فوتبال شبیه شطرنج است. باشگاه ها فلسفه خاص خود را دارند ، الگوریتم ها می توانند آن حرکات خاص را تشخیص دهند


کمی سازی ، تسخیر دنیای ورزش است. روبن ساودرا، یک دانشمند مغز و اعصاب کاتالان که Metrica Sports را اداره می کند ، بخشی از انقلاب داده ها در فوتبال است. او توضیح می دهد که چرا و چگونه داده ها در فوتبال مهم هستند پیناکی چاکرابورتی

آیا داده ها می توانند در اندازه گیری درخشش بازیکن به شما کمک کنند؟

نه. من همیشه مقایسه را با شطرنج انجام می دهم. فوتبال از بسیاری جهات شبیه شطرنج است. اگر قطعه ای را حرکت دهید ، روی سایر قطعات تأثیر دارد. می توانید همه اینها را تحلیل کنید. با داده ها نمی توان همه کارها را انجام داد ، آنها وقتی زندگی می کنند ، زندگی شخصی خود را نیز جستجو می کنند. همه چیز قابل اندازه گیری نیست. هرچه اطلاعات بیشتری داشته باشید تصمیم بهتری می توانید بگیرید.

چگونه بازی با علوم داده تکامل یافته است؟

ما هنگام تماشای بازی ها دیدیم که رسانه ها با نقشه های حرارتی چه کاری انجام می دهند و فکر کردیم که این کار بسیار اساسی است. بازیکنی 5.2 کیلومتر دوید ، اما پس از آن کی دوید ، با چه سرعتی ، با توپ ، بدون توپ؟ من در مورد 2012-13 صحبت می کنم ، هیچ باشگاهی در جهان وجود نداشت که دارای دپارتمان های علوم داده مناسب باشد. برخی از آنها در انگلستان ، به طور عمده در لیورپول ، و در ایالات متحده شروع می شدند ، زیرا فرهنگ تجزیه و تحلیل داده ها در ورزش وجود دارد. این از بیس بال ، بسکتبال و غیره ناشی می شود.

آیا در آن زمان باشگاه های بزرگ تیم تجزیه و تحلیل داده ها نداشتند؟

بارسلونا شروع می کرد ، آنها فقط یک نفر داشتند. امروزه تمام باشگاه های برتر دارای گروه علوم داده هستند. اما اگر به زیر آن بروید ، آنها هنوز آن را ندارند. اکنون باشگاه هایی مانند اتلتیک بیلبائو و رئال سوسیداد در حال ساخت تیم های علوم داده هستند. ما فکر می کنیم در میانه یک انقلاب هستیم.

چگونه داده ها در سطوح مختلف مورد استفاده قرار می گیرند؟

باشگاه های برتر دارای یک بخش علوم داده هستند و آنها از داده ها برای هر چیز دیگری که همراه با فوتبال می خواهند استفاده می کنند. از داده ها می توان برای پیشاهنگی استفاده کرد. از هر ویدیویی می توانید داده بگیرید. اگر آنها ویدیویی را از برزیل بارگذاری کنند ، می توانند حجم کار ، سرعت بدنی و شدت زیاد او (بازیکن) را مشاهده کنند. آنها همچنین از داده ها برای تجزیه و تحلیل تقابل استفاده می کنند: جایی که توپ را جابجا می کنند ، انتقال ها.

این تشخیص الگو است.

بله ، اما این نیز برای تجزیه و تحلیل بازی خود شما است. باشگاه ها فلسفه خاص خود را دارند و آنها روش خاص خود را برای گذراندن بازی دارند و وقت خود را صرف تحلیل بازی می کنند. این جزئیات بسیار خوبی است ، به عنوان مثال ، در برخی شرایط بازیکنان نباید از 5 متر فاصله داشته باشند. در لیگ های پایین دانشمندان داده ندارید ، همه براساس ویدیوها است. اکنون این باشگاه ها می توانند داده ها را به تجزیه و تحلیل ویدئویی خود اضافه کنند.

