PlayLy

Исследовательский проект футбольной аналитики на основе трекингов матчей.

Задача / ситуация

Есть общая проблема в восприятии футбола, причем как болельщиками, так и специалистами: как оценивать индивидуальный вклад отдельных футболистов в игру команды. Команда как единое целое – это 11 человек, выстроенных в определенную структуру. Мы понимаем, что команда выиграла, или проиграла или сыграла вничью. Но вот вопрос: можно ли вычленить отсюда индивидуальные вклады в игру? И если можно, то как?

Например, трансферная стоимость футболиста определяется исключительно на глазок, путем договоренностей или экспертных соглашений. Конкретных правил, алгоритма или формул на этот счет не существует. Процесс этот в мире идет, появляются новые аналитические инструменты. Но в целом задача правильно оценивать футбольное мастерство не решена. Мы поставили цель в этом продвинуться.

Решение

Чтобы выстроить аналитику на основе данных игрока, нужно их собрать с футбольных трансляций. Изображений с камеры, которая транслирует для YouTube, недостаточно – малый обзор поля, многое не попадает в кадр, меняется масштаб. Более точную картину дают тактические футбольные камеры (вид сверху), но этих записей нет в открытом доступе.

Что мы сделали?

Мы собираем данные об одном матче с нескольких разных трансляций: с обычной камеры (разные ракурсы, разное качество съемки), с тактической камеры, если удалось найти. С помощью алгоритмов компьютерного зрения OpenCV и библиотеки для модели нейросетей PyTorch мы переносим данные просмотренных матчей на поле – фактически переводим 3D в 2D и реконструируем, где именно находился игрок во время игры и где в это же время был мяч.

Одна модель распознает футбольное поле целиком или по точкам, другая распознает мяч (на трансляциях низкого качества его видно хуже), третья – самих игроков, мы интегрируем их вместе и воссоздаем пайплайн. Данные перемещений игроков уходят в матанализ.

Преимущества PlayLy

Передовые алгоритмы оценки, присваивающие каждому действию игрока какую-то значимость или ценность, слишком сильно привязаны к тому, что игрок делает с мячом. Не учитывается степень противодействия ему со стороны защищающихся игроков, и поддержка своими игроками, которые сейчас без мяча. Но их расположение на поле, их действия и движение на поле тоже значимо.

На самом деле футболист в среднем за время игры находится в контакте с мячом 2-3 минуты, а игра длится 1,5 часа. Получается, большую часть времени любой игры каждый футболист играет без мяча. Но при этом он именно играет! Он не просто находится на поле - он совершает действия, перемещения, коммуникацию с партнерами. Эти действия без мяча влияют на ход игры и ее результат, но их трудно оценить. Пока инструментов для этого по большому счету нет. Единичные ученые в мире анализируют модели off-ball. Поэтому главное направление, в котором мы движемся – это учет и оценка действий футболистов, которые не касаются мяча.

Результат полезен:

• Тренерам и самим футболистам, чтобы улучшать свою игру, посчитать, насколько успешна была команда в том или ином матче или даже в том или ином эпизоде, более эффективно действовать против своих соперников
• Скаутам для адекватной оценки стоимости футболиста в случае перехода
• Футбольным клубам для составления команд под задачи

playly.app

GrainMonitor

Система документооборота агрохолдинга и прогнозирования цен на сельхозкультуры на основе мониторинга данных.

Задача / ситуация

В масштабных сделках для единовременной закупки сельхозпродукции у разных поставщиков необходимо упростить документооборот и коммуникации с обеих сторон. Одновременно с этим волатильность цен на сельскохозяйственную продукцию в краткой и среднесрочной перспективе мешает формированию финансовой стратегии компании. В принятии решений на ходу логично опереться на аналитические сводки – отчеты о состоянии рынка, ценах на культуры и влияющие факторы

Решение

Организовали сбор информации из разных источников (новости, соцсети, биржевые индексы, снимки полей и портов со спутника) по типам данных, создание отчетности, математические модели предсказания срочного спроса в промежутке 1-3, 1-5, 1-7 дней.

Что мы сделали?

Модули:

• Модуль парсинга и извлечения фактов
• Математический модуль оценки спроса
• Модуль анализа спутниковой и визуальной информации

API и системы:

• Системы мониторинга состояния рынка
• Биржевые системы
• GIS-системы
• Метеорологические системы

Результат

Проект для работы агрокомпаний с поставщиками защищен NDE.