Το ποδόσφαιρο είναι αναμφισβήτητα το πιο δημοφιλές άθλημα στον κόσμο. Σύμφωνα με το FIFA.com, συνολικά 3,2 δισεκατομμύρια άνθρωποι συντονίστηκαν για να παρακολουθήσουν το Παγκόσμιο Κύπελλο ποδοσφαίρου του 2014. Γνωρίζατε όμως ότι η τεχνολογία παίζει καθοριστικό ρόλο στο να είναι το ποδόσφαιρο αυτό που είναι σήμερα; Στην πραγματικότητα, το σύγχρονο ποδόσφαιρο μπορεί να θεωρηθεί αυτόνομο αυτόνομο τομέα πληροφορικής, λόγω των τεράστιων εφαρμογών νέων και παλαιών τεχνολογιών στο άθλημα.
Οι τεχνολογίες που χρησιμοποιούνται στο Παγκόσμιο Κύπελλο περιλαμβάνουν παλαιότερες τεχνολογίες όπως αναγνώριση εικόνας και ανάλυση προτύπων και προσεγγίσεις νέας εποχής, όπως η τεχνητή νοημοσύνη και το cloud computing. Στην πραγματικότητα, για όποιον έχει τις απαραίτητες δεξιότητες και είναι παθιασμένος με το παιχνίδι, μια τεχνική δουλειά στον τομέα του ποδοσφαίρου θα μπορούσε να είναι ένα όνειρο που έγινε πραγματικότητα.
Σε αυτό το ιστολόγιο, θα συζητήσουμε πέντε μεγάλες τεχνολογίες που καθορίζουν τον τρόπο απόλαυσης του ποδοσφαίρου όπως το γνωρίζουμε.
Μεγάλα δεδομένα και Analytics
Υπάρχουν πολλά δεδομένα στον τομέα του αθλητισμού, ειδικά σε ένα παγκόσμιο τουρνουά όπως το FIFA. Για παράδειγμα, για να αναλύσουμε διεξοδικά και να σχεδιάσουμε αλγόριθμους πρόβλεψης, χρειαζόμαστε καλά 185 πεδία δεδομένων - αυτό είναι το ελάχιστο ελάχιστο για κάθε παίκτη.
Δεν είναι δομημένα όλα τα δεδομένα που παράγονται και χρησιμοποιούνται για αναλύσεις σήμερα. Τα δεδομένα σήμερα περιλαμβάνουν μη δομημένα στοιχεία όπως βίντεο, εικόνες, δημοσιεύσεις κοινωνικών μέσων και πολλά άλλα. Αυτό ονομάζεται μεγάλα δεδομένα. Προφανώς, οι απλές αναλύσεις μπορούν να επιτευχθούν με τη χρήση κειμενικών και αριθμητικών δεδομένων, αλλά όταν πρόκειται για πολύπλοκους αλγόριθμους, όπως ανάλυση απόδοσης ομάδας, προβλέψεις στατιστικών για την υγεία των παικτών κ.λπ., απλά μαθηματικά και παραδοσιακά εργαλεία όπως το Microsoft Excel δεν είναι αρκετά καλά. Πολλά αναλυτικά στοιχεία στο σύγχρονο ποδόσφαιρο περιλαμβάνουν εργαλεία όπως το Apache Hadoop, το Apache Spark και το Apache Kafka λόγω της φύσης των δεδομένων.
βασικές δομές δεδομένων στην Java
Εάν είστε οπαδός ποδοσφαίρου, ίσως γνωρίζετε ότι η Γερμανία κέρδισε το Παγκόσμιο Κύπελλο FIFA 2014 καταστρέφοντας τον ανταγωνισμό της. Γνωρίζατε όμως ότι αυτή η εθνική ομάδα απέκτησε τις γνώσεις της χρησιμοποιώντας ένα σύνθετο σύστημα ανάλυσης μεγάλων δεδομένων; Christened Match Insights, αυτό το εργαλείο κυκλοφόρησε το 2012 και αναπτύχθηκε με τον γενικό διευθυντή της γερμανικής εθνικής ομάδας, Oliver Bierhoff, με επικεφαλής τη χρέωση. Αυτό το εκτεταμένο έργο άρχισε να διαμορφώνεται όταν μια ομάδα περίπου 50 μαθητών στο Deutsche Sporthochschule Koeln, άρχισε να δημιουργεί μια ολοκληρωμένη βάση δεδομένων με στατιστικά στοιχεία όλων των παικτών που συμμετέχουν στο προσεχές τουρνουά. Και, όπως αναμενόταν, μια σημαντική συλλογή αυτών των δεδομένων ήταν βίντεο από οκτώ διαφορετικές κάμερες επιτόπου που περιβάλλουν το γήπεδο. Το βήμα, σύμφωνα με τους δημιουργούς των εργαλείων, θεωρείται ως πλέγμα από τη βάση δεδομένων. Σε κάθε σενάριο, σε κάθε παίκτη έχει ένα μοναδικό αναγνωριστικό. Αυτό καθιστά δυνατή την ψηφιακή παρακολούθηση των κινήσεων και των ενεργειών τους, η οποία με τη σειρά της επιτρέπει σε οποιονδήποτε να μετρήσει βασικούς δείκτες απόδοσης, όπως τον αριθμό των πινελιών, τις ταχύτητες κίνησης και τον μέσο χρόνο κατοχής.
