美金盤網站-世界比你想像的運行更快速,淺談AI對運動科學的影響-億興娛樂體驗金

北京賽車

美金盤網站

-世界比你想像的運行更快速,淺談AI對運動科學的影響-

億興娛樂體驗金

。即時熱搜[

空氣淨化機

,

Mih電動車

], AI指的是人工智慧,

娛樂城體驗金300

其發展由來已久,從距今大約4年前開始,AI的發展進入一個新的領域,簡單說就是具備了學習能力,你只需要給他一個起點和設定一個終點,不用教他怎麼走,他會自己找出走到終點的方法,所以我們現在講的AI是指這種learn by itself的AI,並非數十年前的AI,這兩者間有明顯的區別,概念如下面這支2分鐘的影片。 到了2017年,可以說是AI learn by itself元年,在這年AI獲得重大突破,運用到許多實務上都獲得成功,

渥金娛樂體驗金

比如說西洋棋和圍棋都打敗了最頂尖的人類棋手,我們這篇主要是淺談急速發展中的AI,運用到運動科學上面會產生怎樣的影響。 文章開頭先聲明,AI將會如何運用在運動科學上,

六合彩4個字派彩

筆者也還在摸索和學習的階段,我們這邊談的僅是概念和趨勢,事實上現在世界上有沒有人已經能夠完美地將AI與運動科學相結合可能都是未知,筆者這篇文章主要想要向一些有志於運動研究的同好傳達,AI大舉入侵運動科學看似已經是必然的發展,

樂透雲大樂透

我們可以試著努力跟上腳步。  大數據時代的啟發 相信大家應該都聽過Big Data這個名詞,在大約2015年時曾經是很潮的一個詞,各大企業一窩蜂投入了大數據的研究與應用,所謂大數據指的是無法在一定時間內用常規軟體工具對其內容進行抓取、管理、處理的數據集合,而大數據技術則是指在這樣的大數據中,快速獲得價值信息的能力。 有許多並沒有真正投入大數據研究的人,容易產生一個誤區:大數據的精神其實並不在已知有關聯性的數據集合,而是在尋找未知關聯性的數據集合。 以棒球場上來舉例,我們推測投手在某個年齡之前累積的投球總數超過某個臨界點時有可能會對其產生運動傷害,所以我們尋找變數分別為「投球數」和「年齡」的數據集合,來驗證其和運動傷害的關聯性,對不起,這並非大數據的精神,能找出諸如「膚色」、「髮量多寡」、「身高體重」和投手運動傷害的關聯性,才是大數據的精神。 以上的例子有可能跑出來的結果是無關,這也是大數據能闡述的結果推論,好,我這樣的舉例或許不好,為了找出有意義的數據集合,比起「膚色」、「髮量多寡」、「身高體重」這些,運動科學的研究者更偏好去尋找諸如「球速」、「轉速」、「上場頻率」再搭配「投球數」、「年齡」尋找和投手受傷頻率之間的關聯,可能會因此得到一個迴歸關係,來取代原本只有「投球數」和「年齡」的線性關係。 當然,你也可以把上述的每一項變數都涵蓋進去,可以尋找各自和投手受傷的關係,也可以做出統整性的關係,你甚至可以再多找出10項你懷疑有可能有關但不確定的數據,一一去驗證其個別關係、和統整性的關係。 要深化大數據的研究,一來要能夠取得數據,二來要能夠計算數據。  4k影像問世,運動科學另一突破 喜歡逛3C的朋友應該都知道4k UHD,簡單說是一種影像技術的突破,比Full HD的解析度更精細,達4096 x 2160畫素。 在4k影像出來前,過往人們也許會懷疑、比如說球的轉速,會和投手受傷的頻率有關聯,但現實面上無法取得精確的轉速測試,