داده ها چه تاثیری بر فلسفه فوتبال باشگاه ها دارند؟

می توان از داده ها برای دیدن اینکه آیا فلسفه واقعاً اتفاق می افتد استفاده کرد. باشگاه ها ، طبق گزارشات مانند بارسلونا و آژاکس ، یک فلسفه ثابت دارند. آنها می توانند الگوریتم هایی برای تشخیص حرکات بسیار خاص بسازند: اگر توپ را در اینجا از دست بدهیم ، برای سه ثانیه فشار دهیم و عقب برویم ، بازیکن خاصی فوراً به موقعیتی منتقل می شود. داده ها بلافاصله به شما می گویند که چه زمانی این اتفاق می افتد و چه زمانی این اتفاق نمی افتد. می توانید الگوریتم هایی را برای موقعیت یابی تعیین کنید. برای دفاع راست و وینگر مجموعه ای از الگوها وجود دارد. این به آنها امکان می دهد بازیکنی را که در حال بازی با u-17 ، u-19 و u-21 است با بازیکنان تیم اصلی مقایسه کنند. آنها این کار را در گذشته با تماشای بازیکنان انجام می دادند ، اکنون این کار را با داده ها و پیشاهنگی انجام می دهند.

آیا همه باشگاه ها توانایی پرداخت این هزینه را دارند؟

مطمئناً ، این یک واحد ارزان قیمت نیست. همچنین نیاز به تغییر فرهنگ است. به همین دلیل باشگاه های برتر انقلاب را رهبری می کنند. ما معتقدیم که طی چند سال هر باشگاه حرفه ای بر اساس داده ها تصمیم گیری می کند. هنگامی که ما شروع به کار کردیم ، ردیاب های داده توسط پخش کنندگان خریداری می شدند و سپس در برخی از باشگاه ها و لیگ ها پخش کننده ها سعی می کردند این داده ها را بفروشند. اکنون این باشگاه ها هستند که مستقیماً داده ها را می خرند.

چگونه آنها از داده ها برای پیشاهنگی استفاده می کنند؟

بیست سال قبل همه تیم ها خدمه داشتند. آنها 20-50 نفر داشتند که در سراسر دنیا به تماشای بازی سفر می کردند. آنها گزارشی ارسال می کردند و سپس اگر بازیکن جالب بود ، تحلیل گر دیگری می فرستادند. اکنون ، داده ها برای حمایت از تصمیم گیری استفاده می شوند. یک بار یک باشگاه به من گفت که آنها در برزیل یک بازیکن را جستجو می کردند و همه فیلم هایی که داشتند این بود که او فوق العاده سریع است. تا وقتی که داده ها را بدست آوردیم. او در مقایسه با میانگین برزیل سریع بود ، در مقایسه با میانگین ما پایین بود. حالا ، خیلی بیشتر شده است. داده ها می توانند به شما بگویند بازیکن در تیم شما جای می گیرد یا خیر. بنابراین شما یک هافبک دفاعی خریداری می کنید و به داده ها نگاه می کنید و می دانید که او چند تکل ایجاد می کند ، چند بازیابی و جایی که او با سرعت بالا می رود. سپس این داده ها را در مدل خود قرار داده و هافبک دفاعی خود را بیرون آورده و این یکی را وارد می کنید. هرچه اطلاعات بیشتری داشته باشید ، می توانید تصمیم بهتری بگیرید.

به من بگویید شرکت شما چه کاری انجام می دهد؟

ما ویدئو و تجزیه و تحلیل داده ها را به باشگاه های فوتبال ارائه می دهیم. ما آن را در تمام سطوح ارائه می دهیم. ایده ارائه تجزیه و تحلیل ویدئو و داده ها به مربیان فوتبال ، بازیکنان ، تحلیلگران ، هواداران در همه سطوح است. ما یک فناوری ردیابی مبتنی بر هوش مصنوعی داریم. ما می توانیم هر ویدیوی فوتبالی را آموزش ببینیم ، اعم از پخش ، از دوربین دستی یا هر چیزی. داده های تولید شده تفاوت است. ما به باشگاه هایی مانند PSG ، دورتموند یا سایر باشگاه ها داده های بسیار پیچیده ، داده های رویداد ، یعنی همه رویدادهای توپ مانند پاس ، شوت ، تکل ، همه رویدادها در طول بازی را ارائه می دهیم.

