L'arbitrage
Prévention de blessures
La nutrition
L'IA dans le sport
Entraînement et performance
La technologie
L'engagement des fans
Stratégie sportive
L'implantation d'infrastructures
La stratégie sportive
Contexte
applications
but
- Technologie en cours de développement
- Etude de la dynamique des athlètes par le laboratoire VITA
- Analyse et prédiction des comportements - Elaboration de nouvelles stratégies
Données en entrée
- Séquences vidéos
la prévention de blessures
Contexte
applications
but
- Etude du CNRS sur une équipe de football -Pas encore d'application pour le grand public
- Pour l'instant qu'au stade d'étude - Nécessite un très grand jeu de données - Nécessite un temps de calibrage pour l'application de l'algorithme à chaque individu
- Permettant d'évaluer le risque de blessure d'un sportif à chaque instant
Données en entrée
- Caractéristiques physique du sportif - Historique de blessure / de sommeil -Routine d'entrainement / nutritionnelle
l' arbitrage
Contexte
applications
but
- GoalLine Technology, HawkEye, Foxtenn - Décision arbitrale en gymnastique
- La technologie est déjà bien développée et répandue, elle est utilisée dans plusieurs sports - Dans la majorité des sports (notamment la gymnastique) l'IA est présente pour assister l'arbitre et non le remplacer.
- Le but est de prendre une décision arbitrale ou bien d'assister un arbitre dans sa décision -Donner un avis non biaisé, l'IA est impartiale
Données en entrée
- Séquence vidéo
la nutrition
Contexte
applications
but
- MyFoodRepo, NutriAI - Suivi des données nutritionnelles - Planificateur de repas - Analyse des habitudes alimentaires
- La technologie dans ce domaine est déjà bien évoluée et présente sur le marché pour le grand public - Il est important de mentionner que l'IA assiste un professionnel de la nutrition et ne le remplace en aucun cas
- Le but est de proposer un suivi nutrtionnel aux utilisateurs, important pour les sportifs souhaitant performer
Données en entrée
- Photo d'un repas - Historique des repas (entré manuellement) - Caractéristiques physique de l'utilisateur (pour définir ses besoins)
la technologie
deep learning
machine learning
IA symbolique
Hybride
l' engagement des fans
Contexte
applications
but
- Statistiques de plus en plus poussées - Diffusion de séquences vidéos en 3D (JO de Tokyo par exemple)
- La technologie est plutôt développée et déjà utilisée dans plusieurs événements sportifs
- Le but est ici d'améliorer l'expérience du spectateur grâce à l'IA - Cette technologie peut permettre de donner des statistiques poussées ou bien de proposer des contenus vidéos au spectateur
Données en entrée
- Séquence vidéo
l' implantation d' infrastructures
Contexte
applications
but
- Utilisation à Istanbul pour implanter des parkings - Testée à Montréal pour implanter des infrastructures sportives en ville
- Pour l'instant qu'au stade d'étude - Nécessite un jeu de données comprenant la demande et les infrastructures existantes (que le CREPS possède)
- Implanter une nouvelle infrastructure dans un milieu urbain - Gérer un ensemble d’infrastructures (attribution des différentes infrastructures pour les différents clubs de la région, choix des salles réquisitionnées pour l’organisation d’un évènement sportif)
Données en entrée
- Géospatiales (parcelles de terrain, limites de propriété, modèles numériques de terrain) - Démographiques (densités, répartition par âge, sexe, etc, flux de personnes) - Accessibilité (trafic routier, possibilités de stationnement, réseau de transport en commun)
entraînement et performance
Contexte
applications
but
- Garmin, Strava, Kiprun Pacer, pour analyser les performances du sportif - Analyse d'images pour déterminer la pose d'un sportif - Analyse de données issues de capteurs sur les sportifs
- Technologie plutôt bien développée -Technologie déjà proposée au grand public
