H Α.Ι στο Μπάσκετ

[τουλουμπα]

Φίλε αυτό που λες δεν έχει σημασία. Σημασία έχει πως ότι κανόνες και αν δέχεται θα σφυρίζει ΑΚΡΙΒΩΣ ΤΟ ΙΔΙΟ για εσένα, για εμένα, για την Αλμπα και το Κολοκοτρονίτσι BC. Το πρόβλημα δεν είναι στους κανόνες. Είναι στα διαφορετικά σταθμά.

οσο λιγοτερο επεμβαινουν και αποφασιζουν οι ανθρωποι τοσο πιο πολυ δικαιοσυνη θα υπαρχει σε θεματα διαιτησιας

τι σχεση εχει το ποδοσφιαρο οπως ηταν πριν το βαρ με το τωρα
προφανως και ειναι πιο δικαιο τωρα

[Airman]

Ενδιαφέρον συζήτηση αύριο που δεν θα νυστάζω λέω να ανοίξω ένα ξεχωριστό τόπικ να μεταφέρω την συζήτηση, ούτως ή άλλως είναι off-topic.
Δεν ξέρω, είναι λίγο περίπλοκοι οι κανονισμοί, θα μπορεί να κρίνει σε ποιες επαφές να δώσει και ποιες όχι; Στα βασικα όπως ποιος έβγαλε την μπάλα, αν είναι βήματα, αουτ, πατούσε στην γραμμή ναι, στο άλλα νομίζω είμαστε μακριά,.ίσως και να κάνω και λάθος.

Δεν είσαι καθόλου λάθος σε αυτό που σκέφτεσαι. Για να πάρει μια απόφαση ένας αλγόριθμος χρειάζεται input. Σε ένα τόσο δυναμικό άθλημα όπως το μπάσκετ, για να μπορεί πχ ν αποφασίσει αν κάτι είναι φάουλ θα πρέπει να έχει κάποια είσοδο. Το να μπορεί να πάρει τέτοια απόφαση μόνο μέσω εικόνας είναι σχεδόν αδύνατο (μπορεί σε αρκετά χρόνια να αλλάξει αυτό). Θα πρέπει λοιπόν να είναι ντυμένοι οι αθλητές με sensors ώστε να μπορεί να υπάρχει input επαφής. Όπως καταλαβαίνεις μιλάμε για εντελώς διαφορετική συνθήκη.

έχεις δει ξιφασκία ποτέ ;; Είναι ό,τι περιγράφεις. Sensors; Γιατί όχι ;

[Airman]

Φίλε αυτό που λες δεν έχει σημασία. Σημασία έχει πως ότι κανόνες και αν δέχεται θα σφυρίζει ΑΚΡΙΒΩΣ ΤΟ ΙΔΙΟ για εσένα, για εμένα, για την Αλμπα και το Κολοκοτρονίτσι BC. Το πρόβλημα δεν είναι στους κανόνες. Είναι στα διαφορετικά σταθμά.

οσο λιγοτερο επεμβαινουν και αποφασιζουν οι ανθρωποι τοσο πιο πολυ δικαιοσυνη θα υπαρχει σε θεματα διαιτησιας

τι σχεση εχει το ποδοσφιαρο οπως ηταν πριν το βαρ με το τωρα
προφανως και ειναι πιο δικαιο τωρα

Ακριβώς φίλε μου. Και στο ποδόσφαιρο τα πράγματα είναι πιο απλά. Δηλαδή για να σε αδικήσει χοντρά κάποιος πρέπει να δώσει πέναλτι, οφσάιντ κτλ, δηλαδή να υποπέσει σε φάση χοντρομπούκι. Στο μπάσκετ δεν είναι έτσι. ΄Οταν τα ματς λήγουν με διαφορές 1 πόντου ή 4 πόντων όπως σήμερα, αρκούν 2 σφυρίγματα στραβά για να αλλάξει το αποτέλεσμα. Χοντρό.

[Conan1982]

@Airman είχα στείλει το ποστ μου πριν δω το δικό σου, Αυτό που αναφέρεις είναι το ένα, όμως δεν συμφωνώ απόλυτα, αν δεν μπορεί να κρίνει σωστά μια φάση δεν θα μπορεί να "σφυρίζει" δίκαια στο υποθετικό μας σενάριο. Πρώτο είναι το θέμα να σφυρίζει σωστά και στην συνέχεια δίκαια, διαφορετικά δεν έχει και νόημα. Δηλαδή αν είναι να σφυρίζει και σε μένα και σε σένα βήματα χωρίς κανένας μας να τα έχει κάνει είναι προβληματικό.
Δεν λέω πως δεν μπορεί να γίνει ή πόσο μακριά είμαστε απ' αυτό, απλώς επί του παρόντος το θεωρώ δύσκολο,

