Bitwisen kehittämä maailman johtava urheiluanalytiikka-alusta Wisesport hyödyntää radioteknologiaan pohjautuvan paikannuksen rinnalla konenäkö- ja koneoppimisteknologioita. Automaattiset ja visuaaliset ottelutilastot ovat vain yksi järjestelmän eduista.
Yhden päivän aikana järjestelmä kerää ympäri maailman jopa 1,2 Tt dataa pilveen, jossa se käsitellään ja visualisoidaan reaaliajassa. Automatisoidun järjestelmän avulla otteluista kerätään dataa ja tuotetaan valmiita tilastoja ilman hidasta käsityötä, mikä mahdollistaa täysin uudenlaiset liiketoimintamallit. APIen ja sovellusten kautta dataa voidaan hyödyntää myös kolmansien osapuolien palveluissa kuten vedonlyönnissä.
Wisesportin pääohjelmistokehittäjä Santeri Karjalainen on erikoistunut konenäköön ja koneoppimiseen. Nyt hän kertoo, kuinka näitä teknologioita hyödynnetään urheiluanalytiikassa. Kuinka konenäkö tunnistaa yksittäisen pelaajan reaaliajassa?
Skaalautuvuutta oikeilla teknologiavalinnoilla
“Wisesport-analytiikka-alustassa hyödynnetään useita tietojenkäsittelyn osa-alueita. Järjestelmä perustuu spatiotemporaalisen paikkatiedon keräämiseen ja monien erilaisten tilastojen laskemiseen. Käytämme radiotaajuuksiin pohjautuvaa paikannusjärjestelmää pelaajien ja erotuomareiden sekä kiekon tai pallon seurantaan. Pilviympäristössä toimivan analytiikkajärjestelmän edistyneet algoritmit muuntavat ottelusta kerättyä paikkadataa reaaliajassa erilaisiksi pelaaja- ja joukkuetilastoiksi. Käytämme myös useita kameroita ottelun tallentamiseen ja analysointiin.
Wisesport-järjestelmä tarjoaa dataa loppukäyttäjille ja kolmansille osapuolille erilaisten APIen ja sovellusten kautta. Näin alustamme mahdollistaa uudenlaisia elämyksiä esimerkiksi urheilutapahtumien katsojille.
Wisesportissa on tehty alusta alkaen hyviä päätöksiä teknologioiden suhteen. Valitsimme mikropalveluarkkitehtuurin, ja suunnittelimme kaiken horisontaalisesti skaalautuvaksi. Tämä mahdollistaa sen, että Wisesport suoriutuu niin asiakasmäärien kuin tarjottavien ominaisuuksien määrän kasvaessa.”
Wisesportin tiimi kehittää huippuluokan konenäkömallia
Uusi lähestymistapa konenäön hyödyntämiseen urheiluanalytiikassa
“Konenäköjärjestelmiä on käytetty pitkään ihmisten ja muiden liikkuvien kohteiden tunnistukseen ja seurantaan. Siksi aloimme Wisesportissakin hyödyntää konenäköä hyvin lupaavin tuloksin.
Olemme kouluttaneet ihmistunnistusmallimme seuraamaan erityisesti jääkiekkoilijoita ja jalkapalloilijoita useista eri kuvakulmista. Erillisellä mallilla voidaan seurata myös jalkapallossa käytettävää pelipalloa.
Nykyteknologialla pelaajien ja erotuomareiden reaaliaikainen tunnistus kamerakuvasta on melko helppoa. Yksilöiden tunnistus on puolestaan paljon vaikeampaa. Katkeamaton tietyn pelaajan tunnistus pitkään on hankalaa, varsinkin jos toiset pelaajat asettuvat tielle. Onnistunut lopputulos vaatii yleensä useita eri kamerakulmia, jotka on asetettu erityisesti tähän tarkoitukseen. Kaiken tämän datan käsittely vaatii tietenkin paljon laskentatehoa.”
Wisesport-alusta mahdollistaa pelaajien seuraamisen monin eri tavoin
“Wisesport-alusta käyttää radioteknologiaan pohjautuvaa paikannusjärjestelmää yksittäisten pelaajien tunnistamiseen kamerakuvassa näkyvällä alueella. Tila-avaruuden havaitut objektit on siten melko suoraviivaista tuoda myös kameranäkymään. Lisäksi täydennämme dataa konenäön tuottamilla havainnoilla. Näitä havaintoja voivat olla esimerkiksi tieto siitä, oliko laukaus ranteesta vai lämäri, mihin suuntaan pelaaja on kääntyneenä ja mitä hän tekee mailallaan.