- Améliorer grâce à l'IA les performances de sportifs professionnels et amateurs
Données en entrée
- Données GPS (Tracker de course) - Séquences vidéos - Capteurs Divers
machine learning
apprentissage par renforcement
apprentissage supervisé
(amélioration récursive par confrontation à un environnement) : Q-learning -> Adaptation de la stratégie de jeu pour la recherche
Données [taille : 4-5/10] : environnement et comportement modélisé (potentiellement par DL), fonction de récompense (règles du jeu)
Entraînement [temps : 4-8/10]
(comparaison de données étiquetées) : Régression linéaire -> Prédiction des performances par comparaison de taille, poids …
Données [taille : 2-4/10] : jeu de données d’entrée, associées à leur résultat de sortie
Entraînement [temps : 1-2/10]
apprentissage non supervisé
(comparaison de données non étiquetées) : k-means clustering -> Groupes de niveau similaire pour l’entraînement
Données [taille : 1-2/10] : ensemble de points de n’importe quelle taille
Entraînement [temps : 1-3/10]
machine learning
neuro-symbolique
fine tuning
Récupération d’une partie de réseau de neurone pré-entraîné, puis réentraînement -> Appli d’entraînement personnalisé
Données [taille : 1-5/10] : Nouveau jeu de données de réentrainement, plus restreint
Entraînement [temps : 2-5/10] : Majoritairement pour la récolte en cas d’analyse suivie
Couplage du DL avec l’IA symbolique pour traiter des données complexes et obtenir une réponse logique -> IA générative ; Arbitrage par caméra
Données [taille : 7-10/10] ; Entraînement [temps : 6-10/10] : Comme le DL classique, en ajoutant une partie analyse logique
deep learning
Entraînement d’un réseau de neurones, permettant à terme d’identifier des données complexes -> Reconnaissance d’images
Données [taille : 6-10/10] :
Entraînement [ temps : 5-10/10 ]
Grande quantité de données d’entrée complexes étiquetées
Ia symbolique
Compréhension par logique plutôt que par comparaison brute. Décision logique par rapport à des règles établies (grammaire, jeu) -> Arbitrage
Données [ taille : 1-2/10 ] :
Entraînement [ temps : 3-6/10 ]
Codage des règles par des ingénieurs
Règles, avec leurs conséquences logiques
L'IA dans le sport
Jules Cunin
Created on May 15, 2024
Cette carte mentale interactive sur le thème de l'IA dans le sport a pour but d'éclairer le CREPS et de l'accompagner dans la lecture de l'état de l'art remis précédemment.
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Randomizer
View
Timer
View
Find the pair
View
Hangman Game
View
Dice
View
Scratch and Win Game
View
Create a Word Search
Explore all templates
Transcript
L'arbitrage
Prévention de blessures
La nutrition
L'IA dans le sport
Entraînement et performance
La technologie
L'engagement des fans
Stratégie sportive
L'implantation d'infrastructures
La stratégie sportive
Contexte
applications
but
- Technologie en cours de développement
- Etude de la dynamique des athlètes par le laboratoire VITA
- Analyse et prédiction des comportements - Elaboration de nouvelles stratégies
Données en entrée
- Séquences vidéos
la prévention de blessures
Contexte
applications
but
- Etude du CNRS sur une équipe de football -Pas encore d'application pour le grand public
- Pour l'instant qu'au stade d'étude - Nécessite un très grand jeu de données - Nécessite un temps de calibrage pour l'application de l'algorithme à chaque individu
- Permettant d'évaluer le risque de blessure d'un sportif à chaque instant
Données en entrée
- Caractéristiques physique du sportif - Historique de blessure / de sommeil -Routine d'entrainement / nutritionnelle
l' arbitrage
Contexte
applications
but
- GoalLine Technology, HawkEye, Foxtenn - Décision arbitrale en gymnastique
- La technologie est déjà bien développée et répandue, elle est utilisée dans plusieurs sports - Dans la majorité des sports (notamment la gymnastique) l'IA est présente pour assister l'arbitre et non le remplacer.
