李九喻 (海外团队)撰文吴欣编辑

从冰上运动切入,这家融合机器视觉的分析公司也想造就「点石成金」

这可能是新版《点石成金》。

除了双眉紧蹙、紧盯赛场的球队教练,这两年 NHL 冰球联盟赛的看台上又多一位了「暗中观察」的人工智能教练。

当教练呵斥某位运动员的射门失误时,AI 正用每秒 10 次的频率追踪该球员的数据指标,挖掘到他同时有着极高的助攻次数。

就像当年,资金拮据的奥克兰运动家棒球队运用赛伯计量学(Sabermetrics)创造了奇迹——其经理人比利 · 比恩综合上垒率衡量球员上垒的能力(OBP)、每一次打击可贡献的垒包数即长打率(SLG),来判筛选拥有攻击力和特项技能的棒球员,最终帮球队在 2002 年赢得 103 场比赛,创下了低投入高收益的记录。

这个故事使大数据分析受到极大关注,也一度激活了赛事市场的应用,比如一些精明的体育管理层开始雇佣大量统计学家,并使用数据模型来管理球队的薪资。

如今,从改变球员价值评估到优化球队成员结构,利用自动化赛事规则分析进而精准调整参赛策略,赛事模拟训练等……AI 已经开始帮助冰球、篮球等体育竞技领域实现在全局量化分析下做决定,赛事直播的营销推广和引流变得可控,在机器学习加持下的赛事游戏也越来越真实。

由此,体育科技的发展空间被逐年放大。根据 WinterGreen Research 的一份报告,2014 年体育科技市场的规模仅为 1.25 亿美元,而到 2021 年将达到 47 亿美元。ESPN 的数据专家约翰·霍林在 2012 年时就曾表示,职业篮球联盟里至少有 2/3 的球队已经在数据分析技术上进行投资。根据《纽约时报》在 2016 年报道,NBA 金州勇士队平均每场比赛都有 30.2 个三分球尝试,数据证明投三分球带来更高的得分率,而这也是目前球队侧重的打法。

不过,在三年前 Alex Martynov 决定创办 ICEBERG 时,数据分析在冰球等其他领域几乎没有开始应用。这家融合计算机视觉人工智能分析公司,选择从冰球比赛切入,

「要知道冰球也是一项非常复杂的运动,运动员可以快速滑行,经常碰撞,每分钟更换一次,而且球非常小。技术上来讲,冰球是最难实时追踪的运动,因此降级开拓其它运动领域很容易。」Martynov 告诉我们。

AI 冰球教练来了

冰球运动速度快、变化非常复杂,球员站位和活动背后的数据很难捕捉,尤其是通过人来记录更是难上加难。

ICEBERG 要先通过计算机视觉技术解决数据收集的问题。

每场比赛开始前,ICEBERG 会在冰场周围安装三台 FLIR 热像仪用作纪录。这样做是因为广播馈送的直播通常会裁掉一半以上的场景。虽然 FLIR 录制的视频分辨较低,甚至不如 iPhone 录制的现场画面,却可以为人工智能算法提供所需要的恒定全景图。

神经网络会识别视频数据上冰面的所有移动实体,分别是按球衣颜色分成两组 12 名球员、冰上裁判和一个直径 7.62 厘米、速度高达 160 公里/小时的冰球。通过在 10,000 个数字变体的数据集上训练,ICEBERG 的计算机视觉算法还可以根据球衣号码识别每个球员。

当然,神经网络也有搞砸的时候,例如,模型曾经无法识别哈萨克斯坦白色球衣上的金色数字。Martynov 告诉我们,「还有一支瑞士球队曾经穿着印着黑色数字的黑色的球衣。」

录入的数据被分为球队、球员、门将等三个统计维度,而 ICEBERG 的算法一共追踪 500 种不同的指标。系统会将每位球员的坐标与冰球的坐标进行匹配,记录每个人的传球率、身体阻截次数、断球次数、丢球次数、助攻次数以及进球总数。