Δεν είσαι καθόλου λάθος σε αυτό που σκέφτεσαι. Για να πάρει μια απόφαση ένας αλγόριθμος χρειάζεται input. Σε ένα τόσο δυναμικό άθλημα όπως το μπάσκετ, για να μπορεί πχ ν αποφασίσει αν κάτι είναι φάουλ θα πρέπει να έχει κάποια είσοδο. Το να μπορεί να πάρει τέτοια απόφαση μόνο μέσω εικόνας είναι σχεδόν αδύνατο (μπορεί σε αρκετά χρόνια να αλλάξει αυτό). Θα πρέπει λοιπόν να είναι ντυμένοι οι αθλητές με sensors ώστε να μπορεί να υπάρχει input επαφής. Όπως καταλαβαίνεις μιλάμε για εντελώς διαφορετική συνθήκη.

έχεις δει ξιφασκία ποτέ ;; Είναι ό,τι περιγράφεις.

Εντάξει εκεί δεν είναι και ακριβώς το ίδιο, φοράνε τις στολές έχουν συγκεκριμένα σημεία επαφής, ηλεκτρόδια. Αν είναι να γίνει κάτι λογικά θα πρέπει να μπορεί να γίνει με εικόνες και δεν ξέρω τι αισθητήρες από απόαταση.

[nikolas_asteri]

Δεν είσαι καθόλου λάθος σε αυτό που σκέφτεσαι. Για να πάρει μια απόφαση ένας αλγόριθμος χρειάζεται input. Σε ένα τόσο δυναμικό άθλημα όπως το μπάσκετ, για να μπορεί πχ ν αποφασίσει αν κάτι είναι φάουλ θα πρέπει να έχει κάποια είσοδο. Το να μπορεί να πάρει τέτοια απόφαση μόνο μέσω εικόνας είναι σχεδόν αδύνατο (μπορεί σε αρκετά χρόνια να αλλάξει αυτό). Θα πρέπει λοιπόν να είναι ντυμένοι οι αθλητές με sensors ώστε να μπορεί να υπάρχει input επαφής. Όπως καταλαβαίνεις μιλάμε για εντελώς διαφορετική συνθήκη.

έχεις δει ξιφασκία ποτέ ;; Είναι ό,τι περιγράφεις.

Έχεις δει τι φοράνε οι ξιφομαχοι; (ή πόσοι είναι σε κάθε αγώνα; Ή σε πόσες «διαστάσεις» παίζεται το άθλημα;)

Μπορώ να γράψω τις σκέψεις μου σε άλλο τοπικ ώστε να μην γράφω 2-2 γραμμές. Πάντως (συγγνώμη για τα αγγλικά) το state of the art τώρα για inference σε image classification (αν θέλουμε να είναι σχετικά γρήγορο) σε δύσκολα datasets είναι 80-85%. Δεν είναι δεδομένο ότι όλα θα είναι ισόνομα και τέλεια. Επιμένω ότι έχουμε πάρα πολύ δρόμο ώστε να έχουμε ΑΙ διαιτητή σε live περίπλοκα αθλήματα.

[Airman]

@Airman είχα στείλει το ποστ μου πριν δω το δικό σου, Αυτό που αναφέρεις είναι το ένα, όμως δεν συμφωνώ απόλυτα, αν δεν μπορεί να κρίνει σωστά μια φάση δεν θα μπορεί να "σφυρίζει" δίκαια στο υποθετικό μας σενάριο. Πρώτο είναι το θέμα να σφυρίζει σωστά και στην συνέχεια δίκαια, διαφορετικά δεν έχει και νόημα. Δηλαδή αν είναι να σφυρίζει και σε μένα και σε σένα βήματα χωρίς κανένας μας να τα έχει κάνει είναι προβληματικό.
Δεν λέω πως δεν μπορεί να γίνει ή πόσο μακριά είμαστε απ' αυτό, απλώς επί του παρόντος το θεωρώ δύσκολο,

έχεις δει ξιφασκία ποτέ ;; Είναι ό,τι περιγράφεις.

Εντάξει εκεί δεν είναι και ακριβώς το ίδιο, φοράνε τις στολές έχουν συγκεκριμένα σημεία επαφής, ηλεκτρόδια. Αν είναι να γίνει κάτι λογικά θα πρέπει να μπορεί να γίνει με εικόνες και δεν ξέρω τι αισθητήρες από απόαταση.

