Революция в спорте: заменит ли искусственный интеллект судей?

Весной этого года боксер Василий Ломаченко бросил вызов нынешнему чемпиону в легком весе Девину Хейни. Тысячи болельщиков наблюдали за историческим поединком двух высококвалифицированных бойцов. Бой стал блестящей демонстрацией их таланта: и Ломаченко, и Хейни выложились по полной. После того, как прозвенел последний звонок, внимание переключилось с бойцов на судей. Они единогласно вынесли решение: победа досталась Девину Хейни.

Однако большинство болельщиков и даже, казалось, сами бойцы посчитали, что решение было просто неверным. Зрители задавались вопросом, действительно ли они наблюдали тот же бой, что и судьи, поскольку единогласное решение в пользу Хейни казалось совершенно неоправданным: несмотря на усилия Хейни, агрессия, давление и точные удары Ломаченко сделали его явным победителем.

Было досадно видеть, что такой потрясающий бой омрачило ошибочное судейское решение. Однако этот эпизод не является из ряда вон выходящим: на протяжении всей истории ММА (смешанных единоборств) и бокса коррумпированные, предвзятые и откровенно непрофессиональные судьи не раз присуждали победу не тому бойцу, который реально выиграл бой, и подрывали тем самым репутацию спорта.

Например, во время Олимпийских игр 1988 года легенда бокса Рой Джонс-младший (слева) проиграл Пак Си-Хуну (справа) в борьбе за золотую медаль, несмотря на то, что бой завершился в его пользу со счетом 86–32.

Возникает вопрос: как быть с плохими судьями в единоборствах – больше штрафовать? Лучше их обучать? Провести реформу судейской системы? А можно ли использовать в качестве судей ИИ?

В конце концов, искусственный интеллект способен обеспечить анализ, объективность и обработку данных на более высоком, по сравнению с судьями-людьми, уровне. Могут ли единоборства стать следующей отраслью, которую ИИ покорит?

За последний год индустрия искусственного интеллекта выросла на 37%. Благодаря ChatGPT, Dall-E и многим другим инновациям в области искусственного интеллекта избежать использования искусственного интеллекта в нашей повседневной жизни просто невозможно. На первый взгляд, способ, которым ИИ анализирует данные и выдает ответы, очень сложен, но его можно свести к следующим концепциям:

Машинное обучение

Чтобы давать разумные ответы, технологии на базе искусственного интеллекта должны учиться. Процесс машинного обучения включает в себя передачу в систему большого количества данных. Мы демонстрируем ей бесчисленные примеры разных явлений, который она должна понять. На основе этих данных система знакомится с закономерностями в данных. Понимая эти паттерны, система может делать прогнозы, связанные с данными, аналогично тому, как мы совершенствуем свои навыки, учась на основе собственного опыта или практикуясь.

Например, системы машинного обучения, изучающие дорожное движение, могут на протяжении длительного времени мониторить маршруты и поведение водителей. Со временем система выявляет закономерности и может делать прогнозы.

Нейронные сети

Системы машинного обучения также могут использовать нейронные сети, которые позволяют системе понимать и различать закономерности в данных, подобно тому, как это делает человеческий мозг. Они используют узлы, похожие на нейроны в мозге, которые постепенно вырабатывают «правила» в отношении данных, помогающие их понять.

Выше изображена схема нейронных сетей: каждый круг представляет собой узел, где обрабатываются разные данные. Синие узлы представляют входные данные, подлежащие обработке, а зеленые узлы обозначают данные, интерпретированные из входных данных (это называется скрытым слоем узлов, поскольку они недоступны пользователю). Данные каждого узла влекут за собой различную информацию для следующего узла, и все это в конечном итоге приводит к выходным данным или информации (красный кружок).

Например, если бы нейронную сеть запрограммировали различать изображения фруктов, она начала бы с изучения качеств фруктов, включая цвета, формы и текстуры.

В конце концов, нейронная сеть начала бы формировать правила вроде: «круглое и красное может быть яблоком» или «изогнутое и желтое может быть бананом». Со временем эти правила становятся все более и более точными.

На приведенной выше диаграмме каждый из синих входных узлов будет представлять различные качества фруктов, скрытый слой будет местом, где нейронная сеть будет разрабатывать правила, а выходные данные — это тип фрукта, который она определила.

Глубокое обучение

«Глубокое» обучение означает, что нейронная сеть использует значительно больше слоев узлов, что позволяет ей вырабатывать больше правил для понимания более сложных закономерностей в данных.

На приведенной выше диаграмме модель глубокого обучения просто будет иметь больше зеленых скрытых слоев.

В нашем примере с фруктами большее число правил позволяет распознавать тонкие различия между разными фруктами, включая уникальные текстуры или вариации оттенков цвета.

Внедрение ИИ в спорте

Используя эти концепции, ИИ можно внедрить в спортивных единоборствах.

Как и представители любых иных профессий, судьи не свободны от ошибок. В их число входят предвзятость, субъективность, невнимательность и многое, многое другое. За последний год искусственный интеллект сократил количество подобных ошибок в таких сферах, как медицинская диагностика, сельское хозяйство и даже инвестирование.

Так почему бы ИИ не судить бои?

Фанаты спорта и эксперты по единоборствам могут просто не понимать возможности ИИ. Искусственный интеллект будет не просто подсчитывать удары руками и ногами и определять победителя в зависимости от того, какой боец ​​нанес больше ударов. Глубокое обучение и нейронные сети позволяют ИИ понимать сложные факторы борьбы на основе исторических и текущих данных.

