deep learning machine learning sport

Come i sistemi di Machine Learning intervengono nelle previsioni di performance e risultati

Per “Deep Learning” (branca del “Machine Learning”, apprendimento automatico) si intende un insieme di tecniche basate su reti neurali artificiali organizzate in diversi strati, dove ogni strato calcola i valori per quello successivo affinché l’informazione venga elaborata in maniera sempre più completa. Le reti neurali imparano quindi a svolgere dei compiti sulla base della grossa quantità di dati a cui vengono esposte.

Il Deep Learning può essere applicato ad una varietà molto ampia di campi. Alcuni esempi:

  • Diagnostica medica;
  • Customer experience;
  • Robotica;
  • Controllo qualità.

Negli ultimi tempi, ricercatori e startup hanno cominciato ad applicare questa tecnologia anche al mondo dello sport. Sono stati messi a punto dei sistemi in grado di analizzare e soprattutto comparare vaste quantità di dati sui giocatori e sulle squadre, come ad esempio capacità tattiche, performance, ranking.

Lo scopo è quello di creare dei modelli predittivi che possano fornire informazioni circa l’andamento dei giocatori nel futuro e creare degli schemi che possano portare ad un incremento delle performance sportive.

Possiamo trovare degli esempi pratici anche in Italia.

La startup Wallabies utilizza il Deep Learning applicato al settore dello scouting calcistico.  La piattaforma digitale, analizzando 25 campionati su due continenti e performance con uno storico di 10 anni per 24 ore al giorno, è capace di prevedere con grande probabilità di successo quale sarà lo sviluppo di un calciatore.

Tutto ciò porta, inoltre, a dei grossi risparmi: come spiegato da uno dei fondatori della startup, il lavoro svolto da Wallabies corrisponde a quello di 400 osservatori in giro per il mondo, dove giocano circa 50mila calciatori.

SEGUICI SUI SOCIAL: