Τρίτη, 06 Νοεμβρίου 2018 05:48

Cyborg - 1: Μπασκετικά δίκτυα (Κώστας Πελεχρίνης)

Από :

Ζούμε κινούμενοι από μία οργανική, βιομηχανική κοινωνία, προς ένα πολύμορφο πληροφορικό σύστημα - από τα πάντα ως εργασία στα πάντα ως παιχνίδισμα, παιχνίδι θανατηφόρο.*

Όπως αναφέρθηκε στην εισαγωγή του αφιερώματος, η Κυβερνητική (cybernetics) απέτυχε να εγκαθιδρυθεί ως επιστημονικός κλάδος, κατ'αρχήν διότι είχε υπέρμετρες φιλοδοξίες. Τα κοινωνικά φαινόμενα είναι πολύ δύσκολο να εξηγηθούν με συστημικούς όρους, ούτε να ασκηθεί επάνω τους απόλυτος έλεγχος. Το μόνο που μπορεί να κάνει κάποιος είναι να προσπαθήσει. Από την άλλη, η διαδικασία της αρνητικής ανατροφοδότησης ("δεν οδηγώ το πλοίο εκεί που υπάρχει βράχος") μπορεί να αποδειχθεί απόλυτα χρήσιμη σε επιμέρους δίκτυα ή τομείς. Στο μπάσκετ, για παράδειγμα, η (συνεχής, επαναλαμβανόμενη και ποσοτική) πληροφορία για το πώς κινείται ένας ψηλός στα όρια της ρακέτας την ώρα του pick n roll, καθορίζει εν πολλοίς και την στρατηγική του επιτεθέμενου σε τέτοιες καταστάσεις. Ακούγεται απλοϊκό, όμως δεν είναι, διότι η κίνηση του ψηλού αποτελεί μόλις ένα από τα πολυπληθή γεγονότα που αναλύονται από τα προπονητικά τιμ και μεταφράζονται σε οδηγίες στους παίκτες. Ο όγκος της μελέτης είναι πλέον τόσο μεγάλος, που η οπτικοποίηση χάρην της απλοποίησης έχει σημασία.

Επάνω σε αυτή την γραμμή, έχουν εισαχθεί και γίνονται ολοένα και δημοφιλέστερα τα play type stats (δηλαδή στατιστικά που ξεχωρίζουν ορισμένες κινήσεις και μετρούν την αποτελεσματικότητα τους), όπως και τα spatial data (που συχνά μεταφράζονται σε οπτικοποιημένα διαγράμματα, τα οποία υποδεικνύουν τις ιδανικές θέσεις για σουτ στο γήπεδο, μέσω της ανάλυσης πρότερων δεδομένων ευστοχίας και αποτελεσματικότητας). Τι συμβαίνει όμως όταν ο αναλυτής/προπονητής επιθυμεί να μην απομονώσει αυτές τις πληροφορίες, αλλά να τις συνδυάσει με πιθανές συνθέσεις στο γήπεδο και μάλιστα να το κάνει σε πραγματικό χρόνο;

Για τέτοια ζητήματα, η επιστήμη των δικτύων (network science) - και γενικότερα η επιστημη δεδομένων (data science) - έχει τεθεί στην υπηρεσία του μπάσκετ στις ΗΠΑ, προσφέροντας επιπλέον θετική ανατροφοδότηση και έχοντας παράλληλα ως αρωγό ένα μοναδικό εργαλείο: Τις μικροκάμερες SportVU. Εκείνες είναι πλέον εγκατεστημένες σε όλα τα γήπεδα του ΝΒΑ, καταγράφοντας τα παιχνίδια υπό έξι γωνίες, διαφορετικές από εκείνες του τηλεοπτικού φακού. Oι κάμερες εντοπίζουν τις θέσεις των παικτών σε πραγματικό χρόνο, όπως και την θέση της μπάλας, 25 φορές ανά δευτερόλεπτο. Τα δεδομένα που προσφέρουν χρησιμοποιούνται για διάφορους σκοπούς: Aπό την ανάλυση των ενδεχόμενων μιας κατοχής και την βελτιστοποίηση της αποτελεσματικότητας, μέχρι και για την εκτίμηση του ρίσκου των τραυματισμών.1

