Искусственный интеллект в баскетболе НБА

Искусственный интеллект в баскетболе НБА

Автор: Ирина Краснова
Дата публикации: 05.27.2021
Рейтинг автора: 4.5/5

Система на базе камеры Noah Basketball отслеживает дугу выстрела игрока и другие детали для оценки навыков стрелка.

Предоставлено Ноа Баскетбол

(Изнутри науки) - В детстве Рэйчел Марти часами стреляла в обручи на подъездной дорожке со своим отцом. Иногда к ним присоединялся говорящий компьютер. В первые годы отец Марти подключил ноутбук к фотоаппарату, поместил их на тележку и выкатил на край улицы, где окружил дорожными конусами. Примерно с расстояния 25 футов камера могла зафиксировать дугу мяча, когда Марти стрелял. И с каждым выстрелом компьютер объявлял угол траектории мяча, когда он пересекал плоскость кольца.

По словам Марти, оптимальный угол входа составляет 45 градусов, и главное - постоянство. С этим высокотехнологичным тренером она оттачивала свое мастерство на протяжении многих лет в качестве стрелка в средней школе и в колледже Калифорнийского университета в Сан-Диего.

«В округе нас знали как чудаков, у которых была эта говорящая машина», - сказала она.

Еще истории о баскетболе из Inside Science
Наука о кроссовках: высокие или низкие кроссовки
Отдых здоровых игроков НБА в течение сезона может не помочь им в плей-офф
КРАТКАЯ ИНФОРМАЦИЯ: сон помогает игрокам добиться успеха в финалах НБА

Но все изменилось. За последние несколько лет высокотехнологичные камеры получили распространение на самых высоких уровнях баскетбола. В 2010 году, когда Марти окончил среднюю школу, спортивная компания Stats, LLC установила первые системы камер SportVU на аренах НБА. Эти камеры, установленные на стропилах, отслеживают не только баскетбол, но и движения игрока авиатор на 1win. К 2013 году эти камеры были на каждой арене НБА.

Камеры ведут оцифрованную визуальную запись каждой игры, собирая гораздо больше информации, чем когда-либо можно было бы уместить в таблице очков. Они не только отслеживают, например, того, кто забивает ведро, но также фиксируют позицию и скорость каждого игрока, а также то, является ли счет результатом спланированной игры или быстрого перерыва. При таком большом количестве данных задача состоит в том, чтобы извлечь полезные знания и помочь игрокам и тренерам получить все возможные конкурентные преимущества.

Таким образом, команды НБА и спортивные компании обратились к тем же мощным инструментам, которые меняют многие другие отрасли: машинное обучение и искусственный интеллект. В сочетании с беспрецедентным потоком данных эти методы позволяют по-новому взглянуть на отдельных игроков, их команды и их соперников, обещая изменить то, как профессионалы играют в баскетбол и как болельщики смотрят его. Даже система выстрелов Мартиса присоединилась к современной НБА, и они больше не будут чудаками.

Датчик Ноя фиксирует действия на площадке с высоты над корзиной.

Предоставлено Ноа Баскетбол

На пути

Использование машинного обучения и искусственного интеллекта в баскетболе представляет собой только последнюю главу в революции аналитики, которая изменила баскетбол за последние 15 лет или около того. «Это просто продолжение всего спектра», - сказал Брайан Копп, менеджер по спортивным технологиям, который помог Stats, LLC внедрить SportVU в НБА в начале десятилетия.

Конечно, команды уже давно записывают базовую статистику, такую ​​как очки, подборы и передачи. Но с аналитикой, как называется этот статистический подход, знатоки статистики установили силу математики. Обладая статистическими инструментами, они разработали новые показатели и формулы, которые более точно определяли и прогнозировали результаты игроков и команд. Настройтесь на практически любой баскетбольный матч или спортивное ток-шоу сегодня, и вы, вероятно, услышите такие термины, как эффективность нападения и PER (рейтинг эффективности игрока), сходящие с языков аналитиков так же легко, как «простоя».

Эта сложность статистики была широко распространена в НБА к тому времени, когда команды впервые внедрили камеры слежения. Но новый поток данных потребовал обновленных технологий и программного обеспечения. «Появился SportVU, и собранные нами данные не могли содержаться в Microsoft Excel», - сказал Копп.

Между тем, все более мощные компьютеры обеспечивали новые успехи в машинном обучении, и команды NBA и такие компании, как Stats, воспользовались этим. Задача заключалась в том, чтобы преобразовать данные отслеживания во что-то доступное для поиска и усвоения, и одна из основных целей, в частности, заключалась в том, чтобы идентифицировать определенные действия, такие как пасы и обычные игры, такие как пик-н-ролл, детализированный маневр с участием игрока, владеющего мячом, товарищ по команде и два защитника. Машинное обучение и, в более широком смысле, искусственный интеллект идеально подходили для этой задачи, потому что, несмотря на мистические и зловещие коннотации, в их сердцах речь идет о распознавании образов. А распознавание образов - это именно то, что нужно, чтобы различать, скажем, множество вариантов пик-н-ролла.

