Машинное обучение раскрывает секреты движения человеческого тела
...и меняет профессиональный спорт
Звуки хип-хопа заполняют лабораторию Peak Performance Project (P3) в Санта-Барбаре (штат Калифорния), группа спортсменов начинает тренировку. Не прикасаясь в этот раз к баскетбольному мячу, они совершают на треке поперечные прыжки, взмывают и парят над ящиком метровой высоты и швыряют в стену утяжеленные мячи. Каждый атлет, однако, вырабатывает не только пот, но и ценные данные: камера, подключенная к облаку, фиксирует, как он прыгает, поднимает вес и спринтует.
Все двенадцать атлетов, сейчас учащиеся колледжа, надеются на долгую успешную карьеру в NBA. Далекие от технологии P3, многие спортивные аналитики преисполнены уверенности, что уже точно знают, кто из этих претендентов на звездность станет легендой NBA, кто ценным игроком стартового состава, а кто выстрелит со скамейки запасных.
Но исходя из нескольких тысяч показателей биомеханических данных, собранных с помощью лабораторных камер, многие такие прогнозы – что неудачные броски в корзину. Некоторые атлеты уйдут из большого спорта после нескольких ничем не примечательных сезонов, некоторые получат травмы, которые уничтожат их мечты о кольце, тогда как менее оцененные кандидаты ошеломят экспертов и достигнут славы NBA – свидетельствуют полученные данные.
Ничто из этого не является новостью для человека, сосредоточенно наблюдающего за тренировкой внутри шумной лаборатории. Доктор Маркус Эллиотт, терапевт с дипломом Гарварда и основатель Р3, уже ознакомился с данными и, как он считает, увидел будущее.
«Мы знаем возможности этих атлетов и можем сказать, как они будут выступать на площадке еще до того, как они ступят на нее», – говорит Эллиотт.
«Все эти ребята, участвующие в драфте NBA, включая Зиона Уильямсона и Ар Джея Барретта из университета Duke – все приходили к нам начиная с 16 или 17 лет. Наши данные позволяют создать индивидуальные модели рисков травматизации и подобрать для каждого из них схемы достижения наилучших результатов для успешной карьеры в NBA, – говорит Эллиот. – Никто не обладает биомеханической информацией об этих спортсменах. А мы накапливали ее долгие годы. Это бесценно».
Проект Р3 был запущен в 2006 году и представляет собой первую попытку понять движения элитных игроков при помощи больших данных. «Этот подход использует передовые стратегии спортивной науки для оценки и тренировки атлетов, что должно совершить революцию не только в профессиональном спорте, но также в развитии любительского», – говорит Эллиотт.
«Мы ставим перед ними трудные задачи, и мы измеряем их физические показатели. Нам неважно, как высоко они прыгают или насколько быстро ускоряются, – поясняет он. – Нас интересует механика движения в прыжке, в ускорении и замедлении. Все это поможет нам раскрыть тайны движения человеческого тела».
Работая напрямую с игроками и членами семей или через агентов, Р3 уже произвела оценку шести прошлых классов драфта NBA и накопила базу данных на более чем 600 бывших и действующих игроков NBA.
Среди клиентов Р3 звезды NBA Лука Дончич и Зак Лавин, а также атлеты из NFL, Главной лиги бейсбола, футбола и представителей легкой атлетики.
Многие из клиентов NBA, например, Джош Ричардсон, легкий форвард из клуба Philadelphia 76ers, каждое лето приходят в Р3 на тестирование. Оно позволяет определить развитие асимметрии движений, что впоследствии может привести к травме. Также тестирование дает возможность игрокам перепроверить здоровое состояние своих физических систем, используемых для прыжка, приземления, старта и остановки, которые и составляют их преимущества на площадке.
«Это мой пятый межсезонный визит в Р3, – говорит Ричардсон. – Когда я только начал работать с ними в подготовке к драфту NBA, я сразу заметил отличия их подхода и понял, что это шанс повысить мои атлетические данные. Каждый раз вне сезона я вижу, какова моя физическая форма по сравнению с моими прошлыми результатами и где я нахожусь по отношению к другим игрокам NBA».
«Они помогают мне понять, где может быть риск травмы и где я могу повысить свои физические результаты. Для меня очень важно знать, что мои тренировки соответствуют моим индивидуальным потребностям», – продолжает он.
Для сбора всех этих подробных данных Р3 оборудовала свою лабораторию высокоскоростной видеосистемой, созданной немецкой компанией Simi Reality Motion Systems GmbH, которая входит в ZF Group и является партнером Microsoft.
Simi предлагает программное обеспечение, которое само улавливает движения и, таким образом, освобождает атлетов от необходимости во время игр или тренировок носить на себе отслеживающие сенсоры. Компания сотрудничает с семью клубами Главной лиги бейсбола и установила системы высокоскоростных камер на их стадионах, что дало возможность записать каждую подачу в каждой из игр сезона 2017 года.
Программное обеспечение Simi оцифровывает углы, образованные руками подающих игроков и связанные с ними движения тела, охватывая 42 объединенных центра и 24 000 подач, совершаемых каждой командой за сезон. «Это дает сотни миллиардов единиц информации, которые выгружаются в облако Microsoft Azure и обрабатываются, позволяя командам специалистов проводить глубинный биомеханический анализ для игроков», – говорит Паскаль Русс, генеральный директор Simi.
«Первые команды, эффективно развернувшие систему на поле для определения состава игроков или просчета угла разгромного броска, вскоре увидят огромную пропасть между собой и командами, не использующими эти технологии, – говорит Русс. – Эта система ошеломляюще точная».
