概述
諸如預期進球等指標是在模型下估算機率;它們並非決定性的結果。
深入探討
預期進球根據歷史範例和選定的特徵來估算射門轉換機率。模型的輸入各有不同;StatsBomb 記錄了包含射門位置以及其他情境數據等因素。諸如 Hawk-Eye 的光學追蹤系統能捕捉球員和球的移動,而穿戴式系統則收集獨立的運動員負荷信號。NBA 描述了一種源自追蹤技術的防守壓迫評分(Defensive Pressure Score)。另一項研究則提出了一種將球員技能與戰術成功率連結以預測陣容表現的網路模型,還有一項研究分析了防守壓迫下的射門軌跡;這些是有限範圍的研究方法,而非全面的實際應用宣告。
現實世界的實施
xG 模型根據機會的特徵來估算射門得分機率。
NBA 與 Hawk-Eye 的合作夥伴關係描述瞭用於球員和球移動的光學追蹤技術。
運動員監控系統可能會分析諸如工作負載指標等穿戴式裝置測量數據;測量範圍取決於裝置和協議。
網路風格的研究模型可以使用源自追蹤技術的球員技能來估算未測試陣容的表現。
人工智能在体育分析中的未来
將運動指標作為特定問題的證據,並記錄其模型輸入與取樣。避免從單一替代指標推斷運動員的健康狀況或表現。供應商特定的追蹤與穿戴式裝置功能應透過目前的技術文件來確認。
付諸實踐
為什麼這很重要
- 背景與規則. 產業背景決定了人工智慧創意能否與現實接觸。
- 品質管控. 領域約束會影響可接受的錯誤率和監督模型。
- 配裝選擇. 成功的部署使技術能力與第一線工作流程保持一致。
留意
- 監理要求可能會使原本強大的原型失效。
- 歷史資料可能會編碼損害特定社區的偏見。
- 遺留系統可能會造成整合瓶頸和隱性成本。
後續步驟
- 讓領域專家參與從問題框架到評估的整個過程。
- 在啟動前設計審計追蹤和文件。
- 儘早驗證合規性和安全義務。
- 分階段推出,並有明確的停止和回滾標準。
不斷探索
常見問題
體育分析中的人工智慧是什麼?
運動數據分析結合了事件數據、球員追蹤和運動員監控測量數據來評估表現。諸如預期進球等指標是在模型下估算機率;它們並非決定性的結果。
足球中的「預期進球」(xG) 指標是如何估算的?
xG 根據距離、角度和防守壓力等特徵為每次投籃分配得分機率,讓分析師判斷機會的品質而不僅僅是結果。
NBA 宣布在哪個公司為其 Hawk-Eye 合作夥伴關係中的官方光學追蹤技術合作夥伴?
NBA 的新聞稿在光學追蹤合作中點名了 Sony 的 Hawk-Eye Innovations;這詢問的是已公布的供應商,而非其位置數據的屬性。
Catapult 的運動員監控系統描述了哪些感測器輸入?
Catapult 的產品說明列出了 GPS/LPS、心率功能和慣性數據分析;確切的指標取決於裝置與設定。
NBA 的防守壓迫評分利用光學追蹤數據來估算什麼?
NBA 將其防守壓迫評分描述為一種基於追蹤的防守壓迫測量指標;這是一項特定的指標,而非球員品質的整體測量。
Skinner 和 Guy 提出了什麼建模構想來從追蹤資料中學習籃球球員技能?
該論文提出了一種網路風格的模型,將球員技能與球隊執行戰術的成功率連結起來,然後用它來預測未測試的五人陣容表現;所報導的實作範圍僅限於其研究本身。