Fotball er uten tvil den mest populære sporten i verden. Ifølge FIFA.com var totalt 3,2 milliarder mennesker innstilt på å se fotball-verdensmesterskapet i 2014. Men visste du at teknologi spiller en avgjørende rolle for å gjøre fotball til det den er i dag? Faktisk kan moderne fotball betraktes som en selvstendig IT-sektor på grunn av de store anvendelsene av nye og eldre teknologier i sporten.
Teknologier som brukes i verdensmesterskapet inkluderer eldre teknologier som bildegjenkjenning og mønsteranalyse og new age-tilnærminger som kunstig intelligens og cloud computing. Faktisk, for alle som har de nødvendige ferdighetene og brenner for spillet, kan en teknisk jobb innen fotball være en drøm.
I denne bloggen vil vi diskutere fem viktige teknologier som definerer måten fotball nytes slik vi kjenner den.
Big Data og Analytics
Det er mye data involvert innen sport, spesielt en global turnering som FIFA. For eksempel, for å omfattende analysere og designe prediktive algoritmer, trenger vi godt 185 datafelt - det er bare det minste minimum for hver spiller.
Ikke alle dataene som genereres og brukes til analyser i dag, er strukturert. Data i dag består av ustrukturerte komponenter som videoer, bilder, innlegg på sosiale medier og mye mer. Dette kalles big data. Åpenbart kan enkle analyser oppnås ved hjelp av tekstdata og numeriske data, men når det gjelder komplekse algoritmer som teamytelsesanalyse, spådommer om helsestatistikk for spillere osv., Er ikke enkle matte og tradisjonelle verktøy som Microsoft Excel ikke gode nok. Mye analyse i moderne fotball involverer verktøy som Apache Hadoop, Apache Spark og Apache Kafka på grunn av dataenes natur.
Hvis du er en fotballfan, vet du kanskje at Tyskland vant FIFA World Cup 2014 ved å ødelegge konkurransen. Men visste du at dette landslaget hentet sin innsikt ved å bruke et komplekst system for stor dataanalyse? Christened Match Insights, ble dette verktøyet lansert i 2012 og utviklet med den tyske landslagssjefen, Oliver Bierhoff, som leder anklagen. Dette omfattende prosjektet begynte å ta form da en gruppe på rundt 50 studenter ved Deutsche Sporthochschule Koeln begynte å lage en omfattende database med statistikk over alle spillerne som deltok i den kommende turneringen. Og som forventet, var en betydelig samling av disse dataene video fra åtte forskjellige feltkameraer som omgir banen. Ifølge skaperne av verktøyene, vises tonehøyde som et rutenett av databasen. I hvert scenario tildeles hver spiller en unik identifikator. Dette gjør at deres bevegelser og handlinger kan spores digitalt, noe som igjen lar alle måle viktige ytelsesindikatorer, inkludert antall berøringer, bevegelseshastigheter og gjennomsnittlig besittelsestid.
Ved hjelp av disse dataene designet studentene en algoritme som utviklet en endelig modell. Denne modellen ble grunnlaget for det tyske lagets idiotsikre strategier mot alle sine motstandere.
Hvis du er interessert i å lære mer fakta om dataanalyse, dette er et bra sted å starte.
Business Intelligence (BI) og datavisualisering
Dette er ett felt av teknologi som er åpenbart i nesten alle idretter da det går i forkant av seertallet. Avledede tabeller, diagrammer, grafer og varmekart, datavisualisering og forretningsinformasjon er felt som har definert moderne idrett siden begynnelsen av 21.St.århundre. Alle er kjent med stolpediagrammene med spillerpoeng, paiene som viser lagfordeling og rangeringstabellene. Alt dette er ingenting annet enn en omfattende skildring som bruker dataintelligens.
For å forstå forskjellen datavisualisering bringer til tabellen, la oss ta et enkelt eksempel på antall spillere fra hvert land som er registrert per lag på FIFA akkurat nå. Her er dataene, først i form av en tabell og deretter i form av et verdenskart varmekart.
Bare to spørsmål nå:
- Hvilken er mer visuelt tiltalende?
- Hvilken av disse to fremkaller mer innsikt?
Langt svaret på begge spørsmålene er kartene. Visualisering av data gjør det ikke bare attraktivt å se på, men det gjør det også lettere å forstå og få innsikt fra. Når det gjelder datavisualisering i FIFA, brukes verktøy som IBM Cognos, Tableau og QlikView mest.
Internet of Things (IoT)
I de to foregående delene diskuterte vi analyse og rapportering av data. La oss nå se på hvordan disse dataene kan samles inn.
Det meste av dagens datainnsamling gjøres ved hjelp av tradisjonelle tilnærminger som XY-planet eller rutenettanalyse på banen for spiller- og ballplassering, eksterne sporingsenheter for å oppdage bevegelse og hastighet osv. Men med smarte bærbare enheter og IoT som tar verden med storm, det har vært mye forskning og utvikling på anvendelser av disse teknologiene innen sport.
For å forstå dette bedre, la oss ta eksemplet med det tyske fotballagets Match Insights-verktøy vi diskuterte tidligere. Alle dataene som ble samlet inn for den endelige modellen ble hentet eksternt. Faktisk, som diskutert, krevde analysen av spillerposisjon og bevegelse teamet å jobbe med et sett med komplekse koder. Dette programmet analyserte deretter videofeedene fra åtte forskjellige kameraer og kom opp med et resultat. Helt ærlig, det er en ganske hektisk og tidkrevende oppgave.