Aγαπητε, είναι προβληματικό ναι.
Αλλά είναι αυτό πιο προβληματικό ή το να σφυρίζει σε εσένα βήματα και σε εμένα όχι, όταν έχουμε κάνει ακριβώς το ίδιο πράγμα ;

[Conan1982]

@Airman είχα στείλει το ποστ μου πριν δω το δικό σου, Αυτό που αναφέρεις είναι το ένα, όμως δεν συμφωνώ απόλυτα, αν δεν μπορεί να κρίνει σωστά μια φάση δεν θα μπορεί να "σφυρίζει" δίκαια στο υποθετικό μας σενάριο. Πρώτο είναι το θέμα να σφυρίζει σωστά και στην συνέχεια δίκαια, διαφορετικά δεν έχει και νόημα. Δηλαδή αν είναι να σφυρίζει και σε μένα και σε σένα βήματα χωρίς κανένας μας να τα έχει κάνει είναι προβληματικό.
Δεν λέω πως δεν μπορεί να γίνει ή πόσο μακριά είμαστε απ' αυτό, απλώς επί του παρόντος το θεωρώ δύσκολο,




Εντάξει εκεί δεν είναι και ακριβώς το ίδιο, φοράνε τις στολές έχουν συγκεκριμένα σημεία επαφής, ηλεκτρόδια. Αν είναι να γίνει κάτι λογικά θα πρέπει να μπορεί να γίνει με εικόνες και δεν ξέρω τι αισθητήρες από απόαταση.

Aγαπητε, είναι προβληματικό ναι.
Αλλά είναι αυτό πιο προβληματικό ή το να σφυρίζει σε εσένα βήματα και σε εμένα όχι, όταν έχουμε κάνει ακριβώς το ίδιο πράγμα ;

Μου βάζεις..δύσκολα.
Θα πω και τα δύο εξίσου.
Το σίγουρο είναι ότι αν δεν δουλεύει σωστά δεν πρόκειται να το δούμε. Ίσως το πιο κοντινό σενάριο που σκέφτομαι είναι ένα αυτόματο σύστημα ειδοποιήσεων για άουτ, παραβάσεις 3,5,8 δευτερολέπτων με τις άλλες αποφάσεις να τις παίρνουν οι διαιτητές.

[Airman]

Aγαπητε, είναι προβληματικό ναι.
Αλλά είναι αυτό πιο προβληματικό ή το να σφυρίζει σε εσένα βήματα και σε εμένα όχι, όταν έχουμε κάνει ακριβώς το ίδιο πράγμα ;

Μου βάζεις..δύσκολα.
Θα πω και τα δύο εξίσου.
Το σίγουρο είναι ότι αν δεν δουλεύει σωστά δεν πρόκειται να το δούμε. Ίσως το πιο κοντινό σενάριο που σκέφτομαι είναι ένα αυτόματο σύστημα ειδοποιήσεων για άουτ, παραβάσεις 3,5,8 δευτερολέπτων με τις άλλες αποφάσεις να τις παίρνουν οι διαιτητές.

Μαζί σου, αν και νομίζω ότι στις άλλες αποφάσεις κρύβεται το ζουμί. 3 δευτερόλεπτα τείνει πρακτικά να καταργηθεί.. Η ανισορροπία δομείται κυρίως από τα διαφορετικά κριτήρια στις επαφές (στις πραγματικές και στις υποθετικές...). Eκεί άλλωστε μπορεί να καμουφλάρεται και η όποια διαφορετικότητα στα σφυρίγματα. Τα 8 δευτερόλεπτα είναι κάτι στάνταρ σχετικά, πόσες φορές να στο σφυρίξουν ; Στα φάουλ κρύβονται οι ανορθογραφίες.

[Conan1982]

Μου βάζεις..δύσκολα.
Θα πω και τα δύο εξίσου.
Το σίγουρο είναι ότι αν δεν δουλεύει σωστά δεν πρόκειται να το δούμε. Ίσως το πιο κοντινό σενάριο που σκέφτομαι είναι ένα αυτόματο σύστημα ειδοποιήσεων για άουτ, παραβάσεις 3,5,8 δευτερολέπτων με τις άλλες αποφάσεις να τις παίρνουν οι διαιτητές.

Μαζί σου, αν και νομίζω ότι στις άλλες αποφάσεις κρύβεται το ζουμί. 3 δευτερόλεπτα τείνει πρακτικά να καταργηθεί.. Η ανισορροπία δομείται κυρίως από τα διαφορετικά κριτήρια στις επαφές (στις πραγματικές και στις υποθετικές...)

Συμφωνούμε, πόσο κοντά το τοποθετείς;

[Airman]

Μαζί σου, αν και νομίζω ότι στις άλλες αποφάσεις κρύβεται το ζουμί. 3 δευτερόλεπτα τείνει πρακτικά να καταργηθεί.. Η ανισορροπία δομείται κυρίως από τα διαφορετικά κριτήρια στις επαφές (στις πραγματικές και στις υποθετικές...)

