AI
कोचों के लिए AI एनालिटिक्स: मैच डेटा से अगले हफ़्ते की ट्रेनिंग योजना तक
डैशबोर्ड से एथलीट बेहतर नहीं होते। स्पोर्ट्स एनालिटिक्स का काम का नतीजा यह है कि मंगलवार को एथलीट क्या अलग करे, इसका एक ठोस सुझाव मिले।
ज़्यादातर स्पोर्ट्स एनालिटिक्स प्रोडक्ट एक ही जगह फ़ेल होते हैं। वे एक शानदार डैशबोर्ड बना देते हैं, कोच उसे दो बार देखता है, और फिर कभी नहीं खोलता।
वजह यह नहीं कि कोचों को डेटा पसंद नहीं। वजह यह है कि डैशबोर्ड बताता है कि "क्या हुआ", जबकि कोच को जो सवाल सच में चाहिए वह है "मंगलवार को हम क्या अलग करें"। इन दोनों के बीच व्याख्या का बहुत सारा काम है, और अगर प्रोडक्ट वह काम नहीं करता, तो कोचिंग के ऊपर वह भी कोच को ही करना पड़ता है।
तीन कदमों का फ़ासला
मैच के नतीजे और ट्रेनिंग के फ़ैसले के बीच तीन कदम हैं, और एनालिटिक्स प्रोडक्ट लगभग हमेशा पहले कदम पर ही रुक जाते हैं।
- विवरण। आप 21-18, 19-21, 15-21 से हार गए। आपकी औसत रैली 6.4 शॉट की थी। चार से कम शॉट की रैलियों में आपने 62% जीतीं और दस से लंबी रैलियों में 31%। ज़्यादातर प्रोडक्ट यहीं रुक जाते हैं।
- निदान। लंबी रैलियों में कमज़ोरी की वजह फ़िटनेस नहीं है, आपकी मूवमेंट स्पीड बनी रहती है। असल बात यह है कि लंबी रैलियों में आप बैकहैंड कॉर्नर से क्रॉस-कोर्ट क्लियर खेलने लगते हैं, और इस प्रतिद्वंद्वी के सामने इससे हर बार उसे अटैक का मौका मिल जाता है।
- नुस्खा। इस हफ़्ते दो सेशन, थकान में बैकहैंड कॉर्नर के विकल्पों पर, खासकर स्ट्रेट ड्रॉप और डाउन-द-लाइन क्लियर पर, रैली-लंबाई की शर्तों के साथ ताकि पैटर्न की ट्रेनिंग ठीक वहीं हो जहाँ वह बिगड़ता है।
ZetAI Coach को तीसरे कदम तक पहुँचाने के लिए बनाया गया है। पहले दो उस तक पहुँचने का ज़रिया हैं, प्रोडक्ट नहीं।
औसत नहीं, पैटर्न
रैकेट खेलों में औसत लगभग हर ज़रूरी बात छिपा देते हैं। 55% पॉइंट जीतने वाला एथलीट छोटी रैलियों में हावी और लंबी रैलियों में ढह सकता है, या इसका उलटा, और इन दोनों को बिल्कुल उलटे ट्रेनिंग हफ़्ते चाहिए। इसलिए विश्लेषण रैली की लंबाई, स्कोर के दबाव, कोर्ट में स्थिति और मैच के चरण के हिसाब से बाँटकर किया जाता है, क्योंकि कोच के असली फ़ैसले वहीं होते हैं। और इसीलिए नतीजा एक संख्या नहीं, पूरा वितरण होता है।
डेटा कहाँ से आता है
तीन स्रोत हैं, और इनका मेल तय करता है कि आपको कितना मिलेगा।
स्कोरिंग डेटा प्लेटफ़ॉर्म के हर मैच का मौजूद होता है: पॉइंट का क्रम, समय, किसने सर्व किया और स्कोर क्या था। सिर्फ़ इसी से रैली-लंबाई का विश्लेषण, मोमेंटम, दबाव के पलों का प्रदर्शन और स्कोरिंग पैटर्न समझे जा सकते हैं, और इसके लिए कोई अतिरिक्त हार्डवेयर नहीं चाहिए। इसीलिए यह हर एथलीट को मिलता है।
विज़न डेटा, जहाँ ZetAI Vision लगा है, शॉट वर्गीकरण, कोर्ट कवरेज और मूवमेंट की गुणवत्ता जोड़ता है। इसी से निदान का चरण अंदाज़े पर नहीं, ठोस आधार पर टिकता है।
अकादमी डेटा यानी Zeetius Academy से मिली उपस्थिति, सेशन लोड और ट्रेनिंग इतिहास ही निदान को ऐसी योजना में बदलता है जो एथलीट के आदर्श नहीं, बल्कि असल हफ़्ते के हिसाब से फ़िट बैठती है।
कोच ही फ़ैसला करता है, और इसकी ठोस वजह है
हर सिफ़ारिश के साथ वह सबूत दिखाया जाता है जिससे वह निकली, और उसे खारिज किया जा सकता है। यह बचाव की चाल नहीं है। वजह यह है कि मॉडल के पास उस ज़्यादातर संदर्भ की जानकारी नहीं होती जो तय करता है कि सिफ़ारिश समझदारी की है या नहीं।
उसे नहीं पता कि एथलीट को कोई हल्की चोट चल रही है, कि ग्रुप सेशन में कमज़ोरी बताए जाने पर वह बुरा मान जाता है, कि तीन हफ़्ते में परीक्षाएँ हैं, या कि असली दिक्कत तकनीक की नहीं, आत्मविश्वास की है। कोच यह सब जानता है। मॉडल का काम है दस मैचों में वह पैटर्न पकड़ना जिसे देखने का समय किसी इंसान के पास नहीं होता, और उसे पूरे तर्क के साथ कोच के हाथ में सौंप देना।
जो आपके पास पहले से है, उसी से शुरू करें
सबसे आम गलती है कैमरों का इंतज़ार करना। अगर आपके एथलीट Zeetius पर चलने वाले टूर्नामेंटों में खेलते हैं, तो स्कोरिंग डेटा पहले से मौजूद है और विश्लेषण भी तैयार है, जो प्लेटफ़ॉर्म पर खेले गए उनके हर मैच तक पीछे जाता है। पैटर्न के स्तर की ज़्यादातर समस्याएँ पकड़ने के लिए इतना काफ़ी है। विज़न बाद में जोड़ें, उन एथलीटों के लिए जिनमें अतिरिक्त बारीकी का फ़ायदा हो।
