Tekoälysovellus etsii pelitilanteet valmennuksen avuksi

Videoleikkeet ovat joukkuelajien valmentajien jokapäiväinen apuväline. Oulun yliopiston konenäön ja signaalianalyysin tutkimusyksikössä kehitetty konenäkötekniikkaan perustuva tekoälysovellus etsii halutunlaiset pelitilanteet automaattisesti ja kustannustehokkaasti.

Tietokoneen näytöllä väikkyy televisiokuva jääkiekko-ottelusta. Kuvan alla kulkee jokunen aikajana. Kutakin janaa leikkaa joukko värillisiä pystypalkkeja.

Projektitutkija Anri Kivimäki klikkaa yhtä janaa. Ottelun pelaajavaihdot alkavat pyöriä ruudulla yksi toisensa perään. Toisten aikajanojen pystypalkkien kohdalta löytyy muita tilanteita, esimerkiksi maaleja.

Vastaavanlainen ottelutilanteiden kokoelma voidaan tehdä manuaalisesti, ja sellaisia urheiluseuroissa väkerretäänkin valmennuksen tueksi. Kivimäen esittelemän koosteen erikoisuus kuitenkin on, että se on syntynyt automaattisesti: tekoälysovellus on poiminut halutunlaiset tilanteet usean tunnin raakamateriaalista ja järjestänyt ne videoleikkeiksi.

Mies sovelluksen taustalla on tutkijatohtori Sami Huttunen Oulun yliopiston konenäön ja signaalianalyysin tutkimusyksiköstä. Puolentoista vuoden tutkimusprojekti päättyy maaliskuussa, ja sovellus on tarkoitus lanseerata markkinoille. Kivimäki tuo hankkeeseen kokemuksensa liiketoiminnasta.

Tuotteen työnimenä on AISpotter, ja samaa nimeä kantaa firma, jota kaksikko on perustamassa. Yritys on paitsi Oulun yliopiston spin-off, myös Tekesin rahoittaman Tutkimuksesta liiketoimintaa -hankkeen hedelmä.

Kansainvälistä näkyvyyttä AISpotter sai joulun alla Berliinissä pidetyssä TechCrunch-ideakatselmuksessa. Loppukilpailupaikka ”start-up-olympialaisissa” poiki kiinnostusta ja kyselyjä ulkomailta.

Edullisempi vaihtoehto muillekin kuin huippujoukkueille

Videoleikkeiden käyttö valmennuksen apuna on joukkueurheilussa jo rutiinia, mutta niiden etsintä ja poiminta tapahtuu enimmäkseen käsityönä. AISpotter lupaa tehdä sen automaattisesti.

”Aiemmin videoklipit on saatu valmentajille ottelua seuraavaksi aamuksi. Jos meille annetaan otteluvideo, klipit eri tilanteista ovat valmiina 20 minuutin päästä”, Kivimäki vertailee.

Automatiikan ohella AISpotter aikoo erottua kustannustehokkuudellaan; maailman huipputasolla valmennussovellukset maksavat maltaita. Kivimäen mukaan niihin kuuluu esimerkiksi kalliita kamera- ja datankeruujärjestelmiä.

”Meidän sovelluksessamme videodata voi olla tv-kuvaa tai tavallisella kameralla itse kuvattua. Videot ja sovellus sijaitsevat pilvipalvelimessa. Hyödynnämme olemassa olevia julkisia palvelimia.”

Usein valmennuksen tueksi ostetaan numeraalista dataa, jota voi kertyä yhdestä ottelusta kymmeniä sivuja. Sen tulkinta on kuitenkin hankalaa, kun taas videolta tapahtumat voi nähdä sellaisenaan.

Kärpillä AISpotter on jo koekäytössä

AISpotter tunnistaa etsittävät tilanteet lähinnä konenäöllä, mutta käyttää siihen myös muuta tarjolla olevaa dataa. Esimerkiksi amerikkalaisessa jalkapallossa pelaajilla on usein yllään sensoreita, jotka antavat tietoa muun muassa sykkeestä ja sijainnista.

”Kaikkea ei kannata yrittää tunnistaa kuvasta, jos tieto saadaan muuta kautta. Paikkatieto voi ilmaista pelitilanteita, syke taas milloin kuormitus kasvaa”, Sami Huttunen kertoo. Muun datan avulla on mahdollista tunnistaa myös väsähtämisen kaltaisia, visuaalisesti epämääräisiä tilanteita.

Painopiste on kuitenkin konenäössä. ”Nyt vielä opetamme neuroverkkomalleja ja kehitämme automatiikkaa esimerkkitilanteiden avulla. Jotkut ovat helpompia kuin toiset: esimerkiksi ylivoima ja alivoima ovat yksikäsitteisiä. Vaikeampaa on tunnistaa monimuotoisempia tilanteita, kuten pelinavauksia, pelin suunnan kääntymistä tai pallon menetystä.”

Työn alla on myös pelaajien tunnistaminen, käytännössä pelaajanumeroon pohjautuen. Mitä enemmän tietoa ja materiaalia AISpotteriin kertyy, sitä automaattisemmin se löytää halutut asiat.

”Pohjalla olevaa mallia voi hienosäätää, eikö koko prosessia tarvitse rakentaa uudestaan”, Huttunen sanoo.

AISpotteria ei silti ole tarkoitus kehittää itsenäiseksi tekoälyksi, joka esittäisi ohjeita tai strategioita. ”Videoklippien tulkinta säilyy valmentajalla”, Kivimäki sanoo.

Valmentaja-apua ja tunnistamistoiveita Huttunen ja Kivimäki ovat saaneet Suomen Palloliitolta ja Kärpiltä. Kärpillä AISpotter on ollut koekäytössäkin. Kehitysvaiheen jälkeen AISpotter tulee olemaan hyvä juttu, valmentaja Lauri Mikkola toteaa.

Verrattuna Kärppien aiempaan tietokone-ohjelmaan, jossa tilanteet poimitaan osin manuaalisesti, AISpotter on tuonut jo muutaman tunnin ajansäästön. ”Tarvitsemme klippejä koko pelistä: kaikki pelaajien vaihdot, hyökkäykset, puolustus, alivoima- ja ylivoimapeli…”

Paitsi valmentajille, AISpotter sopii myös urheilumedialle ja -faneille. Näkymissä kangastelee turvallisuusala, uhkaavien tilanteiden tunnistus. Ja jos mukaan tulee ennakoiva ja strategioita ehdottava tekoäly, mahdollinen sovellusala on vedonlyönti.

Konenäön tutkimuksella on Oulun yliopistossa pitkä perinne

AISpotterin konenäkö ja neuroverkkomallit eivät syntyneet tyhjästä. Varhaisimpia edeltäjiä ovat vuonna 1981 perustetun konenäköryhmän kehittämät teollisuussovellukset esimerkiksi sahatavaran lajitteluun. Kohteiden valvontaa ja tunnistamista on tutkittu Oulun yliopistossa paljon, ja viime aikoina esille on noussut tunteiden ja fysiologisten tilojen tunnistus kasvokuvasta.

Lähin AISpotterin edeltäjä on vuorovaikutustilanteita luokkahuoneympäristössä tunnistanut More-sovellus, joka Huttusen ja Kivimäen urheilukäytössä sai projektinimen Moresport.

”Pohdimme konseptin kaupallistamista, ja joukkueurheilu nousi potentiaalisimmaksi alueeksi. Siinäkin on joukko ihmisiä rajatussa ympäristössä”, Huttunen toteaa.

”Olin mukana myös Biocenter Oulun kanssa tehdyssä tutkimuksessa, jossa, analysoitiin solujen liikkeitä mikroskooppikuvista. Algoritmin kannalta on sama, onko liikkuva kohde solu vai pelaaja.”

Teksti: Jarno Mällinen

Pääkuva: Tältä näyttää jääkiekkovalmentajan uusin työkalu. Näytöllä pyörii video pelistä, jonka pelitilanteet on järjestetty näytön alaosaan. Haluttu videoleike saadaan näkyviin palkin aikajanaa klikkaamalla. Anri Kivimäen ja Sami Huttusen kehittämä sovellus perustuu konenäkötekniikkaan (kuva Juha Sarkkinen).

 

Viimeksi päivitetty: 26.1.2018