生成式AI如何應用於運動科技?
姜雅薰/國家運動科學中心研究助理
生成式AI (Generative artificial intelligence)是人工智慧的其中一個分支,其原理是利用機器學習大規模數據資料庫,並透過深度學習使其具有產生文字、圖像或其他創作形式的能力,如時下討論度極高的ChatGPT、Midjourney等工具便是使用生成式AI的技術。那這樣的技術可以如何應用在運動科技中呢?以下將列舉幾個生成式AI應用於運動科技的情境。
賽事播報及報導
生成式AI的其中一項技術:自然語言處理(Natural Language Processing, NLP),該技術可以將數據資料轉化為人類溝通的語言。利用這項技術,生成式AI可以根據即時比賽數據生成賽事播報內容,可以是文字或是轉化為語音的播報型式,甚至可以調整聲調、語氣、播報風格等,生成個人化的播報方式,並於賽後可以依據比賽數據生成該賽事的報導。利用生成式AI將可以更快速且更廣泛地產出賽事相關內容,有利於拓展不同的運動項目以及打破語言上的隔閡,並觸及到更多群眾。
情蒐及技戰術分析
以往技戰術分析,需要投入大量人力及時間,分析大量數據及比賽影片並且整理成報告提供給教練、選手,而使用生成式AI可以加速這項流程,例如:Stats Perform公司推出的Opta Vision,這款產品應用於足球項目,利用機器視覺追蹤球員及球,分析選手的移動、傳球選擇及路徑、戰術執行成效等等,以往在影像辨識的過程中,可能會因拍攝角度或是辨識異常,造成資料缺失的狀況。而該公司利用生成式AI建立演算法,得以計算出完整的移動軌跡,彌補機器視覺在辨識上的不足。另外,生成式AI也能透過分析過往球隊或是選手的數據、影片等比賽資訊,提取重要的數據內容自動生成技戰術報告,並且可以根據需求,客製化報告型式及內容,也能隨著比賽當下情境不同,提供符合現況的數據供參考,幫助教練做出更準確的決策。
圖1 生成式AI應用於技戰術分析。
(圖:StatsPerform官方網站)
表現及賽事模擬
生成式AI可以透過深度學習過往比賽資訊,推測選手未來的比賽表現,進而可以進行賽事模擬、賽事情境創造等。以網球為例,有研究透過機器學習選手在比賽中的球路、落點、跑動路徑等參數,利用生成對抗網路(Generative Adversarial Networks, GAN)進行運算模擬,進而可以預測出回球的球路及落點。利用此種方式,生成式AI可以達到賽事或是表現的模擬,而教練可以根據賽事模擬的結果,制訂比賽戰術與策略,亦或是根據比賽情境及選手的特點,安排不同的場上陣容等。並且也可進行比賽情境模擬,利用生成式AI以語音或影像的方式模擬出比賽情境,幫助運動員訓練在壓力情境下的調整應對,透過客製化的情境創造能夠更接近比賽實況。
圖2 利用生成式AI模擬射擊比賽情境
(圖:國家運動科學中心)
傷害預防
人體姿態估計(Human Pose Estimation)是動作分析或是傷害風險評估常使用的技術,透過電腦視覺辨識人體骨架,進一步分析動作姿態,可用於評估運動傷害的機制或進行動作修正,也可作為傷後復健、回場評估的參考。然而用於辨識的影像容易受到拍攝角度的影響,而有失真的情形,而利用生成對抗網路可以輔助計算,生成更真實的姿態,甚至可以預測接下來的動作,計算受傷的風險。
另外,生成式AI也能透過分析選手的身體狀態,預測傷害發生的風險,使教練可以有所警覺,提早做出調整,預防傷害發生。如Zone 7公司推出健康及負荷管理的服務,結合感測器收集選手訓練量,並利用選手的訓練負荷、過去傷病史、年齡、賽事規劃等參數建立演算法,預測未來7天內可能受傷的部位及風險程度,並提供使用者最佳化訓練量安排,預防或減少傷害的發生機會。
觀眾參與
在社群網路上,媒體可利用生成式AI根據用戶的喜好生成個人化內容,也可利用生成式AI創造與觀眾的個人化互動機制,制定更針對性的行銷策略,增加觀眾的接受度及黏著度,進而提升觀眾參與。如Visa公司於2022年世界盃足球賽事期間,結合足球、科技及藝術,將足球場上的動作利用生成式AI製作出獨一無二的NFT,供體驗的球迷收藏。
圖3 生成式AI結合運動及藝術
(圖:Imagination官方網站)
結論
隨著生成式AI的發展,相關應用也越來越多元,生成式AI除了具備深度學習的能力,更重要的是可以提供多樣化的內容。面對到資訊量日益龐大的時代,能夠從巨量資訊中提取所需資訊是資料應用關鍵的一步,而生成式AI將有助於提升效率,可以更快地彙整所需內容,並隨著使用情境的不同更有彈性地整理成目標格式。而在運動科技上,隨著科技的發展,有越來越多運動數據、影像的產生,利用生成式AI便能夠更快地處理這些數據,呈現出更豐富的內容。而以上也僅能列舉出幾個應用的方向,未來當生成式AI更加成熟,實際上帶來的影響可能遠大於我們的想像。
參考資料
- Stats Perform. https://www.statsperform.com/opta-vision/
- Fernando, T., Denman, S., Sridharan, S., & Fookes, C. (2019). Memory augmented deep generative models for forecasting the next shot location in tennis. IEEE Transactions on Knowledge and Data Engineering, 32(9), 1785-1797.
- Stenum, J., Cherry-Allen, K. M., Pyles, C. O., Reetzke, R. D., Vignos, M. F., & Roemmich, R. T. (2021). Applications of pose estimation in human health and performance across the lifespan. Sensors, 21(21), 7315.
- Jain, D. K., Zareapoor, M., Jain, R., Kathuria, A., & Bachhety, S. (2020). GAN-Poser: an improvised bidirectional GAN model for human motion prediction. Neural Computing and Applications, 32(18), 14579-14591.
- Buchanan, R., Elakim, R., & Eliakim, E. (n.d.). Artificial Intelligence in Football: A New Frontier for Mitigating Injury Risk? Sportsmith. https://www.sportsmith.co/articles/artificial-intelligence-in-football-a-new-frontier-for-mitigating-injury-risk/
- Establishing Visa as More than Just a Credit Card. (n.d.). Imagination. https://imagination.com/work/visa-masters-of-movement
留言區