Чтобы алгоритм изучил эти закономерности, он должен сначала обучиться на исходном наборе данных, в котором человек уже идентифицировал каждую игру. Чем больше обучающих данных, тем лучше алгоритм распознает закономерности в данных, которых он раньше не видел. Полученное программное обеспечение может затем просмотреть все данные отслеживания, идентифицировать и пометить каждого игрока и игру, а также создать базу данных с возможностью поиска, аннотированными и анимированными диаграммами движущихся точек, которые представляют каждого игрока.

Вооружившись такой базой данных, тренеры могут, например, отслеживать, насколько успешной была конкретная игра против данного соперника. Они могут, если захотят, подтягиваться каждый раз, когда Леброн Джеймс подъезжал к обручу и отдавал пас партнеру для открытого трехочкового броска с углового. По словам Раджив Махесварана, генерального директора компании Second Spectrum, которая заменила Stats в качестве поставщика технологий отслеживания НБА в 2017 году, по мере того, как инженеры создают более сложные инструменты для анализа этих данных, возможности безграничны.

Чтобы было ясно, эти алгоритмы не делают того, чего не могут сделать люди. Люди действительно хорошо распознают закономерности, и команды уже давно нанимают персонал для просмотра видео и выявления примечательных роликов для планирования игры. Но непрактично просеивать сотни часов отснятого материала, чтобы идентифицировать каждый проход, выстрел, отскок, разрез, экран и поворот. По словам Махесварана, машинное обучение влияет на автоматизацию, позволяя тренерам тратить больше времени на разработку стратегии и работу с игроками.

Маркировка данных отслеживания теперь является стандартным приложением ИИ в НБА. Но команды и аналитические компании хотят большего, чем табулирование проходов и экранов. «Мы хотим изменить парадигму, а не просто обнаруживать события», - сказал Патрик Люси, вице-президент по искусственному интеллекту в Stats. Им нужна контекстная информация, которая рассказывает более полную историю игры, информация, которая требует все более подробных данных - чисел, таких как дуга выстрела.

Изучение баскетбола

Говорящий компьютер Марти - и постоянно улучшаемые его версии - будут сопровождать ее в школе и колледже, помогая тренировать ее товарищей по команде и даже во время ее восстановления после травмы. «Система росла вместе со мной», - сказала она.

В 2001 году ее отец, Алан, превратил свое изобретение в компанию под названием Noah Basketball, названную так потому, что в Библии у Ноя был совершенный «ковчег». «Новейшая версия, которая включает инструменты для анализа ваших данных и называется Noahlytics, теперь используется половиной команд НБА, десятками ведущих программ колледжей и сотнями людей по всей стране», - сказал Джон Картер, нынешний генеральный директор компании. Их система состоит из камер, прикрепленных на 10 футов выше щита, которые не только отслеживают дугу мяча, но также его глубину и положение влево-вправо по мере приближения к ободу. Система собирает данные по каждому выстрелу, добавляя в базу данных более 150 миллионов выстрелов, уже записанных во время тренировок по всей стране.

Эти данные имеют решающее значение для алгоритмов машинного обучения, которые внедряются в новые системы. Следующая версия, которая уже была установлена ​​для нескольких команд НБА, включает распознавание лиц и может отслеживать выстрелы нескольких стрелков одновременно. Это позволяет системе собирать и анализировать данные, например, из командных практик. По словам Картера, весной компания представит еще одну новую функцию, позволяющую фиксировать тип кадра, который делает игрок. Используя глубокое обучение, тип машинного обучения, которое имитирует процесс обучения мозга, система может определить конкретный тип сделанного удара - движения с разной степенью сложности, которые влияют на вероятность попадания мяча.

Но в конечном счете, будет ли произведен бросок, зависит от траектории мяча. Рэйчел Марти, недавно получившая докторскую степень в области биоинформатики, проанализировала данные из 22 миллионов выстрелов, собранных системой Ноя, чтобы найти более эффективный способ оценки навыков стрелка. Обычно тренеры и скауты оценивают способность к броскам на основании того, сколько бросков делает игрок во время тренировки. Чем больше выстрелов сделает игрок, тем лучше вы сможете оценить его истинные способности.

Поскольку не у каждого игрока есть возможность сделать тысячи бросков, Марти обучил алгоритм распознавать характеристики сделанного броска и предсказывать навыки игрока на основе всего нескольких попыток. Вместо того, чтобы заставлять игроков делать тысячи бросков, тренеры и скауты могут заставить их стрелять, скажем, 25. Анализируя записанные данные, программа Марти может дать точную оценку их способностей. По словам Картера, эта возможность в конечном итоге будет включена в их коммерческий продукт.

Люси из Stats и Панна Фелсен, аспирантка Калифорнийского университета в Беркли, также проанализировали, как положение тела стрелков - например, были ли стопы поставлены или были ли они выведены из равновесия - влияет на 3- точечный выстрел. В тематическом исследовании со Стивеном Карри они подсчитали то, что большинство фанатов уже могли догадаться: он находится в постоянном движении и стреляет множеством несбалансированных троек, что делает его сверхъестественную точность еще более замечательной.