Συμφωνούμε, πόσο κοντά το τοποθετείς;

Αν εννοείς πόσο κοντά χρονικά τοποθετώ το εγχείρημα, δε μπορώ να στο απαντήσω κυρίως διότι δεν ξέρω αν υπάρχει η βούληση για κάτι τέτοιο. Ξέρεις, για πολλούς μία από τις κρυφές απολαύσεις του αθλήματος είναι να βλέπουν και το πώς σφυρίζει ο στραγαλοφόρος. Για εμένα όχι, αλλά ο παράγοντας διαιτησία είναι ένα κεφάλαιο για το άθλημα. Αν εννοείς τεχνικά, προσωπικά δεν θα πω ότι είμαστε μακριά, τόσο τουλάχιστον όσο πιστεύουν κάποιοι συνομιλητές. Υπάρχει ρομπότ που σουτάρει και από όπου κ αν σουτάρει ευστοχεί, υπάρχει ρομπότ που σε περιβάλλον τηλεϊατρικής πραγματοποιεί εγχείριση καρδιάς από απόσταση, συνεπώς το να βρεις έναν τρόπο να αντικαταστήσεις τον εκάστοτε Λαμόνικα ε δεν είναι δα και ταξίδι πέρα από το ηλιακό μας σύστημα. Περαν αυτού όμως, η λίγκα θα μπορούσε να κάνει απλά, πολύ απλά πραγματάκια, όπως πχ κλήρωση διαιτητών που αν δεν απατώμαι δε συμβαίνει και όχι απευθείας ανάθεση. Ποιος δηλαδή αποφασίζει και με τι κριτήριο ότι ο Conan θα σφυρίξει το ΠΑΟ-ΕΦΕΣ και ο Airman το Ρεάλ-Αλμπα ;;

[Conan1982]

Συμφωνούμε, πόσο κοντά το τοποθετείς;

Αν εννοείς πόσο κοντά χρονικά τοποθετώ το εγχείρημα, δε μπορώ να στο απαντήσω κυρίως διότι δεν ξέρω αν υπάρχει η βούληση για κάτι τέτοιο. Ξέρεις, για πολλούς μία από τις κρυφές απολαύσεις του αθλήματος είναι να βλέπουν και το πώς σφυρίζει ο στραγαλοφόρος. Για εμένα όχι, αλλά ο παράγοντας διαιτησία είναι ένα κεφάλαιο για το άθλημα. Αν εννοείς τεχνικά, προσωπικά δεν θα πω ότι είμαστε μακριά, τόσο τουλάχιστον όσο πιστεύουν κάποιοι συνομιλητές. Υπάρχει ρομπότ που σουτάρει και από όπου κ αν σουτάρει ευστοχεί, υπάρχει ρομπότ που σε περιβάλλον τηλεϊατρικής πραγματοποιεί εγχείριση καρδιάς από απόσταση, συνεπώς το να βρεις έναν τρόπο να αντικαταστήσεις τον εκάστοτε Λαμόνικα ε δεν είναι δα και ταξίδι πέρα από το ηλιακό μας σύστημα. Περαν αυτού όμως, η λίγκα θα μπορούσε να κάνει απλά, πολύ απλά πραγματάκια, όπως πχ κλήρωση διαιτητώνπου αν δεν απατώμαι δε συμβαίνει και όχι απευθείας ανάθεση. Ποιος δηλαδή αποφασίζει και με τι κριτήριο ότι ο Conan θα σφυρίξει το ΠΑΟ-ΕΦΕΣ και ο Airman το Ρεάλ-Αλμπα ;;

Για το καλό όλων και του αθλήματος πιστεύω... κανένας.

[Airman]

Αν εννοείς πόσο κοντά χρονικά τοποθετώ το εγχείρημα, δε μπορώ να στο απαντήσω κυρίως διότι δεν ξέρω αν υπάρχει η βούληση για κάτι τέτοιο. Ξέρεις, για πολλούς μία από τις κρυφές απολαύσεις του αθλήματος είναι να βλέπουν και το πώς σφυρίζει ο στραγαλοφόρος. Για εμένα όχι, αλλά ο παράγοντας διαιτησία είναι ένα κεφάλαιο για το άθλημα. Αν εννοείς τεχνικά, προσωπικά δεν θα πω ότι είμαστε μακριά, τόσο τουλάχιστον όσο πιστεύουν κάποιοι συνομιλητές. Υπάρχει ρομπότ που σουτάρει και από όπου κ αν σουτάρει ευστοχεί, υπάρχει ρομπότ που σε περιβάλλον τηλεϊατρικής πραγματοποιεί εγχείριση καρδιάς από απόσταση, συνεπώς το να βρεις έναν τρόπο να αντικαταστήσεις τον εκάστοτε Λαμόνικα ε δεν είναι δα και ταξίδι πέρα από το ηλιακό μας σύστημα. Περαν αυτού όμως, η λίγκα θα μπορούσε να κάνει απλά, πολύ απλά πραγματάκια, όπως πχ κλήρωση διαιτητώνπου αν δεν απατώμαι δε συμβαίνει και όχι απευθείας ανάθεση. Ποιος δηλαδή αποφασίζει και με τι κριτήριο ότι ο Conan θα σφυρίξει το ΠΑΟ-ΕΦΕΣ και ο Airman το Ρεάλ-Αλμπα ;;

