Розробка AI-системи для спортивної індустрії

Розробка AI-системи для спортивної індустрії

Спорт — один із перших секторів, які прийняли аналітику даних на найвищому рівні. Moneyball 2003 змінив бейсбол. Сьогодні AI-системи стандартні в НХЛ, NBA, АПЛ та застосовуються від прогнозу травм до тактичної аналітики.

Тактична аналітика матчів

Tracking Data Analysis:

Системи позиціонування відстежують кожного гравця та м'яч 25–50 разів на секунду (Hawk-Eye, Second Spectrum, StatsBomb):

import numpy as np
import pandas as pd
from scipy.spatial import Voronoi

class FootballTacticsAnalyzer:
    """Тактическая аналитика футбольных матчей по tracking data"""

    def calculate_pressure_map(self, frame_data, possessing_team):
        """
        Карта прессинга: где испытывает давление владеющая команда.
        frame_data: позиции всех игроков в один момент времени
        """
        attacking = frame_data[frame_data['team'] == possessing_team][['x', 'y']].values
        defending = frame_data[frame_data['team'] != possessing_team][['x', 'y']].values

        pressure = np.zeros_like(attacking[:, 0])
        for i, att_pos in enumerate(attacking):
            distances = np.linalg.norm(defending - att_pos, axis=1)
            # Давление по Fernandez & Born (2020)
            pressure[i] = sum(np.exp(-((d - 3.0) / 4.0)**2) for d in distances if d < 10)

        return pressure

    def detect_pressing_trigger(self, sequence, min_ppda=8):
        """
        PPDA (Passes Allowed Per Defensive Action) — метрика прессинга.
        Низкий PPDA = агрессивный прессинг.
        """
        defensive_actions = len(sequence[sequence['event_type'].isin(['tackle', 'interception'])])
        allowed_passes = len(sequence[sequence['event_type'] == 'pass'])
        ppda = allowed_passes / max(defensive_actions, 1)

        return {
            'ppda': ppda,
            'is_high_press': ppda < min_ppda,
            'def_actions': defensive_actions,
            'allowed_passes': allowed_passes
        }

    def xG_model(self, shot_data):
        """Expected Goals: вероятность гола из данной позиции"""
        # Признаки: расстояние, угол, часть тела, ситуация, предшествующий пас
        features = {
            'distance': shot_data['distance_to_goal'],
            'angle': shot_data['shot_angle_deg'],
            'is_header': int(shot_data['body_part'] == 'head'),
            'is_penalty': int(shot_data['situation'] == 'penalty'),
            'preceded_by_cross': int(shot_data.get('preceding_pass_type') == 'cross'),
            'speed': shot_data.get('player_speed', 0),
            'defenders_in_cone': shot_data.get('defenders_blocking', 0)
        }
        return self.xg_model.predict_proba([list(features.values())])[0][1]

Expected Threat (xT):

Цінність кожної позиції на полі з м'ячем - ймовірність гола в наступних N ходах. Побудова Markov Chain матриць переходу із tracking data → карта загрози поля.

Фізіологія та запобігання травмам

Injury Prediction:

Моніторинг фізичного навантаження спортсменів: - GPS-вставки у форму: відстань, швидкість, прискорення, HRV - Acute:Chronic Workload Ratio (ACWR): при ACWR >1.5 ризик травм зростає на 50% - ML-модель (LightGBM): ознаки навантаження останніх 28 днів → P(

Біомеханічний аналіз:

• Маркерна система (Vicon) → 3D-кінематика рухів - Asymmetry detection: різниця між правою та лівою ногою при приземленні → ризик розриву хрестоподібної зв'язки - ML-класифікатор техніки виконання: правильна vs. ризикована

Скаутинг та трансферна аналітика

Player Similarity Search:

"Знайти гравця, схожого на Модріча, вартістю до €20M":

from sklearn.preprocessing import StandardScaler
from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd

class PlayerScoutingSystem:
    def __init__(self, player_stats_df):
        self.stats = player_stats_df
        self.scaler = StandardScaler()
        feature_cols = ['pass_completion', 'progressive_passes', 'xA',
                       'pressures_success_rate', 'ball_recoveries', 'dribbles']
        X = self.stats[feature_cols].fillna(0)
        self.X_scaled = self.scaler.fit_transform(X)

    def find_similar_players(self, target_player, top_k=10, max_value_eur=20e6):
        """Поиск похожих игроков с ценовым ограничением"""
        target_idx = self.stats[self.stats['name'] == target_player].index[0]
        target_vec = self.X_scaled[target_idx].reshape(1, -1)

        similarities = cosine_similarity(target_vec, self.X_scaled)[0]
        self.stats['similarity'] = similarities

        candidates = (self.stats[
            (self.stats['name'] != target_player) &
            (self.stats['market_value_eur'] <= max_value_eur)
        ].sort_values('similarity', ascending=False).head(top_k))

        return candidates[['name', 'club', 'age', 'market_value_eur', 'similarity']]

Fan Engagement

Персоналізація контенту:

Recommendation system для медіа-платформ клубів: - Матчі, highlights, behind-the-scenes - рекомендації на основі переглядової історії - Push-сповіщення: персональний момент з матчу (гол улюбленого гравця)

Динамічне ціноутворення квитків:

Аналогічно авіаквиткам: ціна залежить від попиту часу, що залишився, матчу: - Очікувана відвідуваність по ML-прогнозу - Surge pricing при високому попиті, знижки при низькому

Термін розробки: 5-8 місяців для спортивної AI-платформи з тактичною аналітикою, injury prediction та скаутинговою системою.