Jopa yhden kamerakulman avulla voidaan arvioida pelaajan koko asento mukaan lukien esimerkiksi käsien ja jalkojen asennot. Jotta saamme hiottua analytiikkaamme entistäkin paremmaksi, rakennamme myös neuroverkkoja, jotka päättelevät monipuolisesti tietoa kentällä olevista pelaajista. Se on hieno lisäys jo ennestään laadukkaaseen dataan.”
“Sen lisäksi, että konenäkö täydentää radioteknologiaan pohjautuvaa dataa, se myös tuottaa itsenäisesti paikkatietoa pelaajista ja erotuomareista. Tämä tarkoittaa käytännössä sitä, että saamme analyysiin tarkkaa dataa, vaikka yksittäiset pelaajat tai jopa koko joukkue eivät käyttäisikään radiolähettimiä.
Koulutamme konenäköä valvotusti valtavalla määrällä radioteknologialla kerättyä dataa, jollaista muilta toimijoilta ei löydy. Se antaa meille vahvan etulyöntiaseman. Datan avulla voimme luoda mallin, joka pystyy tunnistamaan pelaajat harvemmilla kamerakulmilla kuin koskaan aiemmin on ollut mahdollista.”
Entistä tarkempia tilastoja ja syvällisempiä analyysejä
“Analytiikkajärjestelmämme ei vaadi toimiakseen mitään tiettyä tapaa kerätä paikkadataa. Toisin sanoen tilastolaskennan periaatteisiin ei tarvitse koskea, vaikka järjestelmään syötettävän datan laatua parannetaan esimerkiksi paremmalla tunnistusjärjestelmällä. Pienikin parannus urheilutapahtuman paikkadatan laatuun, kattavuuteen ja monipuolisuuteen johtaa yhä tarkempiin tilastoihin ja syvällisempiin analyyseihin.
Pelkän konenäön käyttö pelaajien ja ottelutapahtumien seurantaan mahdollistaa otteluanalytiikan ilman pelaajan varusteisiin kiinnitettävää sirua. Pelkkään konenäköön perustuvien järjestelmien tunnettu haittapuoli on, että ne vaativat paljon laskentatehoa joko paikallisesti tai pilvessä. Meiltä löytyy kuitenkin dataa ja osaamista, joilla rakentaa ongelmaan tehokas ratkaisu.”
“Sen lisäksi, että käytämme neuroverkkoja objektien tunnistamiseen ja erilaisten regressio-ongelmien ratkaisemiseen, kokeilemme myös end-to-end-neuroverkkoarkkitehtuureja, joihin syötetään paikkadataa. Keräämämme suuri datamäärä mahdollistaa sellaisten mallien kokeilun, jotka vaikuttavat ymmärtävän jääkiekko-ottelun kulkua ja pelaajien toimintaa erilaisissa tilanteissa.
Voimme esimerkiksi erittäin tarkasti päätellä kiekon sijainnin syväoppimisjärjestelmällä, johon syötetään vain pelaajien ja tuomareiden sijainnit. Vastaavasti, jos pelaaja poistetaan datasta kokonaan, neuroverkko osaa ennustaa pelaajan sijaintia hyvin tarkasti. Koska meillä on jo runsaasti dataa monen tasoisista jääkiekko-otteluista, voimme myös analysoida syvällisesti erilaisten liigojen ja joukkueiden pelitapoja.”
Mikä erottaa Wisesportin muista toimijoista
“Edistyneiden koneoppimismallien kuten autoenkoodereiden ja sekä valvotun että valvomattoman oppimisen soveltaminen on erittäin innostavaa. Ne tuovat urheiluanalytiikan uudelle aikakaudelle, etenkin kun meillä on käytettävissämme niin paljon dataa.
Samankaltaisia neuroverkkoarkkitehtuureja on käytetty ja tutkittu urheiluanalytiikassa ennenkin. Yleensä näiden neuroverkkojen kouluttamiseen käytettävää dataa on kuitenkin rajallisesti, eikä sitä voi käyttää kovin monipuolisesti. Käytettävissä olevan datan harvinaislaatuinen määrä ja laatu erottaa Wisesportin muista toimijoista.”