Για το καλό όλων και του αθλήματος πιστεύω... κανένας.

Χαχαχαχαχ... Αμα σου έρθει αύριο κανένα πακέτο με ανάθεση για το Εφές -ΠΑΟ μην απορήσεις.

[τουλουμπα]

Μαζί σου, αν και νομίζω ότι στις άλλες αποφάσεις κρύβεται το ζουμί. 3 δευτερόλεπτα τείνει πρακτικά να καταργηθεί.. Η ανισορροπία δομείται κυρίως από τα διαφορετικά κριτήρια στις επαφές (στις πραγματικές και στις υποθετικές...). Eκεί άλλωστε μπορεί να καμουφλάρεται και η όποια διαφορετικότητα στα σφυρίγματα. Τα 8 δευτερόλεπτα είναι κάτι στάνταρ σχετικά, πόσες φορές να στο σφυρίξουν ; Στα φάουλ κρύβονται οι ανορθογραφίες.

αυτα και ποιος βγαζει την μπαλα ποιος παταει γραμμη ποιος βρισκει το διχτακι κτλ ειναι πολυ ευκολο να γινουν με ΑΙ

επρεπε ηδη να τα βλεπουμε να συμβαινουν

[Conan1982]

.Μετά και την χθεσινή συζήτηση είπα ωραία τα λέμε, για να googlάρω έτσι απλά να δω αν έχει γίνει κάτι ως τώρα και μάλλον ο Airman έχει περισσότερο δίκιο στο πόσο κοντά είμαστε.
1.Πρώτη σελίδα που ανοίγω, υπάρχει ήδη πρόγραμμα στο GitHuΒ που μπορεί, η τουλάχιστον αυτό ισχυρίζεται ο δημιουργός του να αναγνωρίζε σε πραγματικό χρόνο με χρήση μόνο κάμερας βήματα και double dribble!
https://github.com/ayushpai/AI-Basketball-Referee

2. Ένα ΄άρθρο ένα χρόνο πριν που αναφέρει πως στο μπέιζμπολ, στο ΝΒΑ και στο Τέννις προσπαθούν να χρησιμοποιήσουν μοντέλα τεχνητής νοημοσύνης με ένα σημαντικό θέμα είναι και ο χρόνος που μπορεί να χρειάζονται για να επεξεργσατουν και να λάβουν μια απόφαση και πως από πέρυσι στο ΝΒΑ το χρησιμοποιούσαν για το Goaltending.
https://www.scientificamerican.com/arti ... ns-remain/

3. Ένα φρέσκο άρθρο λίγων ημερών για το πως η Α.Ι βοήθησε σε αγώνες των Playoff σε κρίσιμες φάσεις.
https://www.forbes.com/sites/giovannima ... he-better/
Στην ουσία έχουν κάνει το πρώτο απαραίτητο βήμα, έχουν τοποθετήσει κάμερες υψηλής ανάλυση, υψηλών frame, και 3d απεικόνισης (δεν είμαι σίγουρος πως το εννοούν το τελευταίο), όπως στην Ευρωλίγκα δηλαδή που βλέπουμε μέχρι και τα δακτυλικά αποτυπώματα των παικτών απολύτως σταθερά στα reviews.
Στην συνέχεια αυτά τα μοντέλα ανιχνεύουν τους παίκτες και Key points πάνω τους (εννοούν φαντάζομαι άκρα, γωνίες, πατούσες κλπ όπως και η μπάλα.
Προς το παρών δίνουν απ' ότι κατάλαβα στους διαιτητές εικόνες υψηλής ακρίβειας από πολλαπλές γωνίες, σαν να μπορείς να δεις περιμετρικά μια σκηνή για να αποφασίσουν ξεκάθαρα οι διαιτητές χωρίς αμφιβολία. Δείτε εδώ: https://x.com/NBAOfficial/status/1916322177651249396 στην ουσία φωτίζουν το ταμπλό την στιγμή του μηδενισμού του χρόνου ώστε να υπάρχει ακρίβεια σε ποιο σημείο μηδενίστηκε ο χρόνος.
Γενικά από μια αναζήτηση που έκανα είναι ότι στο NBA έχουν καταλήξει ότι δεν πρεπει να το παρακάνουν για 2 λόγους, πρώτον δεν είναι ελκυστικό το παιχνίδια να διακόπτεται συνεχώς για να βλέπουν οι διαιτητές τις φάσεις και δεύτερον οι φιλάθλοι θέλουν ακριβή σφυρίγματα και ότι να είναι, εδώ μάλλον ψιλοδικαιώνομαι εγώ.
Αφού γίνεται στην αντίπερα όχθη κάποια στιγμή θα έρθει και από εδώ, αλλά βλέπουμε πόσο προσεκτικοί είναι την μια χρονιά μόνο το goaltending, στην συνέχεια εικόνες, το επόμενο βήμα να αποφασίζει αυτόνομα άραγε πόσο απέχει;
Αν σφυρίξουμε εγώ και ο ...Αιρμαν τους αγώνες πιστεύω θα βιαστούν να το προχωρήσουν λίγο γρηγορότερα!

