Mis à jour ,publié pour la première fois
Pendant les jours de canicule des confinements liés au COVID-19 à Melbourne, Sam Hung et ses amis adolescents se rendaient sur un terrain de basket local et tiraient au cerceau pour passer le temps.
Hung était alors lycéen, mais déjà un gourou technologique en herbe.
Avec autant de temps libre, il a décidé de créer une application de base qui produisait des tableaux de tirs à partir de ces matchs de street-ball. Il ne savait pas que cette expérience lui serait utile plusieurs années plus tard, lorsqu’il s’est associé à Kai Bloomfield et Cordelia King pour cofonder Superstat.
Ils ont créé une application de suivi des statistiques qui utilise la vision par ordinateur de l’intelligence artificielle pour fournir aux équipes sportives amateurs – à commencer par le basket-ball – le type de données de performance auparavant réservées aux athlètes d’élite.
La vision par ordinateur est un sous-domaine de l’IA qui donne aux machines la capacité de traiter, d’analyser et d’interpréter des entrées visuelles telles que des images et des vidéos, puis d’en extraire des informations significatives.
Superstat vient d’obtenir 3,5 millions de dollars de financement d’amorçage auprès de la société de capital-risque Blackbird et de certains investisseurs privés, et l’équipe déménagera à Austin, au Texas, en septembre pour plonger plus profondément dans le marché américain – une Mecque du sport qui est déjà fortement présente parmi ses membres – où elle prévoit de s’étendre au football américain, au baseball, au football et au volley-ball.
Plus près de chez nous, le football australien et le netball figurent également sur la liste des favoris de l’entreprise.
« Notre mission est de fournir des statistiques de niveau professionnel à tout le monde », a déclaré Bloomfield dans cet en-tête.
Statistiques de niveau NBA pour les amateurs
Les entrepreneurs de Melbourne ont d’abord travaillé ensemble sur une autre application, TrainStop, un entremetteur de recrutement sportif qui était autrefois décrit comme la réponse du football à Tinder.
L’application s’est avérée populaire auprès des clubs de base, mais un problème est rapidement apparu : des recrues potentielles les « pêchaient », embellissant leur production pour tenter de gagner rapidement de l’argent.
Bloomfield, un ancien entraîneur de développement des Oakleigh Chargers dans la Talent League des moins de 18 ans qui travaillait à l’époque à St Kilda en tant qu’analyste de football, s’est rendu compte qu’il y avait un chaînon manquant – et cela était dû à un manque de données.
Il « découpait » manuellement les images pour les Saints, une tâche onéreuse qui se reflète au niveau amateur, où les entraîneurs et les collègues bénévoles manquaient de plus de temps et étaient incapables de recueillir le même niveau d’informations.
Par conséquent, certains membres espiègles de TrainStop ont vu une opportunité d’utiliser ce déficit de données à leur avantage.
C’est à cette époque que Bloomfield et co. a commencé à s’interroger sur la possibilité d’utiliser l’IA pour suivre les statistiques et combler cette lacune dans le sport de base. Superstat est effectivement devenue l’application conçue pour résoudre ce problème.
Les débuts de l’entreprise l’année dernière ont été consacrés au football avant de découvrir l’application de basket-ball de Hung lors de la pandémie.
Cela leur a suffi pour se tourner vers le basket-ball, mais ce n’est que lorsqu’ils ont commencé à assister à des tournois et à parler aux personnes impliquées qu’ils ont réalisé l’opportunité qui s’offrait à eux.
Le trio se souvient d’une photo qu’ils ont prise lors de la Classique annuelle de Pâques d’Adélaïde, où quatre téléphones portables étaient placés sur des trépieds autour d’un terrain enregistrant un seul match de basket-ball junior.
Auparavant, les entraîneurs passaient des heures à examiner manuellement les statistiques, qui étaient souvent inexactes en raison d’erreurs humaines. Ces mêmes entraîneurs peuvent désormais télécharger des images sur Superstat, saisir des détails de base tels que les numéros de joueurs, les noms et les couleurs des maillots à des fins de marquage par l’IA – et l’application fait le reste.
À la fin du processus, les utilisateurs reçoivent un score de type NBA, comprenant les points, les rebonds, les passes décisives, les revirements et les tentatives de panier et de lancer franc, ainsi que les minutes individuelles jouées et les totaux plus/moins pour chaque athlète.
Superstat génère également des tableaux de tirs d’équipe et individuels, ainsi que des faits saillants (et des points faibles) de joueurs individuels que les entraîneurs peuvent analyser ou que les parents peuvent envoyer aux grands-parents. Un entraîneur adjoint IA propose également des suggestions sur les points sur lesquels se concentrer lors de l’entraînement et répond aux questions sur les tendances du jeu.
Le vrai coach pourrait demander quelque chose comme : « Quelles sont les forces de mon équipe ? Ou : « Le tir aux lancers francs de mon équipe s’est-il amélioré ? ou « Où devons-nous nous améliorer? »
L’entraîneur adjoint de l’IA fournira ensuite une réponse, en quelques secondes, à partir des données de jeu téléchargées.
Utiliser ainsi la technologie de l’IA constitue une étape importante pour le sport amateur et junior.
