Специалисты кафедры прикладной математики и информатики Пермского государственного национального исследовательского университета (ПГНИУ) научили компьютер работать с результатами олимпиад по отдельным видам спорта за последние 40 лет. С помощью нейросетевых технологий они проанализировали критерии успешности национальных сборных и спрогнозировали результаты Олимпиады в Сочи.
По словам председателя Пермского отделения Научного совета РАН по методологии искусственного интеллекта, доктора технических наук, профессора Леонида Ясницкого, полученные данные позволили говорить о том, каких успехов достигнут наши сборные на предстоящей Олимпиаде. Методы искусственного интеллекта позволяют прогнозировать процессы, которые традиционными математическими методами анализировать не удается.
— Спортивная тема для нас новая и выполняется пока как инициативная, без финансовой поддержки, причем, главным образом, силами студентов ПГНИУ, Пермского государственного гуманитарно-педагогического университета и Пермского филиала НИУ ВШЭ. И то, что мы уже обнародовали, — лишь небольшая часть всего, что можно сделать в области спортивной науки с помощью имеющихся у нас интеллектуальных инструментов, — рассказывает Леонид Ясницкий. — Распределение мест в неофициальном командном зачете (НКЗ) на Олимпиаде-2014: ближе всего к победе команда США, ее прогнозируемое место — 1,5. Затем — Германия (2,2). Канада попадает на 3-е место. Россия — между третьим и четвертым (3,4) и т.д.
Возникает вопрос: насколько серьезно можно относиться к этим прогнозам? Каждая математическая модель имеет свою погрешность. Перед тем как делать прогноз, она обязательно проходит тестирование, например, выполняет “прогнозы” результатов уже прошедших олимпиад, итоги которых известны. На таких “прошлых” прогнозах нейронная сеть ошибалась в пределах 15%, на основании чего и был сделан вывод об адекватности математической модели и возможности ее использования для прогнозирования.
К этому добавим, что нейронная сеть обучалась на результатах предыдущих олимпиад, причем во входных параметрах учитывались только имеющиеся в Интернете данные: ВВП страны, ее население, толщина снежного покрова, место на прошлых олимпиадах, влияние “родных стен” и др. Всех факторов, влияющих на результаты Олимпиады-2014, мы, естественно, предоставить нейрокомпьютеру не смогли. Поэтому надо понимать, что погрешность прогнозов довольно высока и ошибка на одно-два места в таблице НКЗ вполне возможна.
Вообще, мы заметили, что большие погрешности получаются при попытках моделирования командных видов спорта, таких как хоккей и футбол, и, чтобы добиться правдоподобных прогнозов для таких состязаний, необходима более тщательная проработка, в том числе с участием специалистов в области спортивных наук.
Более адекватные математические модели нам удалось получить для одиночных видов спорта, например для фигурного катания. Их можно использовать не только для прогнозов результатов будущих состязаний, но и для оптимизации планов подготовки спортсменов, обеспечивающих их наилучшие результаты. Так, фигуристу Евгению Плющенко наш нейрокомпьютер посоветовал сбавить вес, на что его тренер Алексей Мишин отреагировал так: “Могу сказать с уверенностью, что снижение веса в нашем виде спорта, как правило, ведет к повышению спортивных результатов, и наоборот”.
Компьютерный эксперимент показал, как изменилась бы результативность спортсменов в случае корректировки их веса. Закономерность, озвученная всемирно известным тренером, действительно прослеживается при виртуальном изменении веса его подопечного Плющенко. В менее явной форме она проявляется в случае компьютерных экспериментов с его главными соперниками: Д.Вейером и П.Чаном. Но фигуристу К.Рейнольдсу всякое уменьшение или увеличение веса грозит снижением его спортивных результатов! Для него нейрокомпьютер приготовил совершенно иные рекомендации, о которых мы, по известным причинам, не сообщаем.
Виртуальные же компьютерные эксперименты с нейросетевыми математическими моделями, в ходе которых просчитывались возможные варианты корректировок системы подготовки легкоатлетов, показали, что прогнозируемую картину распределения мест можно значительно изменить, если одному спортсмену повысить стартовую реакцию, другому увеличить развитость мускулатуры, а третьему обратить внимание на то и другое при одновременном снижении веса.
В заключение отметим, что нейросетевыми и нейрокомпьютерными технологиями в настоящее время активно овладевают многие научные коллективы как в России, так и за рубежом. Однако теоретическая база этих технологий пока развита очень слабо, поэтому успех создания качественных нейросетевых математических моделей во многом зависит от опыта и интуиции их создателей. Каждая научная школа имеет свою историю, традиции, ноу-хау. Пермская школа искусственного интеллекта не является исключением. Ее опыт, наработки и инструменты могут быть применены для создания интеллектуальных систем, предназначенных для оптимизации подготовки спортсменов, для разработки рекомендаций, учитывающих их индивидуальные параметры и особенности, которые человеческому глазу не заметны.
Ольга СЕМЧЕНКО
Нет комментариев