A tehetségazonosítás, a sportinformatika vívmányainak köszönhetően, hamarosan valóra válthatja az emberiség régi vágyát, hogy előre láthassa a jövőt. A sportegyesületek számára is fontos, hogy a tehetségeket a legkorábban azonosítani tudják, hiszen ez a minél kiemelkedőbb eredmények mellett az erőforrásaik optimálisabb felhasználását is biztosíthatja. Egy tapasztalt edző vagy játékosfigyelő a tapasztalatai alapján persze jó eséllyel fedez fel reménységeket, de ez a folyamat sokszor esetleges, illetve gyakran szubjektív. Az informatika és a mesterséges intelligencia rohamos fejlődése ezen a területen is jelentős eredményeket tud már felmutatni, a versenyeredmények vagy akár sérülések előrejelzésétől a jövőbeli reménységek kiválasztásának segítéséig. Ennek a mikéntjéről lesz szó az alábbiakban.
A lóverseny
Sokáig az egyik legdivatosabb és legelőkelőbb elfoglaltságok egyike volt a lóversenyek látogatása, amely a verseny izgalmasabbá tétele céljából már korán összefonódott a végeredményre való fogadás lehetőségével. Hongkongban már-már vallásos szenvedély övezi a sportágat, így nem csoda, hogy 2001. november 6-án mindenki arról beszélt, hogy megnyerték a Triple Trio fogadás valaha volt legnagyobb főnyereményét, ami két dolgot jelentett:
- valaki három különböző futamban helyesen tippelte meg az első három befutót (ennek az esélye kevesebb, mint egy a tízmillióhoz)
- illetve akkori értéken számolva mintegy 13 millió amerikai dolláros nyereményt
Amit azonban akkor senki sem gondolt az az volt, hogy ebben az esetben a siker nem csak a szerencsén múlt. Bill Benter és a társa, Paul Coladonato, akik egyébként nem vették át a rekordösszegű nyereményüket, rengeteg időt, kutatást, és pénzt áldoztak ezért az eredményért. A kiinduló ötletet egy 1986-os kutatás adta számukra (Pozitív megtérülés keresése a lóverseny pályán), ami azt állította, hogy a verseny kimenetele, vagyis a lehetséges eredmények valószínűségei meghatározhatók néhány mennyiség értékéből: egyenes pályán futás sebessége, méret, győzelmek száma, a zsoké tapasztalata, és ezeknek a megfelelő súlyozásával már elő is álltak az esélyek!
Minél több a változó, és minél pontosabb a súlyozás, annál pontosabb lesz a modell. Mivel Benter már tudott programozni, ezért csak időre, és egy halom évkönyvre volt szüksége, amelyekből több ezer verseny adataival tudta feltölteni az adatbázisát, hogy aztán akkori társukkal szinte minden tőkéjüket elveszítsék. Ennek ellenére nem adta fel: számos kisebb-nagyobb kitérő és változatos kihívások után, a mintegy 120 változóra bővített modelljével sikerült végül elérnie a fenti hírhedt eredményt.
A mesterséges intelligencia alkalmazása, és annak előfeltételei
A történet érdekessége, hogy remekül összefoglalja azt, hogy hogyan működnek most a gépi tanuláson alapuló módszerek a tehetségazonosítás terén.
- Első lépés természetesen a probléma meghatározása, és az elérni kívánt cél kitűzése.
- A második az elérhető adatok összegyűjtése a megfelelő minőségben és egységesített formában.
- Ezután következik a problémához a modell és a benne szereplő változók kiválasztása, majd algoritmikus módszerekkel a faktorok súlyozásának meghatározása.
Jelenleg szinte mindegyik vezető felhőszolgáltató biztosít eszközöket magához a gépi tanuláshoz, amelyek számtalan típusú modellt tartalmaznak, és lehetővé teszik azok használatát. Fontos azonban látni, hogy a kapott eredmények pontossága nagyban függ a rendelkezésre álló adatok mennyiségétől, tisztaságától, és minőségétől – ez a tehetségazonosítás alapja. Sajnos azonban számos sportszövetség nem rendelkezik megfelelő eszközzel ahhoz, hogy az adatvagyonának az értékét ilyen módszerekkel ki tudja használni:
- Sokszor különböző rendszerekben szétszórva találhatók az adatok, amelyekből nem is lehet automatikusan összekapcsolni az összetartozó információkat.
- Gyakran nem megfelelő az adatok tisztasága és minősége, előfordulnak elírások, duplikátumok.
- Hiányos a nyilvántartás, vagy az is megesik, hogy van, ami csak papír alapon létezik, esetleg csak külső forrásból érhető el.