一般而言,60 分钟的比赛会产生大约 100 万个数据点。其中不乏非常细微的观察,例如某个门将的防守盲点。总体来说冰球的进球率是 7-9%,ICEBERG 的算法可以帮助教练发现潜在的预期进球(xG),后者参数设置通常是球员的射门位置、方式,以及进攻方式,而每一场别赛的分析都会一张 xG 的热图。通常来说,主办方对拍摄冰球比赛进行分析使用没有任何限制,不过去年国际冰球联合会禁止了 ICEBERG 在世界锦标赛上拍摄捷克队比赛,表示视频版权属于主办方 IIHF 所有,此外冬季奥运会的拍摄许可也是 Martynov 正在洽谈的事项之一。

有时人工智能会发现与比赛分数迥然不同的结果。在一场加拿大对战瑞士的比赛,AI 发现后者比前者多滑行了 1.7 公里,在大部分时段里离球更近 5-10 公分,有着更长的控球时间,并且有更高的预期进球率。按数据分析预测,瑞士队的胜率高达 70%,然而加拿大对却以 3-0 的全胜的姿态摘得比赛冠军。

这是为什么?

Martynov 解释说:「比赛大概有 40% 是随机运气,而另外 60% 则不然。我们的工作是预测 『非运气』 的那一部分。真的有客户会在数据显示获胜的情况下连续输掉五次比赛,教练会很焦急地打电话给我们的分析师,我通常会告诉他们,『淡定,这只是概率的问题。你们大可继续现在的打法,迟早会连赢五场比赛的。』」

三年打下 5-7% 的职业冰球市场占有率

冰球不再是单纯的体能和技巧上的角逐,而是数据智能驱动的策略对抗。这是 ICEBERG 在行业打开局面的机会。

起初,24 岁的 Martynov 是从他从事风投行业的父亲那儿争取到了 25000 美元的启动资金,用这一小笔钱他召集自己在多伦多和莫斯科的程序员朋友,开发了平台的测试版本。

按 Martynov 的说法,公司在平台上线后几个月内就已经实现收支平衡,三年时间占据全球职业冰球队 5-7%的市场份额,还在去年入选了加拿大最有前景的人工智能初创公司之一。现在,公司已拥有大约 20 家球队客户,遍布了包括 NHL 的纽约岛人队在内的全球多个冰球联盟。

公司拥有明确的订阅收费模式,从每场比赛 400 美元到 800 美元不等。这意味着如果一支球队在一个赛季中连续打 60 场比赛,他需要支付 ICEBERG 30,000 美元。每场比赛之后,客户都会受到会收到一份成绩报告,并可以通过在线门户查询自己的表现。

同时,公司也会把分析师分配给每个球队客户,随时准备解答他们的问题。

对 Martynov 来说,签单是一个说服教练、经理以及俱乐部的漫长过程。譬如,中欧的教练对使用新技术非常谨慎。Martynov 与奥地利的萨尔茨堡红牛队谈了四个月。

「教练很困惑地问我,『为什么我需要这个?』」Martynov 回忆道:「我告诉他们分析平台不是要取代教练或经理人,而是给球队一个战略优势。」

也有另一个极端,瑞典的韦克舍湖队和 Färjestad BK 队只用了五分钟就决定和 ICEBERG 签约。对于两队的教练来说,使用数据分析带来的竞争优势不容忽视。

不过,在 Martynov 看来,冰球市场并不大,几乎仅相当于足球市场 2% 的份额,公司仍然需要快速向其他领域拓展,「公司的发展速度不如我预想的那么快,我想在这之后进入足球市场。」

很明显,ICEBERG 这个指代进球得分和射中次数等统计信息背后海量数据的名字,也暗含了其野心不是占领某一两个细分领域那么简单。

产业
相关数据
人工智能技术
Artificial Intelligence

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经网络技术
Neural Network

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

大数据技术
Big data

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

计算机视觉技术
Computer Vision

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

机器学习技术
Machine Learning

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

推荐文章
看世界杯插不上话略急?AI看球机器人帮你化身「懂球帝」
高静宜
IoT 时代消失的 10 样东西
微胖
如何盯住梅西:TensorFlow目标检测实战
黄小天
暂无评论
暂无评论~
返回顶部