[nikolas_asteri]

Εδώ είμαστεεεεε. Ξεκίνησα να γράψω μια απάντηση τύπου "ναι αλλά...", και κατέληξα (για ακόμα μια φορά) να μη δουλεύω το paper που χρωστάω, και να γράφω πάλι έκθεση στο basketforum.

Καλή δουλειά από Κόναν, μπράβο Κάποια πράγματα που γράφεις είναι σωστά και χρήσιμα. Παρόλα αυτά επέτρεψε μου να δοκιμάσω να κάνω μια πιο τεχνική αποτίμηση για το πού βρισκόμαστε σήμερα, τι όντως δουλεύει, και τι δεν είναι ακόμα εκεί όσο εντυπωσιακά κι αν φαίνονται στο GitHub. Φυσικά δέχομαι ευχάριστα οποιονδήποτε αντίλογο ειδικά από ανθρώπους που κάνουν machine learning/artificial intelligence (ML/AI). Δεν είναι το δικό μου πεδίο αλλά τυγχαίνει να κάνω λίγο δουλειά πάνω σε αυτό (privacy preserving machine learning) οπότε μπορεί να έχω και άδικο σε διάφορα από αυτά που γράφω.

Θα έχει λίγο θεωρία, λίγο πρακτική, λίγο αλήθεια, και λίγο καφενείο. Θέλω να εξηγήσω, με όσο γίνεται πιο τεχνική ακρίβεια αλλά και με αγάπη για το ίδιο το άθλημα, γιατί αυτό δεν είναι ρεαλιστικό (προς το παρόν) στο πλαίσιο του μπάσκετ.

Καταρχάς όλα εξαρτώνται από τη θέλουμε να πετύχουμε. Στη γλώσσα του machine learning, το αν θέλεις να εντοπίσεις ένα φάουλ ή να το κατατάξεις εμπίπτει σε διαφορετική κατηγορία προβλήματος: classification (πχ φάουλ ή όχι), detection (πού έγινε η επαφή) ή regression (πόσο δυνατή ήταν η επαφή). Κάθε μία από αυτές τις κατηγορίες έχει διαφορετικές απαιτήσεις σε training data, labeling, και υπολογιστικό κόστος. Αν θέλουμε το ΑΙ να μας βοηθάει στο official review ή να κοιτάει αν έφυγε η μπάλα όταν έληξε ο χρόνος, αυτό είναι πολύ διαφορετικό πρόβλημα από το να ζητάμε "ολική" διαιτησία. Στην ξιφασκία που αναφέρθηκε για παράδειγμα ή, για να είμαι πιο ακριβής, σε αθλήματα με αισθητήρες και περιορισμένη κινητικότητα η φύση του αθλήματος επιτρέπει σχεδόν πλήρη αυτοματοποίηση του διαιτητικού έργου. Στο τένις, το HawkEye έχει βελτιώσει θεαματικά την ακρίβεια των γραμμών, αν και ακόμη και εκεί έχουμε δει σημαντικά λάθη. Δείτε για παράδειγμα τι έγινε στη Μαδρίτη πριν 2-3(;) μέρες. Άρα, η συζήτηση δεν είναι θεωρητική υπάρχουν όντως πεδία όπου το AI ή γενικότερα η τεχνολογία μπορεί να λειτουργήσει υποστηρικτικά. Το μπάσκετ όμως δεν είναι ένα από αυτά και υπάρχουν σοβαροί λόγοι γι’ αυτό.