- Nem is beszélve arról, hogy manapság már rendkívül sok mérőeszköz és vizsgálat vált széles körben elérhetővé, de egyszerűen nem megoldott az általuk szolgáltatott nagy mennyiségű adat strukturált tárolása.
Cégünk sportmenedzsment platformja, a SmartSport megoldást jelent ezek közül az összes problémára, és emellett még sok más egyéb szolgáltatást is nyújt a tehetségazonosítás támogatása mellett.
Ha valaki már olyan jó helyzetben van, hogy rendelkezik a megfelelő adatokkal, és kutatásokat szeretne végezni rajtuk, akkor még azt is szem előtt kell tartania, hogy ha azok tartalmaznak személyes és egészségügyi információkat is, akkor rendkívüli körültekintéssel kell kiválasztani hozzá a kellően biztonságos, és az adatok bizalmasságát biztosító platformot: csak így lehet kihasználni a tehetségazonosítás és a mesterséges intelligencia kínálta lehetőségeket!
Mindenképpen javasolt olyan szakemberekkel dolgozni, akik jártasak ezekben a kérdésekben, cégünk is hasonló körültekintéssel vezette azt a fejlesztési projektet, amikor a Magyar Kajak-Kenu Szövetséggel szoros együttműködésben lefektettük tehetségmenedzsment alapjait. A sportágspecifikus Kajak-Kenu Ablak szoftvermegoldása volt a SmartSport előfutára. A projekt részleteiről itt olvashat bővebben.
Tehetségazonosítás és egyéb alkalmazások
Kedvcsinálóként pedig lássuk, hogy milyen eredményeket értek már el a jelenlegi kutatások a tehetségazonosítás terén:
Számos kutatás foglalkozik a sportolók sérüléseinek előrejelzésével és megelőzésével gépitanulásos módszerek segítségével. Egy 249 publikáció elemzésével készült metakutatás azt mutatja, hogy van, amivel akár 85%-os pontosság is elérhető! A jelenlegi módszerek alkalmasak arra, hogy azonosítsák azokat a sportolókat, akiknek az esetében magas a sérülés veszélye, valamint azokat a faktorokat, amik ennek a rizikónak a legmeghatározóbb összetevői.
A tokiói olimpián az ausztrál úszókat a váltószámokban az Amazon azon csapata segítette, ami korábban már a forma 1-ben is bizonyított. A korábbi sorrendek, az úszók kora, és az egyéni csúcsuk beállítása óta eltelt napok számát is figyelembe véve olyan összefüggést is felfedeztek, hogy a fiatalabb és lassabb úszók 60%-os eséllyel a váltók második felében értek el egyéni rekordokat. Nem csak megjósolták, az ellenfeleik milyen felállásban fognak versenyezni, hanem 0,1 másodperces közelítéssel az eredményeket is előre tudták jelezni.
Íjászatban a fiatal tehetségek azonosítására olyan modellt készítettek, amely 92%-os pontossággal tudja az eredményességet előre jelezni, mindössze hat felmérésekkel megállapított fitnesz és motoros készség faktor alapján.
Krikettben a játékosok következő meccsen szerzett pontjainak a számát becslő modellt állítottak fel, amelynek pontossága volt, hogy elérte a 91,5%-ot.
Ez természetesen csak egy nagyon felületes válogatás, hiszen a terület pezseg a kutatásoktól. A mesterséges intelligencia, és azon belül a gépi tanulás egyre több területen jelenik meg, és tud felmutatni érdemeket.
A sportinformatika mint versenyelőny
Minden sportágban megvan az igény arra, hogy a legújabb módszereket alkalmazzák az eredmények javítására, ezért folyamatosan számtalan új vizsgálat indul, és aki nem vesz részt ebben, az bizony hátrányba kerülhet. Fontos azonban kiemelni, hogy minden kutatás előfeltétele a minél jobb minőségű adatok megléte, ami csak korszerű sportmenedzsment rendszerrel érhető el. Csekklistánkban összegyűjtöttük, hogy milyen funkcionalitással kell rendelkeznie egy hasonló rendszernek, amely ezáltal nem csak egyes részfeladatokat lát el, hanem az egész sportág működését össze tudja hangolni. Ezáltal minden egyes sportági szereplő munkáját hatékonyabbá teszi, a sportolók teljesítményét növeli.
Szívesen segítünk, ha mélyebben érdekli a tehetségazonosítás és a sportinformatika témája. Lépjen kapcsolatba szakértői csapatunkkal, amennyiben edzőként, egyesületként, vagy szövetségként élni szeretne a sportinformatika előnyeivel.
