Erfahren Sie mehr über das Anwendungsbeispiel:
esentri AG
Expertensysteme, Forecasting / Prediction, KI-gestützte Diagnostik
20.04.2021
Analyse von Positionsdaten für die Erstellung von Spielerprofilen im Profifußball
Was gab den Ausschlag für die Entwicklung eines KI-basierten Anwendungsfalls?
Die steigende Verfügbarkeit von hochauflösenden Daten beflügelt eine erkennbare Dynamik im Bereich Datenanalyse im Sport. Die Auswahl an möglichen Anwendungsgebieten reicht bei Fußballvereinen wie unserem Projektpartner Bundesligist Borussia Mönchengladbach vom Scouting potenzieller Transfers, der Talententwicklung im Jugendbereich, der Belastungssteuerung im Training, der Spieler- und Leistungsanalyse bis hin zur Bewertung und Analyse des nächsten Gegners. Mithilfe von KI-Algorithmen und -Methoden sollte dieses Potenzial der Daten in gewinnbringende Anwendungen umgesetzt und dadurch ein spürbarer Vorsprung erreicht werden. Aufgrund sich immer weiter entwickelnder Technologien im Bereich Spielertracking und Datenverarbeitung in den Stadien der Sportwelt war es an der Zeit, in einer Kooperation mithilfe von KI erste Anwendungsfälle forschend und agil umzusetzen.
Welche Erwartungen bzw. Anforderungen hatten Sie an die KI-Anwendung?
In einem forschenden Ansatz sollten Potenziale und mögliche Anwendungsfelder erkannt und die nötigen Kompetenzen und Erfahrungen im Bereich Sports Analytics erworben werden. Auf Basis der in den Positionsdaten enthaltenen Bewegungsmuster sollten individuelle Spielerprofile erstellt werden. Aufgrund der hohen Auflösung, der großen Vielfalt in den Verläufen der Bewegungen und der großen Menge an Sprints und Bewegungen sollten mithilfe von KI-Methoden die Bewegungen klassifiziert und analysiert werden.
Auf welchen Partner waren Sie mit welcher Technologie bei der Entwicklung angewiesen?
Im gesamten Verlauf des Projekts war Bundesligist Borussia Mönchengladbach der wichtigste Ansprechpartner für sportwissenschaftliche Fragestellung und für den Abgleich mit den Zielsetzungen. Die Erfassung der Positionsdaten wurde seitens der DFL und dem Trackingsystem TRACAB sichergestellt. Die Datenverarbeitung haben wir mit Jupyter-Notebooks in der Programmiersprache Python durchgeführt. Mit Hilfe der Python Bibliotheken pandas und scikit-learn wurden KI-Modelle zur Clusterbildung der verschiedenen Bewegungen erstellt. Mit dem Einsatz von KI-Lösungen muss auch ein Wandel der Kompetenzen einhergehen.
Wie sind Sie mit dieser Herausforderung in Bezug auf ihre Mitarbeitenden umgegangen?
Das Data-Science-Team von esentri erstellt seit 2018 KI-Lösungen für verschiedene Kunden und vereint über die Mitarbeitenden insgesamt bereits über 40 Jahre Erfahrung im Bereich dieser relativ jungen und modernen Technologien. Die Zusammenarbeit mit Projektpartner Borussia Mönchengladbach fand statt im Austausch mit Mitarbeitenden im Bereich der Datenanalyse, welche selbst die Thematik vorantreiben wollen und sehr interessiert an KI sind. Das Projekt zeichnete sich durch ein agiles Vorgehen aus, bei dem der aktuelle Status ständig hinterfragt und analysiert wurde und dadurch ein fortlaufender Lernprozess gewährleistet war.
In welchem Zeitraum haben Sie die KI-Lösung im Unternehmen implementiert?
Der Proof of Concept zur Identifizierung von Spielerprofilen wurde mit unserem Partner Borussia Mönchengladbach von September 2020 bis Februar 2021 umgesetzt.
Ein Fazit zu Ihrer KI-Lösung:
In unserem Projekt mit Borussia Mönchengladbach konnten wir das enorme Potenzial aufzeigen, welches bei der Kombination von Sportdaten und KI genutzt kann. Im Laufe des Projekts und in der Bewältigung einzelner Herausforderungen entsteht viel Wissen und Erfahrungen, wodurch sich neue Zielsetzungen und mögliche Anwendungsfälle ergeben können, die vorher noch nicht auf dem Radar waren.
Einen abschließenden Rat/Tipp an andere Unternehmer, die KI anwenden wollen:
Durch die Anwendung von Künstlicher Intelligenz können große Effektivitäts- und Effizienzsteigerungen erreicht werden. Jedoch kommen im Laufe des Projektes häufig neue Probleme und Fragestellungen auf und der Aufwand und das genaue Ergebnis sind zu Beginn schwer abzuschätzen. Damit diese Anforderungen nicht zum Stolperstein im Projekt werden, ist es empfehlenswert in einem agilen Ansatz erste Anwendungsfälle umzusetzen.