Artikkeli on yli 5 vuotta vanha

Tekoäly syynää tarkasti Oulun Kärppien pelaajia finaalipeleissä: "On tärkeää nähdä, mitkä ovat joukkueen tyypilliset pelitilanteet"

Tekoälyä hyödynnetään yhä enemmän myös urheilussa. Tekniikan avulla suorituksia voidaan analysoida tarkasti.

Urheilusta voidaan tekoälysovellusten avulla kerätä huomattava määrä tietoa, jota voidaan käyttää esimerkikis valmennuksen tukena.
Urheilusta voidaan tekoälysovellusten avulla kerätä huomattava määrä tietoa, jota voidaan käyttää niin penkkiurheilijan viihteenä kuin valmennuksen tukenakin. Kuva: Yle / Paulus Markkula
  • Risto Degerman

Erikoistilanteiden, maalien ja ottelun etenemisen lisäksi tekoälyn avulla päästään seuraamaan yksityiskohtaisesti esimerkiksi jääkiekkopelaajien vaihtojen sujumista.

SM-liigajoukkue Oulun Kärppien käyttämästä järjestelmästä voidaan nähdä, miten nopeasti vaihdot onnistuivat liigaottelussa.

Järjestelmän kehittäneen oululaisen AISpotterin toimitusjohtaja Anri Kivimäki näyttää, kuinka tekoälyn avulla tietokoneen ruudulle piirtyy taulukko, jossa jokaisen pelaajan vaihto näkyy värikoodina sen mukaan kuinka onnistunut vaihto on ollut: punaiset ovat menneet ylipitkiksi, keltaiset ovat ok ja vihreät ovat sujuneet nopeasti. Värikoodin pituus kertoo vaihdon keston.

Jääkiekkojoukkueen pelaajien vaihtojen ajankohdat ja pituudet.
Pelitapahtumista saadaan tekoälyn avulla irti monia yksityiskohtia, joita voidaan vertailla keskenään tai analysoida tarkemmin. Vaihtojen onnistumisen seuranta on yksi tekoälyn avulla toteutettu sovellus. Kuva: Marko Väänänen / Yle

Jokaisesta vaihdosta saa esiin videotallenteen, joka näyttää, miten vaihto pelin aikana toteutui. Kivimäki näyttää tavallista pitempää punaista viivaa kärppäpelaajan kohdalla.

– Tässä pelaajan vaihto on mennyt aivan ylipitkäksi, mutta siihen on varmasti jokin syy, jonka pelaajat voivat valmentajan kanssa analysoida tarkemmin, hän sanoo.

Tekoäly helpottaa valmennusta

Oulun Kärpät on testannut ensimmäisenä liigajoukkueena jo pari vuotta sovellusta, jossa joukkue saa tekoälyn avulla tuotetut analyysivideot käyttöönsä heti ottelun jälkeen. Pelistä saatavat numerotiedot yhdistetään videokuvaan, ja sen avulla sekä pelaajat että valmennusjohto pystyvät päättelemään, mihin asioihin kannattaa jatkossa kiinnittää huomiota.

Sovellus on käytössä myös nyt meneillään olevissa playoff-peleissä.

– Meille koutseille on tärkeää nähdä, mitkä ovat oman joukkueen tyypilliset pelitilanteet, kuinka joukkue toimii suhteessa vastustajaan ja päinvastoin, Oulun Kärppien päävalmentaja Mikko Manner kuvailee pelitilanteiden analysoinnin merkitystä.

AISpotterin toimitusjohtaja Anri Kivimäki esittelee jääkiekkopelien analysointiin kehitettyä tekoälysovellusta.
Dataa kerätään pelitapahtumista kameroiden ja tietoverkkojen avulla, kertoo Anri Kivimäki. Kuva: Marko Väänänen / Yle

Aiemmin otteluvideoiden analysointiin ja videoklippien tekemiseen on saattanut mennä kymmenen tuntia. Tekoälyn avulla samaan hommaan kuluu maksimissaan 20 minuuttia. Vaikka tekoälyyn perustuva analysointi mahdollistaa myös aiempaa monipuolisemman tiedon kokoamisen, nimenomaan analyysien nopeutuminen on helpottanut valmentajien työtä.

– Ainahan näitä analyysejä pystytään tekemään myös manuaalisesti, mutta se vie valtavasti aikaa, sanoo Kärppien toimitusjohtaja Tommi Virkkunen.

Alkujaan Oulun yliopiston tutkimuksista syntynyt sovellus on ensimmäisiä pelaamiseen liittyviä käytännön tekoälysovelluksia. AISpotter työskentelee tällä hetkellä liigajoukkueista vain Oulun Kärppien kanssa.

Teknologian hyödyntäminen valmennuksessa kiinnostaa myös muita jääkiekon liigajoukkueita, ja monilla seuroilla onkin omia tekoäly-sovelluksia.

Tuskin kukaan pelaaja niitä käppyröitä sitten kiikkustuolissa muistelee.

Mikko Manner

Tekoäly ei siis ole jääkiekkokaukaloissa aivan uusi ilmiö. SM-liigassa on jo muutaman vuoden ajan kerätty otteluista reaaliaikaista tietoa digitaaliseksi dataksi (Jääkiekkoliitto).

Tavalliselle penkkiurheilijalle tekoäly näyttäytyy esimerkiksi tv-ruudun reunaan ilmestyvänä tilastotietona, joka kertoo kuinka monta syöttöpistettä, maalia tai torjuntaa pelaajat ovat tehneet siihen mennessä. Näitä tietoja voidaan hyödyntää myös kisaraportoinnissa.

Teknologia ei korvaa asennetta

Urheiluvalmennuksessa kehitellään jatkuvasti uusia tapoja hyödyntää tekoälyä. Esimerkiksi Eerikkilän urheiluopistossa on pohdittu tekoälyn käytön mahdollisuuksia uusien jalkapallolupausten tunnistamisessa (Tivi).

Kärppien päävalmentajan Mikko Mannerin mukaan tekoäly helpottaa ottelutietojen kokoamista, mutta ei sellaisenaan ole uutta. Vastustajan sekä oman joukkueen tunteminen on aina ollut tärkeä osa pelaamista ja valmennusta.

– Pelaajien välillä se tarkoittaa sitä, että pelaajat oppivat tuntemaan toistensa maneereita: kuka harhauttaa sieltä, kuka tekee sitä ja kuka tätä, Manner sanoo.

Oulun Kärppien päävalmentaja Mikko Manner joukkueen treeneissä Raksilassa24.4.2019
Tekoälyn avulla otteluita voidaan analysoida jälkikäteen, mutta pelitilanteessa ratkaisut joudutaan tekemään aina treeneissä opitulla tavalla. Kuva: Risto Degerman / Yle

Vaikka pelien analysointi onkin tärkeä osa peliä, pitää pelaamisessa olla mukana pelaamisen riemua, muistuttaa valmentaja.

– Tuskin kukaan pelaaja niitä käppyröitä sitten kiikkustuolissa muistelee. He muistavat peleistä tarinat ja persoonat. Molemmat kuitenkin kuuluvat tähän hommaan, Manner sanoo.

Oulun Kärpät johtaa HPK:ta finaalisarjassa voitoin 3–2.. Suomen mestaruus voi ratketa tänään pelattavassa ottelussa Hämeenlinnassa. Mikä on sinun arvauksesi pelin lopputuloksesta? Voit keskustella aiheesta jutun keskusteluosiossa kello 22.00 saakka.