- Le but est de prendre une décision arbitrale ou bien d'assister un arbitre dans sa décision -Donner un avis non biaisé, l'IA est impartiale
Données en entrée
- Séquence vidéo
la nutrition
Contexte
applications
but
- MyFoodRepo, NutriAI - Suivi des données nutritionnelles - Planificateur de repas - Analyse des habitudes alimentaires
- La technologie dans ce domaine est déjà bien évoluée et présente sur le marché pour le grand public - Il est important de mentionner que l'IA assiste un professionnel de la nutrition et ne le remplace en aucun cas
- Le but est de proposer un suivi nutrtionnel aux utilisateurs, important pour les sportifs souhaitant performer
Données en entrée
- Photo d'un repas - Historique des repas (entré manuellement) - Caractéristiques physique de l'utilisateur (pour définir ses besoins)
la technologie
deep learning
machine learning
IA symbolique
Hybride
l' engagement des fans
Contexte
applications
but
- Statistiques de plus en plus poussées - Diffusion de séquences vidéos en 3D (JO de Tokyo par exemple)
- La technologie est plutôt développée et déjà utilisée dans plusieurs événements sportifs
- Le but est ici d'améliorer l'expérience du spectateur grâce à l'IA - Cette technologie peut permettre de donner des statistiques poussées ou bien de proposer des contenus vidéos au spectateur
Données en entrée
- Séquence vidéo
l' implantation d' infrastructures
Contexte
applications
but
- Utilisation à Istanbul pour implanter des parkings - Testée à Montréal pour implanter des infrastructures sportives en ville
- Pour l'instant qu'au stade d'étude - Nécessite un jeu de données comprenant la demande et les infrastructures existantes (que le CREPS possède)
- Implanter une nouvelle infrastructure dans un milieu urbain - Gérer un ensemble d’infrastructures (attribution des différentes infrastructures pour les différents clubs de la région, choix des salles réquisitionnées pour l’organisation d’un évènement sportif)
Données en entrée
- Géospatiales (parcelles de terrain, limites de propriété, modèles numériques de terrain) - Démographiques (densités, répartition par âge, sexe, etc, flux de personnes) - Accessibilité (trafic routier, possibilités de stationnement, réseau de transport en commun)
entraînement et performance
Contexte
applications
but
- Garmin, Strava, Kiprun Pacer, pour analyser les performances du sportif - Analyse d'images pour déterminer la pose d'un sportif - Analyse de données issues de capteurs sur les sportifs
- Technologie plutôt bien développée -Technologie déjà proposée au grand public
- Améliorer grâce à l'IA les performances de sportifs professionnels et amateurs
Données en entrée
- Données GPS (Tracker de course) - Séquences vidéos - Capteurs Divers
machine learning
apprentissage par renforcement
apprentissage supervisé
(amélioration récursive par confrontation à un environnement) : Q-learning -> Adaptation de la stratégie de jeu pour la recherche Données [taille : 4-5/10] : environnement et comportement modélisé (potentiellement par DL), fonction de récompense (règles du jeu) Entraînement [temps : 4-8/10]
(comparaison de données étiquetées) : Régression linéaire -> Prédiction des performances par comparaison de taille, poids … Données [taille : 2-4/10] : jeu de données d’entrée, associées à leur résultat de sortie Entraînement [temps : 1-2/10]
apprentissage non supervisé
(comparaison de données non étiquetées) : k-means clustering -> Groupes de niveau similaire pour l’entraînement Données [taille : 1-2/10] : ensemble de points de n’importe quelle taille Entraînement [temps : 1-3/10]
machine learning
neuro-symbolique
fine tuning
Récupération d’une partie de réseau de neurone pré-entraîné, puis réentraînement -> Appli d’entraînement personnalisé Données [taille : 1-5/10] : Nouveau jeu de données de réentrainement, plus restreint Entraînement [temps : 2-5/10] : Majoritairement pour la récolte en cas d’analyse suivie
Couplage du DL avec l’IA symbolique pour traiter des données complexes et obtenir une réponse logique -> IA générative ; Arbitrage par caméra Données [taille : 7-10/10] ; Entraînement [temps : 6-10/10] : Comme le DL classique, en ajoutant une partie analyse logique
deep learning
Entraînement d’un réseau de neurones, permettant à terme d’identifier des données complexes -> Reconnaissance d’images
Données [taille : 6-10/10] :
Entraînement [ temps : 5-10/10 ]
Grande quantité de données d’entrée complexes étiquetées
Ia symbolique
Compréhension par logique plutôt que par comparaison brute. Décision logique par rapport à des règles établies (grammaire, jeu) -> Arbitrage
Données [ taille : 1-2/10 ] :
Entraînement [ temps : 3-6/10 ]
Codage des règles par des ingénieurs
Règles, avec leurs conséquences logiques