پژوهش جدید: دقت مدل AI کافی نیست؛ مسئله اصلی، قابلیت استقرار در ورزش است

به گزارش پایگاه تخصصی اقتصاد ورزش، یکی از چالش‌های اصلی پروژه‌های هوش مصنوعی ورزشی این است که یک مدل ممکن است در محیط پژوهشی عملکرد مناسبی داشته باشد، اما هنگام ورود به فرآیند واقعی تصمیم‌گیری باشگاه، قابل اتکا نباشد.

یک مرور نظام‌مند جدید در Frontiers in Physiology، قابلیت استقرار مدل‌های پیش‌بینی یادگیری ماشین را در ورزش‌های تیمی حرفه‌ای و سطح بالا بررسی کرده است. این مطالعه به جای تمرکز صرف بر میزان دقت مدل، پرسش مهم‌تری را مطرح می‌کند: آیا خروجی مدل در زمان مناسب و با داده‌هایی که واقعاً در اختیار تیم قرار دارد، قابل استفاده است؟

پژوهشگران شش مؤلفه را برای ارزیابی قابلیت استفاده عملی مدل‌ها بررسی کرده‌اند: زمان پیش‌بینی، در دسترس بودن متغیرهای ورودی، جلوگیری از نشت اطلاعات، روش اعتبارسنجی، کالیبراسیون یا قابلیت اطمینان و محدوده واقعی استقرار مدل.

این موضوع برای طراحی پروژه‌های AI در باشگاه‌ها بسیار مهم است. فرض کنید باشگاهی مدلی برای پیش‌بینی ریسک آسیب‌دیدگی بازیکن طراحی می‌کند. اگر مدل برای پیش‌بینی فردا به اطلاعاتی نیاز داشته باشد که تنها پس از تمرین فردا تولید می‌شوند، حتی اگر دقت آماری آن بالا باشد، برای تصمیم امروز مربی قابل استفاده نیست.

مطالعه دیگری که در سال ۲۰۲۶ در Frontiers in Psychology منتشر شده و ۲۷۰ پژوهش داوری‌شده درباره کاربرد یادگیری ماشین در ورزش را بررسی کرده است نیز نشان می‌دهد مشکلات کیفیت داده، تفسیرپذیری و دسترسی کاربران نهایی همچنان مانع تبدیل بسیاری از مدل‌های پژوهشی به ابزار عملی هستند.

بنابراین، پروژه AI در باشگاه نباید با سؤال «کدام مدل هوش مصنوعی را بخریم؟» شروع شود. نقطه شروع باید مسئله تصمیم‌گیری باشد: چه تصمیمی قرار است بهتر شود، چه داده‌ای در زمان تصمیم در اختیار داریم، خروجی مدل چه کسی را راهنمایی می‌کند، خطای قابل قبول چقدر است و موفقیت پروژه با چه شاخصی اندازه‌گیری خواهد شد.

برای یک باشگاه حرفه‌ای، این شاخص می‌تواند کاهش مصدومیت، افزایش دقت استعدادیابی، کاهش هزینه تحلیل، افزایش فروش بلیت، رشد تمدید اشتراک یا افزایش ارزش هر هوادار باشد.

مطالعه قابلیت استقرار مدل‌های یادگیری ماشین

مرور ۲۷۰ پژوهش یادگیری ماشین در ورزش

انتهای پیام/