Des plates-formes d’analyse et de vidéo similaires sur le basket-ball, telles que la société américaine Hoopalytics, utilisent l’IA uniquement pour des offres telles que les évaluations des joueurs et les rapports de dépistage, tout en rémunérant des analystes humains pour suivre les statistiques réelles.
« Nous avons pensé que le gros problème pourrait être que personne ne filme les jeux, mais tout le monde le fait », a déclaré Bloomfield.
« Nous voulons que (notre application) ressemble un peu à Strava, avec ce qu’ils ont fait pour la course à pied et le cyclisme. J’utiliserai Strava et il me dira quelle devrait être ma prochaine course. Je me sens comme un olympien lorsque je cours mon 5 km à mon rythme de six minutes (par kilomètre) parce que j’obtiens ma VO2 max, ma cadence et plus encore.
« Nous voulons cela pour le développement des joueurs, et pour pouvoir aider les joueurs et leur dire : ‘Voici ce pour quoi vous êtes bon, voici ce sur quoi vous pouvez travailler, voici ce qu’il faut faire à l’entraînement cette semaine’. »
Parmi les près de 6 000 utilisateurs mensuels actifs de Superstat se trouve Joe Barker, qui entraîne l’une des équipes représentatives des moins de 12 ans de Collingwood dans la Victorian Junior Basketball League.
« Ce que j’aime vraiment, c’est qu’il met en évidence les aspects ‘méconnus’ du jeu qui ne sont pas toujours reconnus – des choses comme les rebonds, les passes décisives, les efforts défensifs et les petites choses qui aident l’équipe », a déclaré Barker.
« Cela donne à chaque joueur une chance de voir où il contribue, tout en me donnant des informations utiles pour façonner l’entraînement et aider les enfants à s’améliorer de semaine en semaine. »
Aller au-delà du score de la boîte
King apprécie que son application puisse jouer un rôle dans les décisions de recrutement, passant de décisions subjectives à des décisions objectives basées sur des données de jeu détaillées.
Cela fait partie de la vision de l’équipage Superstat. Ils ont déjà eu des discussions avec des universités américaines comme l’Arizona State, qui emploie un Australien parmi ses recruteurs.
Comme la plupart des organisations sportives, l’État de l’Arizona dispose d’un budget qui limite son bassin de recrutement aux zones dans lesquelles ils peuvent envoyer des éclaireurs – mais la modélisation de l’IA de Superstat pourrait changer la donne en ce sens.
« Le système de recrutement aux États-Unis est encore assez archaïque », a déclaré King.
« Une grande partie de cela consiste littéralement à envoyer des moments forts de YouTube aux universités, et vous devez être incroyable dans les 30 premières secondes (pour attirer l’attention). Vous envoyez un e-mail froid, ou un DM (message direct), et j’espère que quelqu’un le verra. Tout ce que nous pouvons faire pour améliorer cette visibilité est un bonus. «
Deux des plus éminents experts australiens en matière d’IA et de sport, le Dr Machar Reid et le Dr Sam Robertson, ne pensent pas que les recruteurs aient de quoi s’inquiéter dans un avenir proche.
Robertson, qui conseille des organisations et des clubs sportifs d’élite aux États-Unis, en Europe et en Australie en matière d’innovation, a déclaré que le marquage par l’IA, utilisé par Superstat, et ses avantages en termes d’efficacité constituaient jusqu’à présent la meilleure utilisation de cette technologie.
Cependant, Robertson n’était pas encore convaincu que l’IA puisse avoir un impact positif sur le processus d’identification des talents.
Reid, directeur de l’innovation de Tennis Australia, s’est montré plus optimiste, mais a convenu avec Robertson que l’utilisation de l’IA pour aider à dénicher de futures stars était « infiniment plus complexe que de simplement marquer un match ».
« L’application de l’IA à l’identification des talents est probablement plus facile et plus efficace dans des sports comme la natation, le tennis et peut-être même le golf. Ainsi que les activités individuelles », a déclaré Reid.
» Vous avez un seul concurrent, peut-être une seule action technique à analyser… il y a moins de variables qui existent hors de votre contrôle. D’un point de vue modélisation, l’exercice est plus simple. «
« Cela ne veut pas dire que cela résoudra tous vos dilemmes… mais les sports d’équipe prendront un peu plus de temps, si jamais ils y arrivent. Je pense qu’il y aura toujours l’humain et cet élément heuristique qui est important. »
Cette réalité n’a pas empêché les fondateurs de Superstat de voir grand.
Ils espèrent tirer parti de la sophistication croissante de l’IA pour pouvoir un jour analyser et mesurer de plus près les performances d’un athlète afin d’offrir des informations encore plus approfondies.
« Ce que nous cherchons à construire n’est pas seulement un système performant au niveau des scores, mais plutôt au niveau visuel », a déclaré Hung, directeur de la technologie.
« Nous voulons pouvoir identifier : « Si cette personne est ce grand, et il joue dans ce tranche d’âge, il devrait aller mieux, ou déménager ce moyen de performer encore mieux, ou d’aider l’équipe dans ce chemin’. C’est une autre couche de données à laquelle nous essayons d’accéder.