Баскетбол на высшем уровне - это больше, чем просто стрельба, это замысловатый танец пяти игроков в каждой команде, которые движутся и реагируют как один. Чтобы проанализировать этот танец, Stats разрабатывает программное обеспечение, которое имитирует реакцию команды на игру. Ключевым моментом, по словам Люси, является то, что их алгоритм глубокого обучения представляет команду не как пять человек, а как одно целое. Программа, получившая название Bhostgusters и все еще находящаяся в разработке, позволяет тренеру нарисовать атакующую игру на планшете и увидеть, как противник может ее защитить. А поскольку нет одинаковых команд, программное обеспечение также учитывает различия в стиле и персонале каждой команды.

Second Spectrum отслеживает движения игроков и другие данные, связанные с игрой, на всех 29 аренах НБА.

Предоставлено Second Spectrum

Восстание машин

Влияние машинного обучения и искусственного интеллекта выходит за рамки X и O. Большая часть усилий Second Spectrum направлена ​​на обеспечение персонализированного просмотра игр с все более подробной статистикой для самых увлеченных фанатов. Например, их технология дополненного видео CourtVision накладывает графику и статистику, такую ​​как вероятность того, что игрок забьет корзину, которая основана на его прошлых данных. Вы можете наблюдать, как цифры меняются над его головой, пока он бегает. Цель компании - сделать эту технологию широко доступной во всех трансляциях.

Развивающимся рынком для этих вероятностей в реальном времени являются спортивные азартные игры, которые теперь легальны в большинстве штатов благодаря постановлению Верховного суда в мае, отменившему запрет на коммерческие ставки на спорт. Большая часть спортивных азартных игр включает в себя ставки на определенные события во время игры, например, наберет ли определенный игрок 20 очков за квартал. Чтобы установить шансы, игорным заведениям потребуются вероятности в реальном времени. По словам Коппа, на то, чтобы это развиться, может потребоваться несколько лет, но возможность есть.

Однако, по мере того как спорт продолжает охватывать ИИ, скоро ли будут господствовать машины? В конце концов, лучшие игроки в шахматы и го в мире теперь компьютеры. Будет ли будущая игра НБА сводиться к соревнованию алгоритмов?

Маловероятно, считает Дин Оливер, вице-президент TruMedia по анализу данных и считается одним из пионеров баскетбольной аналитики. Когда дело доходит до стратегии и тактики, вы не можете решать баскетбол так, как решаете игру вроде го. Даже сложные настольные игры подчиняются жестким правилам, в то время как баскетбол подвижен, команды постоянно приспосабливаются и подстраиваются друг под друга. «Не существует доминирующей стратегии», - сказал он. «Игра намного надежнее».

И такие программы, как Bhostgusters, не предназначены для замены тренеров. Вместо этого они помогают тренерам проверить свою интуицию относительно игры. «Это не говорит тренеру, что делать. Это помогает тренеру в его повседневной работе», - сказал Люси. «Есть предел того, что могут делать данные, потому что данные не отражают все, что тренер видит и нюхает».

Действительно, работа тренера - это гораздо больше, чем просто составление пьес. «Элемент коучинга, который не особо преувеличивается, - это способность тренеров работать с игроками, мотивировать их, заставлять их играть вместе», - сказал Оливер.

Хотя команды, которые быстрее всего внедряют машинное обучение, получают преимущество, машинное обучение пока что не произвело революцию в игре, добавил он. «То, что изменило игру в баскетбол по сравнению с тем, что было 10 лет назад до настоящего времени, - это не искусственный интеллект и машинное обучение, - сказал он. «Не будет большим упрощением сказать, что Стеф Карри изменил баскетбол». Разрушительная способность Карри стрелять с такого расстояния заставила команды отказаться от стратегий, которые когда-то были общепринятыми.

Преобладание трехочковых в сегодняшней НБА обязано признанию того, что трехочковые - наряду с простоями и данками - являются наиболее статистически эффективными ударами. «Это не машинное обучение, - сказал Оливер. «Это то, что давным-давно было простой математикой».

В конце концов, баскетбол по-прежнему является игрой, в которую играют люди из плоти и крови, и умение, талант и атлетизм всегда будут иметь первостепенное значение. Это случайность, которая делает спорт захватывающим, неожиданные ходы, которые ни один алгоритм не может предсказать.

Как специалист по данным, Марти больше не играет в баскетбол так много. Но когда она посещает дом своих родителей, она пытается найти время, чтобы развернуть старую систему отслеживания выстрелов, точно так же, как те вечера, которые она проводила со своим отцом на съемках. «Это было нашим особенным отцом и дочерью», - сказала она.

По ее словам, попытки попасть под углом в 45 градусов вызывают привыкание. Но это весело, и иногда всегда полезно вернуться к основам - даже если это означает говорящий компьютер.

Примечание редактора (2 января 2019 г.): в этой статье используется правильное название технологии, известной как SportVU. Мы сожалеем об ошибке.

Популярные слоты