2022世足數據

當影像的技術能跟上之後,運動科學可以做更多動態數據的追蹤,有了數據,才能尋找其關聯性。 不只是棒球,其他更偏向動態運動的比賽,像籃球,透過其動態數據的追蹤,衍生的效益評估更是過往單純總量統計(得幾分、幾個籃板之類)所無法比擬的,球隊可以用更充分的依據打造合理的戰術或評估球員真實價值,4k影像問世不僅讓數據研究得到突破,也讓球場上的思維開始改變。  AI從原始的動態數據尋找通往答案的路徑 我們這篇主要是討論AI對運動科學的影響,其他和AI有關的產業先不論,這邊大概提一下的是目前在實務應用上,AI被運用最多的地方應該是在客服系統,也就是讓AI代替過往的客服人員來回答顧客提問,透過詞組間的關聯性配對最適合的答案,也就是我們一般認知的AI Chatbot,FB、淘寶還有許多更小型的企業都在用這種系統,還不知道那是什麼嗎?請拿起你的I phone喊聲Hi Siri。 回到我們的主題,當你透過4k影像有了「球速」、「轉速」等一堆數據後,你也許可以秉持著大數據的精神,試著找出它們和投手受傷頻率的關聯性,然後透過已知的結果(受傷的投手其種種數據)反推給定各個數據不同參數,日後當某個投手在該年齡透過這些參數運算出來的數值達到警訊時,你可能認為此時應該要降低該投手的使用量以避免受傷。 然而,這些參數,其實是你所期待的結果而已,是因為你的數據模組這樣建造,當中每一條通往結果的路徑都已經給定,才會產生你期待的結果。當然這樣的結果仍然有參考價值,但準確度不可能是100%,你也許會透過修正你的參數來使準確度更加提升。 而AI其實就是大數據的延伸,是神經網路的應用,AI需要的並不是這些演算好、給定參數的數據,AI需要的是你大量灌進原始數據,然後它自己會去找出通往答案的路徑,。  AI的優勢與尚不成熟之處 這邊我們不去討論人腦有朝一日會不會被人工智慧取代的問題,兩者的關係可能會更偏向對立統一,人工智慧有人腦所遠遠不及的實踐力,

金賀盈娛樂評價

但人腦有無侷限的創造力。 在運動科學部分,AI的優勢在於它如同電腦般擁有運算的速度、運算的準確性、超大的記憶力,並且它連算式都不需要,它會自己去學習、尋找、套用算式,它不但自己找出通往答案的路徑,而且能夠自行修正答案的精準性。 而AI是個仍在發展中的產業,現階段有兩個重大瓶頸仍待突破,其一是管理問題,我們無法100%確保AI會朝我們設定的目的前進,對不起,更正確的說法是,AI有可能在原本的目的之外,還找出額外的目的地,如果差別只是我們想從「膚色」和「髮量多寡」找出和投手受傷的關聯性、不小心多找出棒球運動員膚色和髮量多寡的關聯性,那可能無傷大雅甚至有額外加分,但若是如FB般出現兩臺AI Chatbot用人類看不懂的語言開始對話交流,問題就有點大條了。 其二是AI找出的結果,現階段較為缺乏解釋力,也就是說我們無從得知為何會是這樣的結果,這樣有可能造成我們改善問題的疑惑,比如說AI若得出髮量稀少是造成投手受傷的重要變數,難道我們要把生髮水列為保護的投手的重要環節嗎?  AI對傳統數據和統計的影響 下方影片是AT&T的Claudio Silva談AI對MLB的影響,我們要釐清的一個觀念是,AI會取代的主要是哪個環節? 我們大致把數據的演進分成三個階段,第一個階段是偏向總量統計的部分,也就是累積型數據平均化後產生的結果,包含一些將總量統計標準化後的進階數據,第二個階段是偏向透過參數設定加權產生的進階數據,也就是推估值,包含透過結果回推的推估值,第三個階段是AI從以動態數據為主的大數據創造的新進階數據(我不知道用什麼形容詞較適合,加個新字做區分)。 在這樣的歸類下,第二階段數據才是較容易被第三階段數據所取代的東西,因為第一階段數據仍具備對整體環境最完善的解釋力,這也是第二階段數據從來未曾能夠完全取代第一階段數據的原因,而第二階段數據強調的是對個體的解釋力,為了加強精準性,而這正是AI的強項所在。 儘管AI還在發展階段,我認為,這才是趨勢所在。  後記: 寫到這裡,其實還有許多未竟之處,但筆者並非這個領域的專業人員,只是手邊正好有AI的案子在進行,加上本身又熱衷於籃球數據,所以才就我所知和大家分享一些概念,再往下寫,可能就得賣弄更多自己並不這麼熟的東西了,所以也不特別獻醜。 也許你比我更了解AI領域的種種,若你願意撥冗指正,我會非常虛心受教。 我發這篇,最主要還是如標題,希望熱愛運動的同好,無論你是寫手或是球迷,能稍微和世界運轉的速度接軌,你此時此刻奉為圭臬的理論,也許剛好就是將被取代的過時產品。 我常常告誡自己,當別人在網路上尊稱你一聲大大,最怕的是你就真的把自己當大大,你應該要虛心容納不同聲音,小心檢視自己的立論是否有不足之處,觀念性的東西往往沒有100%對錯之分,除非是事實的扭曲,不然堂而皇之攻訐別人論點只是顯得自己心胸狹隘而已。 當然,想是這樣想,我仍然很容易犯這些錯誤(笑),只希望未來能少犯一點。   ,線上百家樂
Scroll to Top