداخله اپراتور انسانی، در مقایسه با روش‌های دیگر، مناسب‌ترین است.
ردیابی بازیکن با استفاده از کادرهای محدودکننده یا bounding box برای تشخیص اشیا به‌این شکل است:
دیگر کاربرد هوش مصنوعی در صنعت ورزش به‌کارگیری آن در دنیای شرط‌بندی است. شرط‌بندان برای سال‌ها تلاش کرده‌اند تا انبوهی از داده‌ها را برای پیش‌بینی نتیجه مسابقات آینده و برنده‌شدن پول زیادی پردازش کنند. آنان درصد سرویس‌های اول و دوم در تنیس، تعداد آس، برنده‌های بک هند و غیره را در تلاش برای پیش‌بینی نتایج ورزشی بررسی کرده‌اند. بااین‌حال، درنهایت، یک انسان نمی‌تواند به‌اندازه پیش‌بینی الگوریتم فوتبال مبتنی بر هوش مصنوعی داده‌های زیادی را پردازش کند؛ همچنین نمی‌تواند به‌اندازه کافی مسابقات را پیش‌بینی کند.
آنان همیشه به‌دلیل محدودیت‌های انسانی خود درگیر هستند و بنابراین بیشترشان شانس میلیونرشدن را از دست می‌دهند؛ البته که هوش مصنوعی نیز نمی‌تواند نتیجه هر مسابقه را به‌درستی پیش‌بینی کند، اما با الگوریتم پیش‌بینی می‌تواند بسیار دقیق‌تر از یک انسان باشد؛ برای مثال، بینایی ماشین برای تعیین زمان مالکیت توپ استفاده میشود.
محققان پیکربندی‌های متعددی از مدل pos-N-M را روی مجموعه‌ای از ۴۰۰۰ فریم با برچسب دستی اجرا کردند و در یک آزمایش به دقت ۸۵.۵ درصدی دست یافتند. این کار با وجود چندین مورد، ازجمله کوچک‌بودن توپ و دیده‌نشدن توپ یا پوشاندن توپ توسط بازیکن در برخی مواقع، امکان یافت.
وقتی بینایی ماشین بتواند به‌عنوان یک مدل مالکیت توپ به‌درستی آموزش داده شود، می‌تواند به پیش‌بینی نتایج بازی در آینده کمک کند.
بینایی ماشین همچنین می‌تواند برای جمع آوری و تجزیه‌وتحلیل داده‌ها برای این موارد استفاده شود:
تعداد پاس میان هم‌تیمی‌ها
تشکیل یک تیم
تعداد گل‌های زده‌شده
تعداد شانس‌های ایجاد‌شده
پاس‌های کلیدی که منجر به موقعیت گلزنی
با استفاده از این داده‌ها، مدل می‌تواند پیش‌بینی کند که آیا یک تیم برنده میشود یا بازنده یا بازی مساوی خواهد شد.
تهیه بلیت
حتی در سال ۲۰۲۱ تیم‌های ورزشی مشهور با تأخیر ورود مواجه بودند. باشگاه ساوتهمپتون (South Hampton) مجبور شد به هواداران خود هزینه بلیت را بازپرداخت کند؛ زیرا پس از شروع بازی هزاران نفر نتوانسته بودند هنوز به استادیوم وارد شوند.
اینکه در رویدادهای بزرگ ورزشی هوادارانی که برای حضور به‌موقع در ورزشگاه‌ها تلاش می‌کنند و ممکن است با مشکلات زیادی مواجه شوند چیز جدیدی نیست. درواقع، ده‌ها سال است که این موضوع اتفاق می‌افتد وهیچ‌چیز تاکنون این مشکل را به‌طور بالقوه حل نکرده است. حال هوش‌مصنوعی پا به میدان گذاشته است تا این مشکل را برطرف کند! برای مثال Coulmbus Crew از تشخیص چهره استفاده می‌کند تا به هواداران خود اجازه دهد بدون نمایش بلیت خود وارد استادیوم شوند. این کار ورود به استادیوم را کارآمدتر می‌کند و از تنگناها جلوگیری می‌کند؛ علاوه‌براین در حال حاضر با توجه به مشکلات اخیر، برای جذب هواداران محتاط درمورد کووید به داخل استادیوم‌ها که نمی‌خواهند در صف‌های طولانی گیر کنند، بسیار مفید خواهد بود.
در همین حال، بینایی ماشین برای نظارت بر تراکم جمعیت در داخل استادیوم، با دادن هشدار زمانی به کارکنان درمورد مناطق خاصی بیش‌ازحد شلوغ میشود، می‌تواند کمک بزرگی باشد. البته در ورزش‌های مدرن به‌ندرت اتفاق می‌افتد که شلوغی بیش‌ازحد اتفاق بیفتد؛ بااین‌حال، با توجه به اینکه باشگاه‌های فوتبال بریتانیا برای اولین بار از اوایل دهه ۱۹۹۰ بخش‌های ایستاده را معرفی می‌کنند، استفاده از بینایی ماشین برای نظارت بر تراکم جمعیت لایه‌ای از ایمنی و امنیت را فراهم می‌کند که می‌تواند از له‌شدن افراد و مشکلات دیگر جلوگیری کند.
تجزیه و تحلیل پیش‌بینی‌کننده همچنین می‌تواند میزان حضور احتمالی و همچنین زمان حضور حامیان را پیش‌بینی کند. این موضوع برای مرتب‌کردن کالاها و مواد غذایی و پیگیری تقاضا مفید است.
همانطور که در این مقاله از وبلاگ خواندید کاربرد هوش مصنوعی در صنعت ورزش و همینطور کاربرد یادگیری ماشین در آن با سرعتی سریع در حال رشد است و هر سال پیشرفت‌ها و برنامه‌های کاربردی جدیدی در حال ظهور است. بسیاری از محدودیت‌ها و مشکلاتی که در این حوزه وجود دارد، به‌راحتی، با کمک هوش مصنوعی حل‌شدنی است. می‌توان گفت آینده فناوری ورزشی بدون شک به هوش مصنوعی بستگی دارد، اما مطمئناً هنوز در مرز نهایی قرار نداریم؛ درواقع، احتمالا فقط در آغاز راه هستیم و دانستن اینکه چه چیزهایی انتظارمان را می‌کشد هیجان‌انگیز است!
کامنتی ثبت نشده است
ارسال نظر