AI指的是人工智慧，其發展由來已久，從距今大約4年前開始，AI的發展進入一個新的領域，簡單說就是具備了學習能力，你只需要給他一個起點和設定一個終點，不用教他怎麼走，他會自己找出走到終點的方法，所以我們現在講的AI是指這種learn by itself的AI，並非數十年前的AI，這兩者間有明顯的區別，概念如下面這支2分鐘的影片。
到了2017年，可以說是AI learn by itself元年，在這年AI獲得重大突破，運用到許多實務上都獲得成功，比如說西洋棋和圍棋都打敗了最頂尖的人類棋手，我們這篇主要是淺談急速發展中的AI，運用到運動科學上面會產生怎樣的影響。
文章開頭先聲明，AI將會如何運用在運動科學上，筆者也還在摸索和學習的階段，我們這邊談的僅是概念和趨勢，事實上現在世界上有沒有人已經能夠完美地將AI與運動科學相結合可能都是未知，筆者這篇文章主要想要向一些有志於運動研究的同好傳達，AI大舉入侵運動科學看似已經是必然的發展，我們可以試著努力跟上腳步。
[embedded content]
大數據時代的啟發
相信大家應該都聽過Big Data這個名詞，在大約2015年時曾經是很潮的一個詞，各大企業一窩蜂投入了大數據的研究與應用，所謂大數據指的是無法在一定時間內用常規軟體工具對其內容進行抓取、管理、處理的數據集合，而大數據技術則是指在這樣的大數據中，快速獲得價值信息的能力。
有許多並沒有真正投入大數據研究的人，容易產生一個誤區：大數據的精神其實並不在已知有關聯性的數據集合，而是在尋找未知關聯性的數據集合。
以棒球場上來舉例，我們推測投手在某個年齡之前累積的投球總數超過某個臨界點時有可能會對其產生運動傷害，所以我們尋找變數分別為「投球數」和「年齡」的數據集合，來驗證其和運動傷害的關聯性，對不起，這並非大數據的精神，能找出諸如「膚色」、「髮量多寡」、「身高體重」和投手運動傷害的關聯性，才是大數據的精神。
以上的例子有可能跑出來的結果是無關，這也是大數據能闡述的結果推論，好，我這樣的舉例或許不好，為了找出有意義的數據集合，比起「膚色」、「髮量多寡」、「身高體重」這些，運動科學的研究者更偏好去尋找諸如「球速」、「轉速」、「上場頻率」再搭配「投球數」、「年齡」尋找和投手受傷頻率之間的關聯，可能會因此得到一個迴歸關係，來取代原本只有「投球數」和「年齡」的線性關係。
當然，你也可以把上述的每一項變數都涵蓋進去，可以尋找各自和投手受傷的關係，也可以做出統整性的關係，你甚至可以再多找出10項你懷疑有可能有關但不確定的數據，一一去驗證其個別關係、和統整性的關係。
要深化大數據的研究，一來要能夠取得數據，二來要能夠計算數據。
4k影像問世，運動科學另一突破
喜歡逛3C的朋友應該都知道4k UHD，簡單說是一種影像技術的突破，比Full HD的解析度更精細，達4096 x 2160畫素。
在4k影像出來前，過往人們也許會懷疑、比如說球的轉速，會和投手受傷的頻率有關聯，但現實面上無法取得精確的轉速測試，當影像的技術能跟上之後，運動科學可以做更多動態數據的追蹤，有了數據，才能尋找其關聯性。
不只是棒球，其他更偏向動態運動的比賽，像籃球，透過其動態數據的追蹤，衍生的效益評估更是過往單純總量統計（得幾分、幾個籃板之類）所無法比擬的，球隊可以用更充分的依據打造合理的戰術或評估球員真實價值，4k影像問世不僅讓數據研究得到突破，也讓球場上的思維開始改變。
AI從原始的動態數據尋找通往答案的路徑
我們這篇主要是討論AI對運動科學的影響，其他和AI有關的產業先不論，這邊大概提一下的是目前在實務應用上，AI被運用最多的地方應該是在客服系統，也就是讓AI代替過往的客服人員來回答顧客提問，透過詞組間的關聯性配對最適合的答案，也就是我們一般認知的AI Chatbot，FB、淘寶還有許多更小型的企業都在用這種系統，還不知道那是什麼嗎？請拿起你的I phone喊聲Hi Siri。
from MLB ＠ 運動視界 Sports Vision http://ift.tt/2BmIsd4
沒有留言:
張貼留言