بن راسل، مدیر عملیات هاکی تیم مردان کرنل، گفت: «برنامه ما تاکید زیادی بر تجزیه و تحلیل ویدئو و فناوری داده دارد. “ما دائماً به دنبال راه هایی برای تکامل به عنوان کادر مربی هستیم تا بتوانیم بهتر به بازیکنان خود خدمت کنیم. من از تحقیقاتی که پروفسور فراری و شاگردانش تا کنون انجام داده اند بسیار تحت تأثیر قرار گرفتم. من معتقدم که این پروژه پتانسیل این را دارد که به طور چشمگیری بر روی بازیکنان تأثیر بگذارد. روشی که تیم ها مطالعه می کنند و برای رقابت آماده می شوند.”
به گفته فراری که گفت نرم افزار بهبودیافته می تواند به خودروهای خودمختار کمک کند تا تصمیمات بهتری بگیرند، ربات ها و انسان ها را در انبارها به هم نزدیکتر کند، فراتر از ورزش، توانایی پیش بینی اعمال انسان پتانسیل زیادی برای آینده تعامل انسان و ماشین دارد. بازی‌های ویدیویی با تقویت هوش مصنوعی کامپیوتر لذت‌بخش‌تر می‌شوند.
فراری تیم‌ها را با استفاده از الگوریتم‌ها برای آماده‌سازی بهتر برای رقابت با آموزش فیلم‌های موجود از بازی حریف و استفاده از توانایی‌های پیش‌بینی خود برای تمرین بازی‌ها و سناریوهای بازی خاص، پیش‌بینی می‌کند.
فراری که همچنین دانشیار تحقیقات مهندسی بین دانشگاهی است، گفت: «انسان‌ها آنقدر که الگوریتم‌های یادگیری ماشین آن‌ها را در حال حاضر غیرقابل پیش‌بینی می‌کنند، غیرقابل پیش‌بینی نیستند، زیرا اگر واقعاً همه محتوا را در نظر بگیرید، همه از سرنخ‌های زمینه‌ای، و شما گروهی از افراد را مشاهده می‌کنید، می‌توانید در پیش‌بینی کاری که قرار است انجام دهند بسیار بهتر عمل کنید.”
فراری برای ثبت اختراع ثبت کرده است و اکنون با تیم هاکی مردان بزرگ قرمز برای توسعه بیشتر این نرم افزار همکاری می کند. فراری و دانشجویان فارغ‌التحصیلش به رهبری فرانک کیم، با استفاده از فیلم‌های بازی ارائه شده توسط تیم، در حال طراحی الگوریتم‌هایی هستند که به طور مستقل بازیکنان، اقدامات و سناریوهای بازی را شناسایی می‌کنند. یکی از اهداف این پروژه کمک به حاشیه نویسی فیلم بازی است، که وقتی به صورت دستی توسط اعضای تیم انجام شود، کاری خسته کننده است.
این تحقیق توسط دفتر تحقیقات دریایی کد 311 و کد 351 پشتیبانی می‌شود و تلاش‌های تجاری‌سازی توسط اداره مجوز فناوری کورنل پشتیبانی می‌شود.
سیلویا فراری، پروفسور جان برانکاچیو مهندسی مکانیک و هوافضا، که رهبری این تحقیق را بر عهده داشت، گفت: بینایی کامپیوتری می‌تواند اطلاعات بصری مانند رنگ پیراهن و موقعیت یا وضعیت بدن بازیکن را تفسیر کند. ما هنوز از این اطلاعات بلادرنگ استفاده می‌کنیم، اما متغیرهای پنهانی مانند استراتژی تیم و نقش‌های بازیکن را ادغام می‌کنیم، چیزهایی که ما به عنوان انسان قادر به استنباط هستیم زیرا در آن زمینه خاص متخصص هستیم.
نتایج در 22 سپتامبر در مجله منتشر شد تراکنش های ACM در سیستم ها و فناوری های هوشمند، و نشان می‌دهد که الگوریتم‌ها می‌توانند نقش‌های بازیکنان را استنباط کنند – به عنوان مثال، تشخیص پاس‌کننده دفاعی از مسدودکننده – با دقت متوسط نزدیک به 85٪، و می‌توانند چندین حرکت را در یک دنباله تا 44 فریم با دقت متوسط پیش‌بینی کنند. بیش از 80 درصد این اقدامات شامل ضربه زدن، قرار گرفتن، مسدود کردن، حفاری، دویدن، چمباتمه زدن، افتادن، ایستادن و پریدن بود.
منبع داستان:
الگوریتم‌ها از این جهت منحصربه‌فرد هستند که رویکردی کل‌نگر برای پیش‌بینی کنش دارند و داده‌های بصری را ترکیب می‌کنند – برای مثال، جایی که یک ورزشکار در زمین قرار دارد – با اطلاعاتی که بیشتر ضمنی هستند، مانند نقش خاص یک ورزشکار در تیم.
دانشجویان فراری و دکترا، جونی دونگ و کینگزه هو، الگوریتم‌هایی را آموزش دادند تا متغیرهای پنهان را به همان روشی که انسان‌ها دانش ورزشی خود را به دست می‌آورند – با تماشای بازی‌ها، استنتاج کنند. الگوریتم‌ها از یادگیری ماشینی برای استخراج داده‌ها از ویدیوهای بازی‌های والیبال استفاده کردند و سپس از این داده‌ها برای کمک به پیش‌بینی در هنگام نمایش مجموعه جدیدی از بازی‌ها استفاده کردند.
الگوریتم‌های توسعه‌یافته در آزمایشگاه کورنل برای سیستم‌ها و کنترل‌های هوشمند می‌توانند اقدامات درون بازی بازیکنان والیبال را با دقت بیش از ۸۰ درصد پیش‌بینی کنند و اکنون این آزمایشگاه با تیم هاکی Big Red همکاری می‌کند تا برنامه‌های کاربردی پروژه تحقیقاتی را گسترش دهد.
مواد تهیه شده توسط دانشگاه کرنل. نوشته اصلی توسط Syl Kacapyr، توسط Cornell Chronicle. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
منبع