В то время как Русс предвещает кардинальные преобразования в бейсболе с внедрением этой технологии, подобные сейсмические сдвиги уже происходят в NBA, в частности, «в результате оценки возможностей игроков с помощью Р3», как считает Бенедикт Джошам, исполнительный директор Simi’s U.S.
«Мы предоставляем программное решение, которое может количественно проанализировать движение тела и просчитать, например, величину давления и крутящего момента в разных частях тела, – говорит Джошам. – Р3 добавляет магический соус. Они волшебники в том, что касается осмысления результатов вычислений и разъяснения выводов для спортсменов».
После записи движений игрока лабораторными камерами, датасеты загружаются в облако Azure, где алгоритмы машинного обучения определяют, как физическая форма данного атлета соотносится с формой других игроков NBA, которые тоже оцениваются подобным образом. Затем алгоритм причисляет к тому или иному кластеру или ветви, которые предсказывают вероятное развитие их баскетбольной карьеры.
Одна ветвь, к примеру, содержит игроков с непродолжительной карьерой в NBA, которые не стали заметными баскетболистами. Другая охватывает игроков, хорошо проявивших себя в первых трех-четырех сезонах, но после полученной травмы утративших свои выдающиеся способности. В третьем потоке спортсмены обладают редкой комбинацией высоты, мощи и силы, что позволило им добиться карьеры элитных спортсменов – и они остались здоровыми.
«Человеческий глаз неплох в оценке размера и, может быть, веса, но совсем не в состоянии сравнивать между собой физическую форму разных атлетов и, тем более, симметрию движения, – говорит Эллиот. – Мы можем измерить эти параметры в лаборатории, и машина скажет нам, что из себя представляет тот или иной юный атлет. – Это настоящий плацдарм для перспективных исследований в спортивной науке, который до настоящего момента оставался вне нашего поля зрения».
Эти данные также помогают разрушить устоявшиеся теории, что успешные игроки NBA, которые, с первого взгляда, обладали не настолько высоким ростом, прыгучестью или быстротой реакции, как традиционные звезды, вынуждены компенсировать свои недостатки какими-то особыми неосязаемыми качествами, неподдающимися измерению, такими как «интуиция», «IQ» или «душа».
«Однажды Джеймсу Хардену, самому выдающемуся игроку NBA в сезоне 2017-2018 гг., дали такую оценку: сверхвысокий баскетбольный коэффициент IQ, – поясняет Эллиотт. – Может быть, так оно и есть. Но наряду с этим он обладает самой лучшей системой остановки и торможения среди всех игроков NBA, кого мы когда-либо тестировали».
«Вот это и создает конкурентное преимущество, – добавляет он. – За этим превосходством стоят физические законы Ньютона».
В доказательство можно привести пример новичка Dallas Mavericks Луки Дончича. Год назад в процессе оценки перед драфтом система Р3 обнаружила у него точно такие же как у Хардена скрытые показатели эффективности – уникальная способность мгновенно останавливаться. Система Р3 знала, что до этого драфта NBA Дончич и Харден были в одной и той же ветви игроков. Дончич разместил пост о потрясающем первом профессиональном сезоне.
«Кроме того, эти инсайты помогают атлетам избежать травм. Они позволяют применять новые тренировочные техники для корректировки опасных для здоровья движений, которые выявляются в результате анализа данных», – объясняет Эллиотт, ранее занимавший должность первого директора по спортивной науке в Главной лиге бейсбола (для Seattle Mariners) и первого директора по спортивной науке в Национальной футбольной лиге (для New England Patriots).
Каждый игрок NBA или кандидат из драфта, пройдя оценку Р3, получает отчет, в котором особо подчеркиваются индивидуальные риски травматизации, а также приводятся результаты сравнения игроков друг с другом на основании снятых показателей эффективности.
«Атлеты приходят к нам, потому что верят, что мы сможем лучше других позаботиться об их телах, – говорит Эллиотт. – На протяжении долгих лет, да и сейчас тоже, когда случается травма, все вокруг говорят: «Ах, несчастный случай». А я вам говорю, что модели машинного обучения предсказывают все эти возможные «несчастные случаи». Я не представляю себе ситуаций, где ни с того ни с сего у вас случается стрессовый перелом правой большой берцовой кости, ни левой, ни бедренной, а именно берцовой, просто из ниоткуда, – добавляет он. – Без сомнения, это не случайные события. Просто спортивная наука пока не очень хорошо продвинулась в распознавании причин таких событий».
«И, наконец, такая информация может стать доступной и для любительского спорта, – заявляет Эллиотт. – Те же самые технологии могут предсказать, например, что у непрофессионала, играющего только по выходным, во время прыжков и приземления слишком много физического усилия приходится на левую ногу, а также у него присутствует небольшое, но опасное скручивание в левом колене и бедре, вызывающее слишком большое трение, что в конечном счете приведет к эрозии хряща коленного сустава.
Большая разница между обнаружением этих ошибок, когда вам 20 или 30 и когда вам 50, и у вас уже почти нет хряща. В этом будущее спортивной науки».
«Сила машинного обучения и искусственного интеллекта Microsoft помогают найти такие ключи к загадкам движения, которых раньше не существовало. И мы уже делаем это, хотя мы только в начале большого пути, который приведет к поистине революционным преобразованиям в спорте, – говорит он. – Он уже приводит, однозначно».
Заглавное фото: Стэнли Джонсон, форвард New Orleans Pelicans НБА, совершает боковые движения с эластичным бинтом в лаборатории Р3. (Все фото предоставлены Р3).