Χρησιμοποιώντας αυτά τα δεδομένα, οι μαθητές σχεδίασαν έναν αλγόριθμο ο οποίος επινόησε ένα τελικό μοντέλο. Αυτό το μοντέλο έγινε η βάση για τις ανόθευτες στρατηγικές της γερμανικής ομάδας εναντίον όλων των αντιπάλων τους.
Εάν ενδιαφέρεστε να μάθετε περισσότερα στοιχεία σχετικά με την ανάλυση δεδομένων, αυτό είναι ένα καλό μέρος να ξεκινήσω.
Επιχειρηματική ευφυΐα (BI) και οπτικοποίηση δεδομένων
Αυτός είναι ένας τομέας τεχνολογίας που είναι προφανής σε όλα σχεδόν τα αθλήματα καθώς τρέχει στην πρώτη γραμμή της προβολής. Οι παράγωγοι πίνακες, τα διαγράμματα, τα γραφήματα και οι χάρτες θερμότητας, η οπτικοποίηση δεδομένων και η επιχειρηματική ευφυΐα είναι τομείς που καθορίζουν τα σύγχρονα αθλήματα από τις αρχές του 21αγαιώνας. Όλοι είναι εξοικειωμένοι με τα ραβδόγραμμα με τα αποτελέσματα των παικτών, τις πίτες που δείχνουν την κατανομή της ομάδας και τους πίνακες κατάταξης. Όλα αυτά δεν είναι τίποτα άλλο από μια ολοκληρωμένη απεικόνιση που χρησιμοποιεί τη νοημοσύνη δεδομένων.
Για να κατανοήσουμε τη διαφορά που δείχνει η οπτικοποίηση δεδομένων, ας πάρουμε ένα απλό παράδειγμα του αριθμού των παικτών από κάθε χώρα που είναι εγγεγραμμένη ανά ομάδα στο FIFA αυτή τη στιγμή. Εδώ είναι τα δεδομένα, πρώτα με τη μορφή πίνακα και στη συνέχεια με τη μορφή θερμικού χάρτη παγκόσμιου χάρτη.
Μόνο δύο ερωτήσεις τώρα:
- Ποιο είναι πιο οπτικά ευχάριστο;
- Ποιο από αυτά τα δύο προκαλεί περισσότερες πληροφορίες;
Μέχρι στιγμής, η απάντηση και στις δύο ερωτήσεις είναι οι χάρτες. Η οπτικοποίηση των δεδομένων όχι μόνο το καθιστά ελκυστικό να το κοιτάξουμε, αλλά επίσης διευκολύνει την κατανόηση και την απόκτηση πληροφοριών. Όσον αφορά την οπτικοποίηση δεδομένων στο FIFA, χρησιμοποιούνται κυρίως εργαλεία όπως το IBM Cognos, το Tableau και το QlikView.
Διαδίκτυο των πραγμάτων (IoT)
Στις δύο προηγούμενες ενότητες, συζητήσαμε την ανάλυση και την αναφορά δεδομένων. Ας δούμε τώρα πώς μπορούν να συλλεχθούν αυτά τα δεδομένα.
Το μεγαλύτερο μέρος της τρέχουσας συλλογής δεδομένων γίνεται με παραδοσιακές προσεγγίσεις όπως το επίπεδο XY ή η ανάλυση πλέγματος στο πεδίο για θέση παίκτη και μπάλας, εξωτερικές συσκευές παρακολούθησης για την ανίχνευση κίνησης και ταχύτητας κ.λπ. Υπήρξε μεγάλη έρευνα και ανάπτυξη σχετικά με τις εφαρμογές αυτών των τεχνολογιών στον αθλητισμό.
Για να το κατανοήσουμε καλύτερα, ας πάρουμε το παράδειγμα του εργαλείου Match Insights της γερμανικής ποδοσφαιρικής ομάδας που συζητήσαμε νωρίτερα. Όλα τα δεδομένα που συλλέχθηκαν για το τελικό μοντέλο προήλθαν εξωτερικά. Στην πραγματικότητα, όπως συζητήθηκε, η ανάλυση της θέσης και της κίνησης του παίκτη απαιτούσε από την ομάδα να εργαστεί σε ένα σύνολο πολύπλοκων κωδικών. Αυτό το πρόγραμμα ανέλυσε στη συνέχεια τις ροές βίντεο από οκτώ διαφορετικές κάμερες και στη συνέχεια κατέληξε σε ένα αποτέλεσμα. Με κάθε ειλικρίνεια, αυτό είναι πολύ δύσκολο και χρονοβόρο έργο.
