به گزارش گروه ورزشی خبرگزاری دانشجو، رباتهایی که کنار تور حرکت میکنند، فقط یک ابزار عجیب برای تمرین تیمهای ژاپنی نیستند؛ پشت این فناوری، آیندهای قرار دارد که در آن هوش مصنوعی میتواند بازی را ببیند، دادهها را تحلیل کند و حتی پیش از اجرای حرکت، احتمال تصمیم بعدی بازیکن را پیشبینی کند. فکر میکنید این رباتها وسط تمرین والیبال ژاپن چه کار میکنند؟ فقط دفاع روی تور؟ ماجرا بسیار بزرگتر از این حرفهاست. کد ویدیو دانلود ویدیو فیلم اصلی
ژاپنیها از سالها قبل به دنبال استفاده از رباتها برای نزدیکتر کردن تمرینات به شرایط واقعی مسابقه بودند. پژوهشی که توسط دانشگاه تسوکوبا و با همکاری انجمن والیبال ژاپن انجام شد، به طراحی سیستمی متشکل از سه ربات برای شبیهسازی حرکت مدافعان روی تور اختصاص داشت. این رباتها روی ریلهایی به طول ۹ متر حرکت میکردند و مربی میتوانست موقعیت و زمان حرکت آنها را تغییر دهد.
نکته مهم این بود که ربات قرار نبود جای بازیکن را بگیرد؛ هدف، ساختن یک حریف تمرینی دائمی و قابل تنظیم بود تا مهاجم بتواند بارها و بارها مقابل یک دفاع متغیر تمرین کند. اما همین ایده، مسیر بزرگتری را باز کرد. وقتی دوربین تبدیل به چشم مربی میشود
مرحله بعد، ورود جدیتر هوش مصنوعی و بینایی ماشین به والیبال بود.
امروز سیستمهای کامپیوتری میتوانند از روی تصاویر، موقعیت بازیکنان و مسیر توپ را تشخیص دهند و حرکات داخل زمین را به داده تبدیل کنند. حتی پیش از توسعه فناوریهای امروزی، پژوهشگران روی ردیابی دقیق توپ در والیبال کار میکردند؛ در یک مطالعه سال ۲۰۱۸، سیستمی برای تشخیص مسیر توپ و محل برخورد آن با استفاده از تصاویر دوربینهای پرسرعت طراحی شد.
در سالهای اخیر، این فناوری بسیار فراتر رفته است. یک پژوهش منتشرشده در سال ۲۰۲۶ سیستمی را بررسی کرده که با ترکیب تشخیص بازیکن، ردیابی مسیر حرکت و تحلیل نقاط کلیدی بدن، اطلاعاتی مانند جایگیری، زاویه حرکت، زمانبندی پرش و ضربه و زمانبندی دفاع روی تور را استخراج میکند و از آنها برای پیشنهاد تمرین استفاده میکند.
یعنی دوربین دیگر فقط برای ضبط مسابقه نیست؛ میتواند به یک تحلیلگر دائمی تبدیل شود.
هوش مصنوعی دنبال چیزی است که چشم نمیبیند
اهمیت اصلی هوش مصنوعی در حجم دادههایی است که یک انسان نمیتواند بهسادگی آنها را بررسی کند.
تصور کنید هزاران رالی از یک تیم در اختیار سیستم باشد. هوش مصنوعی میتواند به دنبال الگوهایی بگردد که در نگاه اول دیده نمیشوند؛ اینکه پاسور در چه شرایطی بیشتر به منطقه خاصی پاس میدهد، مهاجم در برابر دفاع مشخص به کدام سمت تمایل دارد، سرویسها بیشتر به کدام منطقه میروند یا بازیکن در لحظات خاص مسابقه چه تصمیمی میگیرد.
حتی تحقیقات دانشگاهی نشان دادهاند که شبکههای عصبی میتوانند رفتار پاسور را پیشبینی کنند. در یک مطالعه روی ۲۸۹ رالی، یک مدل هوش مصنوعی توانست منطقه هدف پاس را با دقت ۶۸.۱ درصد و سرعت پاس را با دقت ۷۹.۲ درصد پیشبینی کند؛ نتایج این مدل در برخی شاخصها با پیشبینی مربیان سطح بالا قابل مقایسه یا بهتر بود.
این یعنی «پیشبینی» دیگر فقط یک ایده آیندهنگرانه نیست؛ بخشی از تحقیقات واقعی والیبال شده است.
رباتی که قرار است خودش تصمیم بگیرد
حتی پروژه بلاکماشین ژاپنی نیز به همین سمت حرکت کرد. در پژوهشی در سال ۲۰۱۸، محققان به دنبال روشی بودند که ربات بتواند با استفاده از تصویر و تشخیص موقعیت بازیکن، محل احتمالی حمله را پیشبینی کند و بدون دخالت مداوم انسان، موقعیت دفاع را تنظیم کند.
اینجاست که مرز میان «ربات تمرینی» و «هوش مصنوعی تصمیمگیرنده» کمکم محو میشود.
اگر یک سیستم بتواند حرکت مهاجم را تشخیص دهد، موقعیت او را تحلیل کند و محل احتمالی ضربه را پیشبینی کند، قدم بعدی میتواند استفاده از همین منطق در تحلیل مسابقه باشد؛ جایی که هوش مصنوعی نه فقط میگوید چه اتفاقی افتاده، بلکه تلاش میکند توضیح دهد چرا اتفاق افتاده و حرکت بعدی چه میتواند باشد. آینده؛ جایگزینی مربی یا همکاری با او؟
با این حال، تصور اینکه هوش مصنوعی قرار است مربی را کنار بزند، احتمالاً سادهسازی ماجراست.
والیبال فقط مجموعهای از اعداد نیست. شرایط روانی بازیکن، فشار مسابقه، ارتباط میان اعضای تیم و تصمیمهایی که در کسری از ثانیه گرفته میشوند، هنوز به قضاوت انسانی نیاز دارند.
هوش مصنوعی میتواند هزاران رالی را بررسی کند؛ اما این مربی است که باید تصمیم بگیرد کدام داده اهمیت بیشتری دارد و چگونه باید از آن برای بازیکن استفاده کرد.
شاید آینده والیبال، جنگ انسان و ماشین نباشد. شاید آینده، همکاری این دو باشد؛ بازیکنی که بهتر تمرین میکند، مربیای که اطلاعات بیشتری در اختیار دارد و هوش مصنوعیای که میلیونها داده را در زمانی کوتاه بررسی میکند.
در چنین شرایطی، رباتهای کنار تور دیگر فقط ماشینهای دفاعی نیستند؛ آنها میتوانند اولین نشانههای والیبال آینده باشند؛ ورزشی که در آن هر حرکت، هر مسیر و هر تصمیم میتواند به داده تبدیل شود و همین داده، تصمیم بعدی را هوشمندتر کند.
انتهای پیام/