Нейронная сеть будет интерпретировать миллионы клипов/видео с записями поединков, создавая такие правила, как «контроль над центром октагона (площадка, огороженная сеткой для проведения боев по смешанным единоборствам) демонстрирует контроль над ходом матчем» или «способность вынуждать противника пропускать удары указывает на лучшую технику и, превосходящие способности». (Эти правила аналогичны тем, которые были созданы ранее в нашем примере с фруктами.)

Нейронные сети будут учитывать входные данные боев и использовать правила, разработанные для больших баз данных, определяя победителя.

Где применение ИИ в спорте уже реализовано?

Датский технологический стартап Jabbr разрабатывает DeepStrike – искусственный интеллект компьютерного зрения для использования в боксе.

Визуальная интерпретация движений головы, тела, ног и перчаток обеспечивает входные данные нейронной сети DeepStrike. Интерпретация этих данных включает удары руками, блоки и 48 других факторов, которые используются для определения пяти ключевых факторов: наносимые удары, урон, нанесенные удары, давление и агрессия.

DeepStrike определяет победителя, используя систему объективной оценки, обученную с помощью Deep Learning и нейронных сетяей на тысячах наборов данных. К ним относятся кадры спаррингов, профессиональных матчей и многое другое. DeepStrike демонстрирует текущие и будущие возможности ИИ в спортивных единоборствах: последовательность, объективность, возможность аналитики на основе данных.

Однако у DeepStrike есть существенный недостаток, связанный с пониманием оцениваемых факторов. Разработчики ИИ считали определенные факторы более или менее важными, однако оценка была бы более объективной, если бы опиралась на входные данные в виде мнений комиссий, судей и экспертов.

Например, DeepStrike может присудить победу тому, кто наносит самые мощные удары, тогда как профессиональные судьи могут посчитать более важными факторами давление и агрессию. Вместо того, чтобы полагаться на разработчиков, лучше отдавать предпочтение вкладу отраслевых профессионалов.

Благодаря улучшенной системе ИИ может определять исход боя с помощью следующего процесса:

1. Компьютерное восприятие видеоматериалов

Одним из преимуществ DeepStrike является его способность обрабатывать данные с любыми видеоматериалами.

Это возможно благодаря компьютерному зрению, которое представляет собой использование компьютерами нейронных сетей для определения закономерностей и объектов на изображении или в видео.

На изображении выше компьютерное зрение в DeepStrike используется для различения положения тела, движения головы, ударов и других действий бойцов. В других видах спорта, таких как теннис и футбол, с помощью компьютерного зрения отслеживаются движения игроков и движения мяча.

Компьютерное зрение могло бы стать основой разработки виртуального ИИ-судьи, поскольку данные о боях можно получать непосредственно из видеоинформации.

Возможные технологии: OpenCV, Viso Suite.

2. Глубокое обучение с использованием расширенных наборов данных

Данные, собранные с помощью компьютерного зрения, затем можно использовать в модели глубокого обучения.

Подобно DeepStrike, модель глубокого обучения позволит системе искусственного интеллекта понимать закономерности боевых видов спорта. Удары, блоки, эффективный урон и многие другие параметры будут оцениваться по основным факторам боя: нанесенные удары, урон, нанесенные удары, давление и агрессия. Эти факторы будут использоваться в качестве основных показателей победы или поражения в бою.

Однако степень, в которой эти факторы способствуют победе, будет отличаться от того, как эти факторы оценивает DeepStrike. Будет использоваться отдельный набор данных из статей, видео и интервью экспертов по единоборствам, позволяющий судить о том, какие факторы следует учитывать в большей степени. Этот набор данных позволит создать модель оценки каждого фактора, вместо того, чтобы полагаться на разработчика ИИ, который взвешивает их вручную, как это делается в DeepStrike.

В результате, параметры оценки боя можно будет настроить так, чтобы решение находилось на уровне оценки профессионального судьи.

Возможные технологии: TensorFlow, Caffe.

3. Необходимость контролировать входные данные

Система может быть подвержена предвзятости – эта проблема распространяется на всю индустрию машинного обучения. Предвзятость ИИ – это ситуация, когда модель ИИ выдает результаты, которые искажены из-за неверных предположений в процессе машинного обучения.

В 2018 году система рекрутинга Amazon использовала машинное обучение в процессе рассмотрения заявлений о приеме на работу, чтобы определить подходящих кандидатов. Однако система отдавала предпочтение кандидатам-мужчинам – причина состояла в том, что исторические данные, на которых она обучалась, в основном состояли из резюме кандидатов-мужчин. Система в значительной степени дискриминировала женщин, поскольку данные не позволяли адекватно оценить заявления. В Amazon было больше сотрудников-мужчин, поэтому система считала кандидатов-мужчин более успешными.

Любая система может быть столь же восприимчива к предрассудкам или сбоям ИИ, поэтому необходимо постоянно поддерживать модель и корректировать ее, если это необходимо.

Наша система ИИ не будет идеальной, но благодаря большему количеству данных ИИ будет более точно настроен. Со временем, благодаря правильным настройкам и увеличению объемов данных, наш ИИ-судья будет становиться все более и более совершенным.

А ещё позже наш ИИ выработает определенные полезные привычки, такие как исправление собственных предубеждений или обработку дополнительных данных.

Следует ли использовать ИИ в качестве судей?

Безусловно. Искусственный интеллект сможет внести ценный вклад в индустрию единоборств. Он сможет обеспечить беспристрастный анализ на основе данных и последовательность в оценках. ИИ произведет революцию в оценке боевых видов спорта, уменьшив влияние человеческих предубеждений и субъективности. Благодаря свежему взгляду на ситуацию и самокорректирующейся системе плохие судейские решения исчезнут как явление.