Ας αρχίσω πολύ γενικά. Επίσης θα προσπαθήσω να βάλω όσο περισσότερο ελληνικά μπορώ ακόμα κι αν ακούγεται λίγο περίεργο καμία φορά. Αν είναι κάποιος όρος θα τον βάλω δίπλα στα αγγλικα.

Τι είναι (και τι δεν είναι) η Τεχνητή Νοημοσύνη
Ας βάλουμε πρώτα λίγο πλαίσιο. Πολλοί ακούνε AI και σκέφτονται HAL 9000, Skynet ή κάτι που του δίνεις βίντεο και σου λέει αν ήταν φάουλ, αν είναι γάτα ή σκύλος, αν μπορώ να τα βάλω όλα στο να πάρει η Πανάθα την Ευρωλίγκα. Η πραγματικότητα είναι πιο ταπεινή και πολύ πιο δύσκολη.

Το ΑΙ δεν είναι μαγεία. Είναι στατιστική.

Η Τεχνητή Νοημοσύνη (Artificial Intelligence) είναι ένα γενικό όνομα για αλγορίθμους που προσπαθούν να "καταλάβουν" μοτίβα μέσα από δεδομένα. Στην πράξη, σχεδόν όλο η AI που βλέπουμε σήμερα βασίζεται σε Machine Learning, δηλαδή μαθηματικά μοντέλα που εκπαιδεύονται πάνω σε δείγματα (training data) και προσπαθούν να κάνουν προβλέψεις σε καινούρια παραδείγματα.

Στο θέμα μας: τους δίνεις χιλιάδες φάσεις μπάσκετ με την ένδειξη "φάουλ" ή "όχι φάουλ»" και ελπίζεις ότι θα μάθουν να ξεχωρίζουν πότε συμβαίνει τι.

Απόκρυψη και Ανθρωποκεντρικότητα της Κίνησης
Το μεγαλύτερο πρόβλημα στην εφαρμογή υπολογιστικής όρασης στο μπάσκετ είναι η έντονη απόκρυψη (occlusion). Οι παίκτες κινούνται μέσα σε έναν περιορισμένο χώρο, συχνά κολλημένοι μεταξύ τους, με τα άκρα τους (κυρίως τα χέρια) να ακουμπάνε ή να κρύβονται από το σώμα άλλων παικτών. Για να αντιληφθεί ένα σύστημα ποιο χέρι ακουμπάει τη μπάλα ή ποιο σώμα προκαλεί επαφή, πρέπει να έχει αναγνώριση επιπέδου anatomical pose estimation σε τρισδιάστατο χώρο, με πολλές διαφορετικές γωνίες λήψης, και με συνεχώς μεταβαλλόμενο φωτισμό και ταχύτητες. Αυτό σήμερα, ακόμη και στα καλύτερα datasets (π.χ. COCO, MPII, Basketball Dataset από DeepMind), έχει σημαντικά σφάλματα. Στο PoseTrack (Andriluka et al., CVPR 2018) υπάρχει μεν πρόοδος, αλλά απέχει πολύ από real-time ακρίβεια στο context ενός αγώνα μπάσκετ. Και αυτό για στατικές εικόνες, πόσο μάλλον για συνεχή βίντεο 60fps, όπου απαιτείται και συνεκτική παρακολούθηση στο χρόνο (spatiotemporal consistency).

Χρωματική Διάκριση και Ενδυματολογική Πολυπλοκότητα
Ακούγεται εύκολο να ξεχωρίσεις ποια φανέλα ανήκει σε ποιον αλλά στην πράξη, ακόμη και state of the art συστήματα computer vision δυσκολεύονται όταν τα χρώματα των φανελών μοιάζουν, οι αριθμοί είναι διπλωμένοι ή κρυμμένοι, ή όταν υπάρχει γυαλάδα ή θόρυβος στην εικόνα. Επιπλέον, το σύστημα πρέπει να λειτουργεί σε πραγματικό χρόνο άρα το error budget είναι ελάχιστο. Papers όπως το "DeepSort: Simple Online and Realtime Tracking with a Deep Association Metric" (Wojke et al., ICIP 2017) έχουν εφαρμοστεί σε sports analytics, αλλά η ακρίβεια τους μειώνεται κατακόρυφα σε συνθήκες cluttered motion όπως αυτές του μπάσκετ.