Å forenkle dette er like uanstrengt som å slå på en smart tracker på armene til hver spiller. Faktisk kan disse smarte trackerne ikke bare brukes til å utlede spillerens plassering, de kan også brukes til å registrere annen statistikk som tilbakelagt avstand, bevegelseshastighet, hjertefrekvens og mye mer. Basert på den samme ideen har ballsporing, linjesporing og andre new age-innovasjoner innen fotball blitt introdusert.
Bildekilde: IBM
IoT er et så stort felt at IBM har et dedikert team som jobber med et omfattende prosjekt som bruker kognitiv IoT, som de kaller det. Teamet har utviklet flere maskinvare- og programvareløsninger bygget over IBMs berømte kunstige intelligens, IBM Watson.
Cloud Computing
- Datainnsamling - Sjekk
- Dataanalyse - Sjekk
- Datarapportering - Sjekk
Vi har dekket tre av de viktigste datarelaterte aktivitetene som finnes, men det mangler en annen viktig pilar - Datalagring.
Hvis dette var 2003, var det bare noen få alternativer for dette - lokale maskiner eller eksterne forekomster. Men som vi allerede vet, er mengden data som samles inn for et enkelt spill i dag, altfor høy til at en liten datamaskin kan håndtere. Dessuten er det ikke enkle strukturerte data. Den beste løsningen for å lagre denne typen data i skyen. Ikke bare er sky et enkelt installeringssystem, det er også økonomisk når det gjelder lagring av store biter av ustrukturert data.
hvordan man analyserer XML-filer i Java
Cloud computing tillater ekstern lagring av data. I tillegg gir de fleste av dagens skyløsninger integrerte verktøy som også kan hjelpe til med analyse og rapportering. En annen stor fordel med å bruke et skysystem i stedet for en lokal maskin er sikkerhets- og personvernproblemene som cloud computing adresserer. De fleste skyforekomster er kryptert med private nøkler som gjør det vanskelig å hacke eller få uberettiget tilgang til dem. Siden lagringen kan være elastisk, vil det aldri være behov for å slette gamle data for å gi plass til nyere. Dette vil sikre høy kvalitet og større verdi i historiske analyser. Til slutt kan du lagre data på skyen fra hvilken som helst enhet og hvor som helst. Denne fleksibiliteten gjør også cloud computing til et ideelt valg for lagring av sportsdata.
Populære skyløsninger som brukes i dag inkluderer Amazon Web Services, Microsoft Azure, IBM Bluemix og Google Cloud Platform.
Kunstig intelligens (AI) og maskinlæring (ML)
Når det gjelder trendteknologier, er det svært få som kan gi kunstig intelligens og maskinlæring et løp for pengene. Med mengden generert data er det ikke så vanskelig å designe maskinintelligens som bokstavelig talt kan forutsi fremtiden. For noen få år siden var FIFA-sprøyten rundt blekkspruten Paul som kunne forutsi vinnerne av hver kamp. Visst, den organiske skapningen hadde en suksessrate på litt over 85 prosent, men vi beveger oss inn i en digital verden nå, og spådom er egentlig ikke en del av det.
For å kompensere for tapet av denne ekstraordinære skapningen, jobbet en gruppe Google-dataanalytikere på et maskinlæringssystem som hentet historisk innsikt fra generasjonens fotballkamper og forutsa resultatet for hver kamp i FIFA-verdensmesterskapet i 2014. Systemet var i stand til å forutsi 14 av 16 kamper det ble brukt i, noe som gjorde det nesten tre prosent mer effektivt enn det tidligere brukte sjødyret. Videre, ifølge skaperne, skjedde de to tapene på grunn av feil og inkonsekvenser i dataene.
For å være helt ærlig forutsier ikke en kunstig intelligens eller maskinlæringsalgoritme virkelig en vinner, den stabler bare favorittene i rekkefølge, noe som gir oss en sannsynlighet for at hvert lag vinner kampen.
Ved å bruke en enkel, men likevel elegant maskinlæringsalgoritme, kan vi komme til følgende resultat for årets FIFA-verdensmesterskap: * Avslørings varsel *
Algoritmekilde: Kaggle
P.S: Jo lavere tall, jo bedre er oddsen for det laget.
Kunstig intelligens og maskinlæring kan ikke bare brukes til denne typen analyser, de kan også brukes til å forbedre spillerprestasjoner, automatisere dagligdrevne business intelligence-løsninger og mye mer.
Verdensmesterskapet i fotball 2018 er her! Så mye som alle av oss elsker sporten, håper vi at å lære om teknologiene som ligger bak å gjøre sporten til det den hjelper oss å sette pris på den mer.
Dette er de fem populære teknologiene i FIFA som endrer spillet slik vi kjenner det. Hver av dem har en god del fordeler som gjør sporten bedre enn den var før - for både spillere og fans. Hva mer er, hvis du har det nødvendige ferdighetssettet, kan du til og med komme inn i en IT-relatert jobb innen sport.
Vi håper du likte vår dekning av teknologier i FIFA, hvis du vet om noen flere anvendelser av trendteknologier i FIFA eller sport, generelt, gi oss beskjed ved å skrive til oss i kommentarfeltet nedenfor. Husk å abonnere på bloggen vår for mer FIFA og teknologirelatert dekning.