Odhad rychlosti střely pomocí Trackeru nošeného na noze spočívá v tom, že se signál pohybu přemění na fyzikální hodnotu: rychlost vyjádřenou v metrech za sekundu.
Abychom pochopili, jak to funguje, musíme si nejdřív připomenout princip řízené umělé inteligence (supervised learning). Dostane spoustu příkladů, u kterých známe vstupní data i správnou očekávanou odpověď. Model se pak naučí rozpoznávat vztahy mezi nimi.
V našem případě je vstupem signál pohybu změřený Trackerem a očekávanou odpovědí je známá rychlost střely. Po natrénování může model dostat nový signál střely a vytvořit odhad rychlosti.
Jak se AI učí odhadovat hodnotu
Taková AI neobsahuje ručně napsané pravidlo typu „když je pohyb silný, pak je rychlost X“. Učí se z příkladů.
Během trénování model porovnává své predikce s referenčními rychlostmi. Když se splete, jeho vnitřní parametry se upraví tak, aby se chyba postupně zmenšovala. Opakováním na velkém množství příkladů se model učí, které vzorce v signálu se obvykle pojí s rychlejšími nebo pomalejšími střelami.
Kvalita odhadu tedy velmi závisí na kvalitě použitých příkladů. Čím spolehlivější, rozmanitější a reprezentativnější anotace jsou, tím větší je šance, že model bude dobře zobecňovat i na nové střely.
Hlavním zdrojem informací zůstává signál
Tracker Footbar měří pohyby nohy během session. Když je zjištěna střela, model si vezme okno signálu kolem dané akce.
Toto okno obsahuje změny pohybu spojené se střelou: zrychlení, intenzitu pohybu a tvar signálu kolem okamžiku kontaktu s míčem. Právě díky těmto informacím se model učí vztah mezi pohybem nohy a rychlostí střely.
K tomu potřebujeme kvalifikované anotace: příklady, u kterých známe signál z Trackeru i referenční rychlost. Tyto anotace slouží k trénování modelu a ověřování jeho výkonu.
Proč přidávat odhadovaný věk?
Kvalifikovaných dat je u starších hráčů víc než u nejmladších kategorií. Pokud tuto nerovnováhu úplně ignorujeme, model má sklon zařazovat některé mladé hráče na škálu, která je příliš blízko starším dorostencům nebo dospělým.
Proto používáme odhadovaný věk z dané session jako kontextovou proměnnou.
Zjednodušeně: signál střely + odhadovaný věk ze session = odhadovaná rychlost střely.
Věk není pevné pravidlo. Dva hráči stejného věku mohou střílet velmi rozdílnou rychlostí. Signál zůstává hlavním zdrojem, ale věk pomáhá lépe nastavit řádovou velikost predikce.
Volba modelu
Jednou z možností bylo natrénovat samostatný model pro každou věkovou kategorii. V praxi by to ale bylo nestabilní, protože zatím nemáme dost kvalifikovaných dat pro každou věkovou skupinu, zejména u nejmladších.
Zvolili jsme proto postupnější přístup:
- zachovat robustní model rychlosti založený na signálu;
- přidat kalibraci, která využívá odhadovaný věk;
- ověřit, že tato kalibrace nezhoršuje výsledky na historických testovacích datech.
Díky této architektuře můžeme věk využít jako kontext, aniž bychom mu dali plnou váhu v predikci.
Jak vzniká výsledná rychlost
V ostrém provozu model analyzuje hlavní okno signálu. Toto okno se rozdělí na několik podoken, z nichž každé vytvoří odhad rychlosti. Tyto odhady se pak zprůměrují.
Díky průměru je predikce stabilnější: výsledek nezávisí příliš na přesném vymezení úseku kolem střely.
Zjednodušený postup (pipeline) tedy vypadá takto:
Zjednodušený postup (pipeline): okno signálu → podokna střely → mezilehlé predikce → průměr → kalibrace podle odhadovaného věku → výsledná rychlost.
Zjištěné výsledky
Graf níže ukazuje pozorovaný trend odhadovaných rychlostí střel podle věku. Hlavní křivka představuje mediánovou rychlost: je to jednoduchý přehled o řádové velikosti, kterou lze pro každý věk očekávat.
Barevné oblasti kolem této křivky znázorňují rozptyl pozorovaných střel. Střední oblast zahrnuje nejčastější rychlosti, zatímco rozšířená oblast ukazuje širší škálu situací. Tato pásma nejsou normativní hranice: slouží hlavně k zobrazení přirozené variability mezi hráči a mezi jednotlivými střelami.
Je vidět celkový růst s věkem a poté postupné ustálení u starších hráčů. To odpovídá cíli kalibrace: zachovat informaci obsaženou v signálu střely a zároveň zabránit tomu, aby byli nejmladší hráči zařazováni příliš vysoko na škále rychlosti.
Na našem historickém vzorku anotací odložených stranou (nepoužitých k trénování modelu) dosahuje model střední absolutní chyby 2,19 m/s se střední odchylkou (biasem) −0,18 m/s. To ukazuje, že si kalibrace na těchto referenčních datech zachovává stabilní chování.
Omezení
Tento přístup závisí na kvalitě odhadovaného věku. Pokud je věk v dané session odhadnut špatně, může být kalibrace méně přesná.
Závisí také na dostupných datech. Mladší kategorie jsou v kvalifikovaných anotacích stále méně zastoupeny a nová data umožní model postupně vylepšovat.
V budoucnu, až budeme mít mnohem víc anotovaných střel ve všech věkových kategoriích, bude pravděpodobně možné natrénovat jediný model, který se tyto rozdíly v kontextu naučí přímo. Kalibrace podle věku je tedy pragmatické řešení s daty, která máme dnes, a nemusí být definitivním limitem tohoto přístupu.
Stručně řečeno: rychlost střely ve Footbar se odhaduje především ze signálu z nohy. Odhadovaný věk se přidává jako kontext, aby se predikce lépe kalibrovala, ale nenahrazuje hlavní zdroj informací: skutečný pohyb zachycený v okamžiku střely.
