Gledate li ovih dana Olimpijske igre na televiziji, sigurno ste naišli i na prijenos umjetničkog klizanja. Možda ste i zastali i pogledali kako klizači i klizačice, naizgled bez ikakvog napora, klize po ledu na oštricama širokim svega 4-5 milimetara i izvode skokove od kakvih vam se vrti u glavi.
No, iako gledajući vrhunske sportaše kako izvode komplicirane koreografije sve može izgledati besprijekorno, iza te predstave stoje sati i sati predanog treninga. Ali i nešto tehnologije.
Istraživač Jerry Lu razvio jue optički sustv praćenja pod nazivom OOFSkate koji koristi umjetnu inteligenciju za analizu videa klizačevog skoka i davanja preporuka kako taj skok dodatno poboljšati.
Dovoljno je preuzeti aplikaciju, snimiti klizačev skok, učitati snimku u oblak i u roku od nekoliko sekundi klizač i njegov trener na zaslonu telefona imaju sve ključne metrike poput visine, rotacije, pravilnog tempiranja skoka, stabilnosti prilikom doskoka i slično.
I dok se Luov sustav koristi prilikom treninga, profesorica Anette Hosoi, suosnivačica i voditeljica MIT Sports Laba (u kojem je Lu započeo svoja istraživanja), provodi istraživanje ne bi li razumjela kako AI sustavi mogu procjenjivati estetske performanse u umjetničkom klizanju.
Znači li to da bi se AI sustavi u budućnosti mogli koristiti za ocjenjivanje olimpijskog umjetničkog klizanja?
Umjetničku stranu klizanja puno je teže procijeniti od tehničkih elemenata jer je subjektivna, ističe Lu u razgovoru za MIT News.
Mnogo je AI alata koji dolaze na internet, poput procjenitelja poza, gdje možete aproksimirati konfiguracije kostura iz videa. Izazov s ovim procjeniteljima poza je taj što ako imate samo jedan kut kamere, oni se vrlo dobro snalaze u ravnini kamere, ali se vrlo loše snalaze s dubinom. Ali s umjetničkim klizanjem, Jerry je pronašao jedno od rijetkih područja gdje izazovi dubine zapravo nisu važni. U umjetničkom klizanju morate razumjeti: Koliko je visoko ta osoba skočila, koliko se puta okrenula i koliko je dobro sletjela? Ništa od toga ne ovisi o dubini. Pronašao je primjenu u kojoj procjenitelji poza rade stvarno dobro, a koja ne plaća kaznu za stvari koje rade loše, dodaje profesorica Hosoi.
Upravo zato su pokrenuli studiju u kojoj pokušavaju otkriti kako bi umjetna inteligencija mogla provoditi estetsku evaluaciju.
Kada pitate AI platformu za estetsku evaluaciju poput „Što mislite o ovoj slici?“, odgovorit će nečim što zvuči kao da je došla od čovjeka. Ono što želimo razumjeti, da bismo došli do te procjene, jest prolaze li umjetne inteligencije istim vrstama razmišljanja ili koriste iste intuitivne koncepte kroz koje prolaze ljudi kako bi došli do „Sviđa mi se ta slika“ ili „Ne sviđa mi se ta slika“? Ili su samo papige? Samo oponašaju ono što su čule da je osoba rekla? Ili postoji neka konceptualna mapa estetske privlačnosti? Umjetničko klizanje je savršeno mjesto za traženje ove karte jer se klizanje estetski ocjenjuje. I postoje brojke. Ne možete ići po muzeju i pronaći rezultate: „Ova slika je 35.“ Ali u klizanju imate podatke, pojšanjava profesorica Hosoi.
Dakle, umjetnoj inteligenciji potrebni su čvrsti podaci, dok ćemo se o "umjetničkom dojmu" još uvijek oslanjati na ljude.
Rad na primjeni umjetne inteligencije u sportovima poput umjetničkog klizanja pomaže nam da razumijemo kako ljudi razmišljaju i pristupaju suđenju. To ima dugoročne utjecaje na istraživanje umjetne inteligencije i tvrtke koje razvijaju modele umjetne inteligencije. Stjecanjem dubljeg razumijevanja kako trenutni najsuvremeniji modeli umjetne inteligencije funkcioniraju s tim sportovima i kako je potrebno provoditi obuku i fino podešavanje tih modela kako bi funkcionirali za određene sportove, pomaže vam da shvatite kako se umjetna inteligencija treba razvijati, dodaje Lu.
Znači li to da bi u budućnosti AI suci mogli odlučivati o zlatnim medaljama na Olimpijskim igrama? Možda, ali dok se to ne dogodi, uživajte u pogledu na nevjerojatne vratolomije koje klizači izvode na ledu i pokušajte pogoditi kako su ih doživjeli suci.