Ερμηνεία Σύνθετων Κινήσεων και Κανονισμών
Η αναγνώριση των βημάτων μετά από πάσα, ή του πότε υπάρχει illegal screen απαιτεί ερμηνεία προθέσεων και συνδυασμό οπτικής πληροφορίας με χωρικά και χρονικά δεδομένα. Στην έρευνα, τέτοιες λειτουργίες εμπίπτουν στον τομέα του spatiotemporal action recognition. Παρότι υπάρχουν εξελίξεις με αρχιτεκτονικές όπως I3D (Carreira & Zisserman, 2017) και SlowFast Networks (Feichtenhofer et al., ICCV 2019), οι ίδιες οι ομάδες που τα αναπτύσσουν αναγνωρίζουν ότι η ακριβής ερμηνεία σύνθετων ανθρώπινων κινήσεων είναι ακόμα ανοικτό πρόβλημα. Ακόμη και να αναγνωριστεί ένα motion pattern, δεν σημαίνει ότι μπορεί να κριθεί ορθά στο πλαίσιο των κανονισμών του παιχνιδιού. Όπως θα γράφαμε εδώ: άλλο το να βλέπεις, άλλο το να σφυρίζεις.

Ασάφεια και Υποκειμενικότητα
Το μπάσκετ περιλαμβάνει πλήθος φάσεων όπου η κρίση του διαιτητή δεν βασίζεται μόνο σε δυικούς κανόνες, αλλά σε context και σε ροή παιχνιδιού. Πότε μια επαφή είναι φάουλ και πότε είναι "play on"; Πότε ένα σκριν είναι κανονικό και πότε κινείται επικίνδυνα; Αυτά είναι σημεία όπου ακόμα και οι άνθρωποι διαφωνούν το να περιμένουμε από μια μηχανή να έχει τέτοια κρίση είναι πρόωρο. Δεν υπάρχει "ground truth" dataset για φάουλ* και εκεί που δεν υπάρχει ground truth, το AI βασίζεται σε supervised data που ενδέχεται να ενσωματώνει bias αντί να το αποκαθιστά.

Τεχνολογικά Παραδείγματα και Σφάλματα
Η υπόθεση ότι "αν λειτουργεί στο τένις, θα λειτουργεί και στο μπάσκετ" είναι λανθασμένη. Δεν είπατε ακριβώς αυτό αλλά γενικά αναφέρθηκαν άλλα αθλήματα ως ενδείξεις. Πρόσφατα, είδαμε το HawkEye να κάνει σοβαρό λάθος (που έγραψα πιο πάνω). Και αυτό σε ένα άθλημα με σταθερό background, υψηλό contrast, και χωρίς σωματική επαφή. Ακόμα όμως και οι μικρές ανωμαλίες στο χωμάτινο έδαφος δημιούργησαν πρόβλημα. Στο μπάσκετ, όπου υπάρχει θόρυβος, χάος και διαρκής επαφή, το ρίσκο σφάλματος είναι πολύ μεγαλύτερο. Να σημειώσουμε επίσης ότι το HawkEye είναι τεχνικά ένα σύστημα πολλαπλών καμερών και όχι αμιγώς AI πρόκειται για triangulation + computer vision χωρίς κατανόηση πρόθεσης ή ροής φάσης.

Η τεχνητή νοημοσύνη έχει θέση στο μπάσκετ ως βοηθητικό εργαλείο, όχι ως υποκατάστατο κρίσης. Μπορεί να αναγνωρίσει αν κάποιος πάτησε γραμμή ή αν η μπάλα έφυγε από το χέρι πριν τη λήξη του χρόνου. Μπορεί να αναλύσει spacing, pace και player tracking για στατιστικά. Αλλά το να ζητήσουμε από ένα σύστημα να αντιληφθεί live, μέσα σε ελάχιστα milliseconds**, αν μια επαφή στο γόνατο είναι φάουλ ή όχι και να το κάνει με συνέπεια παραμένει (ευτυχώς ή δυστυχώς) πέρα από τις δυνατότητες της εποχής μας. Η τεχνητή νοημοσύνη μπορεί να παρακολουθήσει αλλά όχι (ακόμα) να διαιτητεύσει. Ευτυχώς δηλαδή αλλιώς τι θα γράφαμε εδώ;

* Ένα συχνό πρόβλημα στην πράξη είναι το λεγόμενο domain shift: αν το μοντέλο σου έχει εκπαιδευτεί σε φάσεις NBA, ίσως αποτύχει πλήρως σε φάσεις Euroleague ή τοπικού πρωταθλήματος. Το overfitting σε συγκεκριμένες κινήσεις, backgrounds ή κάμερες είναι τεράστιος κίνδυνος σε τέτοια tasks.
** Ακόμα και μοντέλα που τρέχουν σε GPU σε real-time pipelines έχουν latency μεταξύ 50-300ms για inference. Σε αγώνα, αν θες sub-100ms απόφαση, χρειάζεσαι μοντέλο τύπου YOLOv8 ή optimized pose estimator σε TensorRT και ακόμα και τότε, χάνεις σε ακρίβεια.