آیا دلیل این امر این است که باشگاه های به اصطلاح در شرایط خوبی که از امکانات خوبی برخوردار نیستند قادر به تهیه نرم افزارهای گران قیمت مانند شما نیستند؟ این فقط افراد نیستند ، اما داده ها بسیار گران هستند. همچنین این امر به تغییر فرهنگ نیاز دارد و مانند هر نوآوری افراد اولیه نیز وجود دارند. کسانی که زودهنگام هستند کسانی هستند که پول کافی برای “هدر دادن” یا دادن آنها دارند. به همین دلیل باشگاه های برتر انقلاب را رهبری می کنند. وقت باشگاه های پایین اسپانیا ، انگلیس ، آلمان و هلند بودجه لازم برای داشتن چنین دپارتمانی است ، مسئله زمان است.

به من بگویید شرکت شما چه کاری انجام می دهد؟

ما ویدئو و تجزیه و تحلیل داده ها را به باشگاه های فوتبال ارائه می دهیم. ما آن را در تمام سطوح ارائه می دهیم. ایده ارائه تجزیه و تحلیل ویدئو و داده ها به مربیان فوتبال ، بازیکنان ، تحلیلگران ، هواداران در همه سطوح است. ما یک فناوری ردیابی مبتنی بر هوش مصنوعی داریم. ما می توانیم هر ویدیوی فوتبالی را آموزش ببینیم ، اعم از پخش ، از دوربین دستی یا هر چیزی. داده های تولید شده تفاوت است. ما به باشگاه هایی مانند PSG ، دورتموند یا سایر باشگاه ها داده های بسیار پیچیده ، داده های رویداد ، یعنی همه رویدادهای توپ مانند پاس ، شوت ، تکل ، همه رویدادها در طول بازی را ارائه می دهیم.

آیا دلیل این امر این است که باشگاه های به اصطلاح خوب که از امکانات خوبی برخوردار نیستند قادر به تهیه نرم افزارهای گران قیمت مانند شما نیستند؟
روبن ساودرا: مطمئناً ، این اداره ارزان نیست. این فقط افراد نیستند ، اما داده ها بسیار گران هستند. همچنین به تغییر فرهنگ نیاز دارد و مانند هر نوآوری افراد اولیه نیز وجود دارند. مهاجران اولیه کسانی هستند که پول کافی برای “هدر دادن” یا دادن دارند. به همین دلیل باشگاه های برتر انقلاب را رهبری می کنند. این مسئله زمانی است که اکنون باشگاه های پایین اسپانیا ، انگلیس و آلمان ، هلند بودجه لازم برای داشتن چنین دپارتمان را دارند. وقتی شروع به کار کردیم ، ردیاب های داده توسط پخش کننده ها خریداری می شوند و سپس در برخی از باشگاه ها و لیگ ها ، پخش کننده ها سعی می کنند این داده ها را بفروشند.

شما در مورد دموکراتیک کردن فوتبال صحبت کردید. مدل تسلا که دنبال می کنید چیست؟
منظور من این بود که تسلا در آغاز محصولی بسیار گران قیمت را روانه بازار کرد که فقط برخی از مشتریان ممتاز می توانستند آن را پرداخت کنند و با این کار برخی از نسخه های پایین محصول را تأمین مالی می کردند. این مدل ماست. هنگامی که ما این شرکت را در سال 2014 تأسیس کردیم ، فقط طرح نخبگان را داشتیم. ما فقط با باشگاه های بزرگی مانند رئال ، والنسیاس ، تیم ملی فوتبال اسپانیا کار کردیم و MLS ، لیگ فوتبال آمریکا را پوشش دادیم. آن زمان شرکت ما بود. ما می خواستیم اکنون دسترسی به این نوع راه حل ها را برای همه مردم تر کنیم.



لینک شده


سلب مسئولیت

نظرات بیان شده در بالا از نظر نویسنده است.



پایان مقاله



Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>