Η απλούστευση είναι εξίσου αβίαστη με το χτύπημα ενός έξυπνου tracker στο χέρι κάθε παίκτη. Στην πραγματικότητα, αυτοί οι έξυπνοι ιχνηλάτες δεν μπορούν μόνο να χρησιμοποιηθούν για την εξαγωγή της θέσης του παίκτη, αλλά μπορούν επίσης να χρησιμοποιηθούν για την καταγραφή άλλων στατιστικών στοιχείων όπως η απόσταση που διανύθηκε, η ταχύτητα κίνησης, ο καρδιακός ρυθμός και πολλά άλλα. Βασιζόμενοι σε αυτήν την ίδια ιδέα, παρουσιάστηκαν μπάλες, παρακολούθηση γραμμής και άλλες καινοτομίες στο ποδόσφαιρο.
Πηγή εικόνας: IBM
Το IoT είναι ένα τόσο μεγάλο πεδίο που η IBM έχει μια ειδική ομάδα που εργάζεται σε ένα εκτεταμένο έργο χρησιμοποιώντας γνωστικό IoT, όπως το αποκαλούν. Η ομάδα έχει επινοήσει αρκετές λύσεις υλικού και λογισμικού που βασίζονται στη διάσημη τεχνητή νοημοσύνη της IBM, IBM Watson.
Cloud Computing
- Συλλογή δεδομένων - Έλεγχος
- Ανάλυση δεδομένων - Έλεγχος
- Αναφορά δεδομένων - Έλεγχος
Έχουμε καλύψει τρεις από τις σημαντικότερες δραστηριότητες που σχετίζονται με τα δεδομένα που υπάρχουν, αλλά λείπει ένας άλλος κρίσιμος πυλώνας - η αποθήκευση δεδομένων.
Εάν αυτό ήταν το 2003, υπήρχαν μόνο μερικές επιλογές για αυτό - τοπικά μηχανήματα ή απομακρυσμένες περιπτώσεις. Αλλά όπως ήδη γνωρίζουμε, η ποσότητα δεδομένων που συλλέγονται για οποιοδήποτε παιχνίδι σήμερα είναι υπερβολικά υψηλή για να χειριστεί ένας μικρός υπολογιστής. Επιπλέον, δεν είναι απλά δομημένα δεδομένα. Η καλύτερη λύση για την αποθήκευση αυτού του είδους δεδομένων στο cloud. Όχι μόνο το cloud είναι ένα εύκολο στη ρύθμιση σύστημα, είναι επίσης οικονομικό όταν πρόκειται για αποθήκευση τεράστιων τεμαχίων μη δομημένων δεδομένων.
ρύθμιση java classpath στο linux
Το cloud computing επιτρέπει την απομακρυσμένη αποθήκευση δεδομένων. Επιπλέον, οι περισσότερες από τις σημερινές λύσεις cloud παρέχουν ολοκληρωμένα εργαλεία που μπορούν να βοηθήσουν στην ανάλυση και την αναφορά. Ένα άλλο μεγάλο πλεονέκτημα της χρήσης ενός συστήματος cloud αντί ενός τοπικού υπολογιστή είναι τα θέματα ασφάλειας και απορρήτου που αντιμετωπίζει το cloud computing. Οι περισσότερες παρουσίες cloud κρυπτογραφούνται με ιδιωτικά κλειδιά, καθιστώντας δύσκολη την παραβίαση ή την απόκτηση αδικαιολόγητης πρόσβασης σε αυτά. Και, καθώς ο χώρος αποθήκευσης μπορεί να είναι ελαστικός, δεν θα υπάρχει ποτέ ανάγκη διαγραφής παλαιών δεδομένων για να δημιουργηθεί χώρος για νεότερα. Αυτό θα εξασφαλίσει υψηλή ποιότητα και μεγαλύτερη αξία στις ιστορικές αναλύσεις. Τέλος, τα δεδομένα που είναι αποθηκευμένα στο cloud μπορούν να προσεγγιστούν από οποιαδήποτε συσκευή και από οποιαδήποτε τοποθεσία. Αυτή η ευελιξία καθιστά επίσης το cloud computing μια ιδανική επιλογή για αποθήκευση αθλητικών δεδομένων.
Οι δημοφιλείς λύσεις cloud που χρησιμοποιούνται σήμερα περιλαμβάνουν Amazon Web Services, Microsoft Azure, IBM Bluemix και Google Cloud Platform.
