Des chercheurs de l'Université de Waterloo ont bénéficié d'une aide précieuse grâce aux outils d'intelligence artificielle (IA) pour capturer et analyser les données des matchs de hockey professionnel additionally rapidement et avec moreover de précision que jamais, ce qui a de grandes implications pour le secteur du sport.
Le domaine en pleine croissance de l’analyse du hockey repose actuellement sur l’analyse manuelle des séquences vidéo des matchs. Les équipes professionnelles de hockey de tous les sports, notamment la Ligue nationale de hockey (LNH), prennent des décisions importantes concernant la carrière des joueurs sur la base de ces informations.
« Le but de notre recherche est d'interpréter un match de hockey par vidéo de manière as well as efficace et efficiente qu'un humain », a déclaré le Dr David Clausi, professeur au Département d'ingénierie de conception de systèmes de Waterloo. « Une seule personne ne peut pas documenter tout ce qui se passe dans un jeu. »
Les joueurs de hockey se déplacent rapidement de manière non linéaire, patinant de manière dynamique sur la glace en courtes périodes. Mis à component les numéros et les noms de famille sur les maillots qui ne sont pas toujours visibles par la caméra, les uniformes ne sont pas un outil robuste pour identifier les joueurs – en particulier au rythme rapide pour lequel le hockey est connu. Cela rend le suivi et l’analyse manuels de chaque joueur pendant un jeu très difficiles et sujets aux erreurs humaines.
L'outil d'IA développé par Clausi, le Dr John Zelek, professeur au Département d'ingénierie de conception de systèmes de Waterloo, le professeur adjoint de recherche Yuhao Chen et une équipe d'étudiants diplômés utilisent des procedures d'apprentissage en profondeur pour automatiser et améliorer l'analyse du suivi des joueurs.
l'équipe de recherche a annoté manuellement les équipes, les joueurs et leurs mouvements sur la glace. Ils ont transmis ces données by means of un réseau neuronal d’apprentissage profond pour apprendre au système comment regarder un match, compiler des informations et produire des analyses et des prédictions précises.
Lorsqu'ils ont été testés, les algorithmes du système ont fourni des taux de précision élevés. Il a obtenu un rating de 94,5 pour cent pour le suivi appropriate des joueurs, de 97 pour cent pour l'identification des équipes et de 83 pour cent pour l'identification des joueurs individuels.
L'équipe de recherche travaille à perfectionner son prototype, mais Stathletes utilise déjà le système pour annoter des séquences vidéo de matchs de hockey. Le potentiel de commercialisation va au-delà du hockey. En recyclant les composants du système, il peut être appliqué à d'autres sports d'équipe comme le football ou le hockey sur gazon.
« Notre système peut générer des données à des fins multiples », a déclaré Zelek. « Les entraîneurs peuvent l'utiliser pour élaborer des stratégies de jeu gagnantes, les recruteurs d'équipe peuvent rechercher des joueurs et les statisticiens peuvent identifier des moyens de donner aux équipes un avantage supplémentaire sur la patinoire ou sur le terrain. Cela a vraiment le potentiel de transformer le secteur du activity. »
