Data Acquisition

Наша компания стала аккредитованным партнером Сбера в направлении искусственного интеллекта.

Что это значит? Коллеги из Сбера, с которыми мы ведем коммуникацию, занимаются развитием и внедрением СберГигаЧат (аналог ChatGPT), кстати, если вам нужно именно отечественное решение - то обращайтесь.

Нас коллеги готовы рекомендовать в задачах, связанных с нашим основным направлением - компьютерным зрением.

Как применяется AI в баскетболе?

Те, кто смотрят спортивные трансляции знают, что сейчас доступна детальная статистика по большому количеству игровых метрик. Все эти метрики, % владения мячом, например, можно расчитывать с помощью ИИ.

Один из проектов, реализованный нами с NBA, заключался в определении таких игровых элементов, как "заслон", по английски "screen". Если кто не в курсе, это когда один игрок из команды нападения не дает игроку в защите корпусом пройти к нападающему с мячем. Также было необходимо классифицировать данные заслоны на 12 поддипов.

В качестве данных у нас были координаты всех игроков и мяча, меняющиеся во времени. В части ML задача была достаточно сложная, и пробовали ее решать множеством подходов. Также отдельной проблемой была обработка потокового видео в real time.

В итоге получилась следующая архитектура. В multicast попадают данные раздаваемые с локальной машины или из shottracker. Далее данные отправляются в enrich и обрабатываются там добавляя дополнительный контекст, такой как идентификаторы игроков и состояние сеанса, затем данные отправляются обратно в multicast. В настройках проекта stargate происходит прослушивание различных портов multicast с помощью этого stargate может получать как “сырые” данные, так и те что были обработаны enrich. Данные из multicast принимает kafka и передает их внутрь контейнеров, в проекте поднятно 4 контейнера 3 из них это kafka, kafka manager и zookeeper, они отвечают за дальнейшую передачу данных контейнеру shottracker. Внутри контейнера shottracker как раз и происходит вся дальнейшая обработка данных и подключение различных моделей нейронных сетей которые на основе полученных данных делают предсказания и передают эти данные в UDP Stream, который в свою очередь отправляет их из контейнера наружу в udp processor. Udp processor вызывает плагины, только те что указаны в plugins.json и обрабатывает данные с помощью этих плагинов для дальнейшей отправки на сервер multicast или в influx, также плагины осуществляют логирование данных.