شنا در استرالیا

۰۳ اسفند ۱۴۰۰ | ۱۵:۵۱ کد : ۹۶۱ اخبار و رویدادها
تعداد بازدید:۴۵۷
شنا در استرالیا: کسب مدال طلا با بهره گیری از یادگیری ماشینی
شنا در استرالیا

اگر می‌توانستید یک دکمه را فشار دهید و برای ۱۰۰ متر کرال پشت سریع‌ترین رکورد دنیا را شکست دهید، چه می‌شد؟ برای شنای استرالیا، دیدگاهی یکپارچه‌تر از داده‌ها برای بهینه‌سازی عملکرد ورزشکاران در بازی‌های المپیک توکیو و کسب ۹ مدال طلا ضروری بود.
شنای استرالیا، عملکرد ورزشکاران را در بخش‌های اساسی یک مسابقه بهبود بخشیده است، قالب‌های جدید مسابقات شنا را ایجاد کرده و مربیان برتر را با شناگران با استعداد مرتبط کرده است. متخصصان شنای استرالیا با خدمات وب آمازون (AWS) همکاری کرده اند تا یادگیری ماشینی را روی داده ها اعمال کنند، بینش های مبتنی بر داده ها را به مربیان ارائه می دهند و ورزشکاران را قادر می سازند تا بر پیروزی های بزرگ در آب و میدان رقابت  تمرکز کنند.
•    ایجاد یک منبع واحد از حقایق برای داده های مسابقه

شنای استرالیا با حدود 100000 عضو ثبت نام شده، برترین نهاد حاکم برای شنا در این قاره است. آنها مأموریتی برای بهبود عملکرد ورزشکاران در مسابقات، ایجاد تجربیات معنادارتر طرفداران و استفاده از یادگیری ماشینی برای شناسایی نسل بعدی ورزشکاران المپیکی را دارند.
در سال 2019، مربیان نیاز به مهار کردن و یکپارچه سازی داده های عملکرد را برای کمک به ورزشکاران در بهترین حالت شنا تشخیص دادند. تا همین اواخر، معیارهای کلیدی و آماری شنا در سرتاسر سازمان حذف می‌شد، زیرا ردیابی مؤثر عملکرد را برای مربیان تقریبا غیرممکن می‌کرد.
از آنجایی که صفحات گسترده (اکسل) روش اصلی ثبت پیشرفت ورزشکاران بود، ورود دستی داده ها زمانبر و ناکارآمد بود و تیم را در برابر خطاهای انسانی آسیب پذیر می کرد. برای Jess Corones، مدیر راه حل های عملکرد ورزشی در شنای استرالیا، حجم انبوه داده ها یک چالش بود. Corones در این باره گفت: مشکل این بود که ما داده های زیادی در شنا داشتیم و می‌دانستیم که بینش و دانش بزرگی در آن داده‌ها وجود دارد که ما نمی توانیم به درستی از آن استفاده کنیم.
رهبران تیم با دیدن فرصتی برای استخراج داده‌های عملکرد در فضای ابری با کمک AWS، یک پایگاه داده ساختند که آمار و معیارهای ورزشکاران را در یک مکان واحد یکسان می‌کرد. برای Corones و تیمش، پتانسیل داده‌ها بسیار زیاد بود. آنها شروع به  به بهره مندی و کم از یادگیری ماشینی و هوش مصنوعی کرده اند و متوجه مطالبی شدند که تا آن روز نمی دانستند چقدر برایشان کارایی دارد.  

•    استخراج حداکثر عملکرد در استخر توسط فضای ابری
با بیش از 5.5 میلیون نفر شرکت کننده سالانه، شنا یکی از محبوب ترین فعالیت های استرالیا برای کار و بازی است. در مواجهه با رقابت شدید جهانی، تیم‌های امدادی در عرض 0.1 ثانیه برنده یا بازنده می‌شوند. با توجه به چنین رقابت های نزدیک، دقت داده‌ها و استفاده از یادگیری ماشینی برای برنامه‌هایی مانند تیم‌های پیش‌بینی که توسط رقبا مستقر می‌شوند، حیاتی است. بینش‌های عملکردی جدید، دائماً در فضای ابری ایجاد می‌شود و مربیان را قادر می‌سازد تا سرعت شنای ورزشکاران را تجزیه و تحلیل کنند، آزمایش‌های فیزیولوژیکی را دنبال کنند و به طور خودکار مسیرهای فردی را در یک برنامه تمرینی چند ساله پیش‌بینی کنند. با دسترسی مستقیم به داشبوردهای AWS، مربیان و ورزشکاران به راحتی می توانند پیشرفت را در زمان واقعی از طریق تلفن خود پیگیری کنند.
اگر به دنبال ارتقاء سطح استراتژی داده خود در فضای ابری هستید، در اینجا چند درس برای یادگیری از برنامه Swimming Australia در تجزیه و تحلیل و یادگیری ماشینی وجود دارد:
1.    پیگیری رقبا. بینش های یادگیری ماشینی نباید محدود به سازمان شما باشد. اگر داده های رقیب در دسترس باشد، می توانید رقبا را ردیابی کنید. برای Jamie Salter، مدیر کل Performance Pathway در شنای استرالیا، از ردیابی مسابقات رقبا استفاده می کند، با AWS، ما می‌توانیم هر هشت فینالیست را در یک مسابقه قهرمانی جذب کنیم و با در دست داشتن بینش رقبا، می‌توانیم یک استراتژی برنده برای تیم خود ایجاد کنیم.
2.    استراتژی خود را تنظیم کنید. اگر با مجموعه داده های بزرگ سر و کار دارید، باید بر آنچه که مربوط به کسب و کارتان است تمرکز کنید. یادگیری ماشینی به مربیان شنای استرالیا کمک می کند تا از داده‌های خاصی که برای ایجاد جلسات آموزشی و تمرینی سفارشی برای شناگران، جداگانه نیاز دارند، استفاده نکنند. درست مانند یک مربی که ممکن است داده‌های مربوط به مکانیک حرکات و ضربات دست شناگر بر تعداد آن برای بهبود فرم شناگر اولویت دهد.
3.    در صورت نیاز چرخش کنید. در هر بخشی که هستید، به احتمال زیاد چشم انداز، دائماً در حال تغییر است. در مورد نحوه استفاده از بینش خود و مشکلات تجاری که سعی در حل آنها دارید تردید نکنید. برای Corones، شنای استرالیا با یادگیری ماشینی بر بهبود مستمر متمرکز است.
نوآوری شنای استرالیا با یادگیری ماشینی عاملی شد تا به شناگرانش کمک کند تا مدال طلا کسب کنند، اما آنها هنوز به پایان راه نرسیده اند. از زمان استفاده از پایگاه داده AWS در المپیک توکیو، ورزشکاران برتر قبلا رکوردهای جهانی را شکسته اند، از جمله در 100 متر کرال پشت زنان و اگر گرفتن 9 مدال طلای تیم نشانه ی مثبتی باشد، این تازه شروع سفر آنها می باشد.
 

کلید واژه ها: ورزشکاران عملکرد ورزشکاران یادگیری یادگیری ماشینی استرالیا شنای استرالیا شنای ماشینی عملکرد


نظر شما :