Od chvíle, kdy ChatGPT způsobil revoluci v umělé inteligenci tím, že ukázal sílu architektury Transformer při generování textu, se stejná architektura úspěšně uplatnila v mnoha dalších oborech, od obrazu po video. Dosud se ale nikomu nepodařilo využít její plnou sílu k porozumění sportu, protože chyběla dostatečně obrovská databáze, na které by se takový model dal natrénovat.
Ve fotbale jsme tuto hranici právě překonali.
Problém: každá nová statistika vyžaduje vlastní AI natrénovanou od nuly
Díky nasazení technologie Footbar nosí každý hráč na noze malý Tracker, který měří jeho zrychlení, tedy způsob, jakým se jeho noha pohybuje, 50krát za sekundu po celou dobu zápasu. Z tohoto surového signálu získáváme různé statistiky: střely na míč, sprinty, uraženou vzdálenost, rychlost běhu a mnoho dalších.
Dříve vyžadovala každá nová statistika vytvoření zcela nového modelu umělé inteligence, natrénovaného od nuly pro tento konkrétní úkol.
Natrénovat dobrý model přitom vyžaduje anotovaná data: skutečné zápasy, u kterých někdo ručně analyzoval video a sekundu po sekundě označoval „tohle je střela“, „tohle střela není“.
Je to zdlouhavý a drahý proces, který je třeba zopakovat pokaždé, když chceme měřit něco nového.
Co jsme vytvořili: jediný „mozek“ AI, který už rozumí fotbalovým pohybům
Místo trénování nového modelu pro každou statistiku jsme vyvinuli TransMTR: jediný model umělé inteligence, natrénovaný jen jednou na pohybových datech z více než milionu fotbalových aktivit: pravděpodobně největší databáze pohybů těla specifických pro fotbal, jaká kdy vznikla.
Právě tady se tento přístup přibližuje ChatGPT: nemuseli jsme tento milion aktivit ručně anotovat.
Model se sám naučil obecnou „gramatiku“ fotbalových pohybů, stejně jako se ChatGPT učí gramatiku jazyka čtením obrovského množství textu, aniž by učitel musel hodnotit každou větu.
Po natrénování je tento model zmrazený: už ho nedotrénováváme. Stává se opakovaně použitelným základem, ke kterému můžeme připojovat malé, lehké moduly odpovídající jednotlivým statistikám, které chceme měřit.
Výsledek: přesné statistiky s mnohem menším množstvím ruční anotace
Právě tady se tento pokrok stává obzvlášť zajímavým pro hráče i trenéry.
Tento základový model jsme otestovali na dvou velmi odlišných úlohách: detekci střel na míč (jednorázová událost) a odhadu rychlosti běhu (průběžné měření). Poté jsme jeho výkon porovnali s výkonem tradičního modelu, natrénovaného od nuly speciálně pro každou z těchto úloh.
Při detekci střel, když jsme oběma modelům poskytli nepatrné množství ručně anotovaných dat (zhruba 1 % toho, co je normálně potřeba), byl tradiční model prakticky odkázán na hádání.
Náš základový model naproti tomu dosahoval už velmi dobrých výsledků, protože se díky masivnímu předtrénování na neanotovaných datech předem naučil rozpoznávat obecnou strukturu pohybů typických pro fotbal.
U rychlosti běhu jsou výsledky nejednoznačnější. S velmi malým množstvím anotovaných dat dosahovaly oba přístupy podobných výkonů, zatímco tradiční model získal náskok, když měl k dispozici všechna anotovaná data.
Našli jsme ale jednoduché řešení: místo abychom po modulu přidaném k základovému modelu chtěli odhadovat rychlost z jediného izolovaného okamžiku, umožnili jsme mu krátce sledovat těch několik sekund kolem něj.
Je to trochu jako trenér, který by se nesnažil odhadnout rychlost hráče z jediného zastaveného záběru, ale sledoval by několik sekund jeho pohybu.
Díky této jednoduché úpravě náš zmrazený základový model nejprve vyrovnal a poté překonal tradiční přístup, aniž bychom kdy museli hlavní model znovu trénovat.
Proč je tento pokrok důležitý pro tebe
Pro hráče i trenéry nejde jen o technické vylepšení. Tento pokrok mění rychlost, jakou se mohou na hřiště dostat nové informace, i jejich spolehlivost:
- Nové statistiky, rychleji. Protože nejsložitější část, tedy porozumění surovému pohybu, je už vyřešená, přidání nové metriky už nevyžaduje sbírat a anotovat tisíce zápasů a začínat od nuly.
- Konzistentnější čísla. Zjistili jsme také, že tento přístup dává mezi jednotlivými tréninky mnohem stabilnější výsledky než tradiční metoda: méně nečekaných výkyvů a spolehlivější srovnání mezi sezónami.
- AI natrénovaná v reálných podmínkách na hřišti. Ne v laboratorních podmínkách ani na pečlivě vybraných videích: TransMTR byl předtrénován na více než milionu skutečných aktivit z amatérského a grassrootového fotbalu z celého světa, ve stejném prostředí, ze kterého pocházejí i tvoje vlastní statistiky.
Přečti si celý vědecký článek
Tento článek na blogu představuje zjednodušenou verzi naší práce.
Všechny technické podrobnosti (architekturu modelu, metodu trénování, statistické výsledky i omezení) najdeš v úplném vědeckém článku:
TransMTR: A Foundation Transformer Encoder for Wearable Sensor Time Series in Football Sylvain Ract, Sebastien Benoit à la Guillaume, Damien Grasset