Τεχνητή νοημοσύνη (AI) και μηχανική μάθηση (ML)
Όσον αφορά τις τάσεις των τεχνολογιών, υπάρχουν πολύ λίγοι που μπορούν να δώσουν τεχνητή νοημοσύνη και μηχανική μάθηση στα χρήματά τους. Με την ποσότητα των δεδομένων που παράγονται, δεν είναι τόσο δύσκολο να σχεδιαστεί η ευφυΐα της μηχανής που μπορεί κυριολεκτικά να προβλέψει το μέλλον. Πριν από λίγα χρόνια, η διαφημιστική εκστρατεία της FIFA ήταν γύρω από τον Paul το χταπόδι που θα μπορούσε να προβλέψει τους νικητές κάθε αγώνα. Σίγουρα, το βιολογικό πλάσμα είχε ποσοστό επιτυχίας μόλις πάνω από το 85 τοις εκατό, αλλά προχωρούμε σε έναν ψηφιακό κόσμο τώρα και η μαντεία δεν είναι πραγματικά μέρος αυτού.
Για να αντισταθμίσει την απώλεια αυτού του εξαιρετικού πλάσματος, μια ομάδα αναλυτών δεδομένων της Google δούλεψε σε ένα σύστημα μηχανικής μάθησης που αντλούσε ιστορικές πληροφορίες από ποδοσφαιρικούς αγώνες μιας γενιάς και προέβλεψε το αποτέλεσμα κάθε αγώνα στο Παγκόσμιο Κύπελλο της FIFA 2014. Το σύστημα μπόρεσε να προβλέψει με επιτυχία 14 από τους 16 αγώνες που χρησιμοποιήθηκαν, καθιστώντας το σχεδόν 3% πιο αποτελεσματικό από το προηγούμενο θαλάσσιο πλάσμα. Επιπλέον, σύμφωνα με τους δημιουργούς του, οι δύο απώλειες σημειώθηκαν λόγω σφαλμάτων και ασυνεπειών στα δεδομένα.
Για να είμαστε απόλυτα ειλικρινείς, ένας αλγόριθμος τεχνητής νοημοσύνης ή μηχανικής μάθησης δεν προβλέπει πραγματικά έναν νικητή, απλώς στοιχίζει τις τάσεις στη σειρά, δίνοντάς μας την πιθανότητα κάθε ομάδας να κερδίσει τον αγώνα.
Χρησιμοποιώντας έναν απλό, αλλά κομψό αλγόριθμο μηχανικής μάθησης, μπορούμε να φτάσουμε στο ακόλουθο αποτέλεσμα για το φετινό Παγκόσμιο Κύπελλο FIFA: * Ειδοποίηση Spoiler *
Πηγή αλγορίθμου: Κάγκλ
P.S: Όσο χαμηλότερος είναι ο αριθμός, τόσο καλύτερες είναι οι πιθανότητες για αυτήν την ομάδα.
πώς να εγκαταστήσετε τα php windows 10
Η τεχνητή νοημοσύνη και η μηχανική μάθηση όχι μόνο μπορούν να χρησιμοποιηθούν για τέτοιου είδους αναλύσεις, αλλά μπορούν επίσης να χρησιμοποιηθούν για τη βελτίωση της απόδοσης των παικτών, την αυτοματοποίηση λύσεων επιχειρηματικής ευφυΐας που βασίζονται καθημερινά και πολλά άλλα.
Το παγκόσμιο κύπελλο ποδοσφαίρου 2018 είναι εδώ! Όσο όλοι αγαπάμε το άθλημα, ελπίζουμε ότι η εκμάθηση σχετικά με τις τεχνολογίες που είναι πίσω από το να κάνουμε το άθλημα αυτό που μας βοηθάει να το εκτιμούμε περισσότερο.
Αυτές είναι οι πέντε δημοφιλείς τεχνολογίες στη FIFA που αλλάζουν το παιχνίδι όπως το γνωρίζουμε. Καθένα από αυτά προσφέρει το δίκαιο μερίδιο των πλεονεκτημάτων του, καθιστώντας το άθλημα καλύτερο από πριν - για παίκτες και οπαδούς. Επιπλέον, εάν έχετε το απαραίτητο σετ δεξιοτήτων, θα μπορούσατε ακόμη και να εργαστείτε σε μια πληροφορική στον τομέα του αθλητισμού.
Ελπίζουμε ότι σας άρεσε η κάλυψη των τεχνολογιών μας στη FIFA, εάν γνωρίζετε περισσότερες εφαρμογές τάσεων τεχνολογίας στη FIFA ή στα σπορ, γενικά, ενημερώστε μας γράφοντας σε εμάς στην παρακάτω ενότητα σχολίων. Φροντίστε να εγγραφείτε στο ιστολόγιό μας για περισσότερη κάλυψη που σχετίζεται με την τεχνολογία FIFA και την τεχνολογία.