via GIPHY

Για να τα βάλω όλα αυτά σε μία τάξη, επικοινώνησα με τον Κώστα Πελεχρίνη, Associate Professor του Πανεπιστημίου του Pittsburgh, School of Computing and Information. O Kώστας Πελεχρίνης έχει δημοσιεύσει (μεταξύ πολλών άλλων) εργασίες σχετικές με ανάλυση δεδομένων σε διάφορα αθλήματα, ενώ μελέτες του έχουν παρουσιαστεί στο ετήσιο συνέδριο Sloan Sports Analytics Conference του MIT (φωτό λίγο παρακάτω). Διατηρεί επίσης συνεργασία με ομάδες του NFL και NCAA, ενώ έχει συνεργαστεί στο παρελθόν και με ομάδες του ΝΒΑ. Η συζήτηση που ακολουθεί είναι αποτέλεσμα ενός συνδυασμού γραπτών ερωτήσεων και μιας ακόλουθης συνομιλίας στο Skype.

Κώστα σε ευχαριστώ πολύ για την συμμετοχή σου και τον χρόνο σου. Ποιο είναι ακριβώς το δικό σου αντικείμενο έρευνας σε σχέση με τον αθλητισμό;

Στο χώρο αυτό γενικά ενδιαφερομαι για in-game decision making. Ασχολούμαι κυρίως με μπάσκετ και Αμερικάνικο ποδόσφαιρο (και λίγο λιγότερο με ποδόσφαιρο) και εκεί με ενδιαφέρει το πώς οι διάφορες αποφάσεις μεσα στο παιχνίδι επηρεάζουν τις πιθανότητες νίκες. Επίσης με ενδιαφέρουν νέοι τρόποι να αξιολογήσουμε παίχτες ξεχωριστά, αλλά και πώς συνδυάζονται μεταξύ τους μέσα στο γήπεδο. Π.χ., επειδή υπάρχει η επίδραση της τύχης μέσα στο παιχνίδι, το FG% δεν είναι απαραίτητα καλός τρόπος να αξιολογήσεις έναν παίχτη/ομάδα. Η ποιότητα των σουτ που πήρε είναι πιο ενδεικτική. Για παράδειγμα, στην αρχή της σεζον πέρισυ οι 76ers δεν ξεκίνησαν καλά, αλλά ήταν από τις καλύτερες ομάδες σε shot quality. Τα σουτ δεν έμπαιναν λόγω της τυχαιότητας του παιχνιδιου, αλλά οι Sixers ήταν συνεπείς στο να παίρνουν καλά σουτ. Και τελικά τελείωσαν την χρονιά δυνατά. Αυτό είναι απλά ένα παράδειγμα του τι εννοω.

Ασχολούμαι επίσης με lineup evaluation. Τα νούμερα +/- είναι καλά για την μέτρηση της αποτελεσματικότητας, αλλά τι γίνεται αμα έχεις ένα lineup που έχει παίξει λίγο; Αμα έχεις ένα lineup που δεν έχεις δει ποτέ; Αυτά είναι μερικά από τα πράγματα που κοιτάω.

Tί είναι το network science και η ποια η σχέση του με τα analytics στο μπάσκετ;

Network science είναι ένας χώρος που έχει αναπτυχθεί μέσα από πολλές διαφορετικές "παραδοσιακές" επιστημες όπως φυσική, στατιστική, θεωρία υπολογιστών και κοινωνιολογία. Το network science ασχολείται με δεδομένα, τα οποία εκφράζουν σχέσεις μεταξύ αντικειμένων. Πολλά φαινόμενα μπορούν να αναπαρασταθούν με δίκτυα, όπως ένα δίκτυο δρόμων και ανάλυση της κινησης, οι σχέσεις μεταξύ ανθρώπων κλπ. Στο μπάσκετ - και σε κάθε άθλημα - δημιουργούνται πολλές σχέσεις μεταξύ των παιχτών: Ποιος ανταλλάσσει πάσες με ποιον, ποιος κάνει αλλαγή ποιόν. Αυτές οι διαδράσεις μπορούν να αναπαραχθούν με δίκτυα και να αρχίσουμε να υπολογίζουμε πράγματα, όπως ποιος ειναι ο "αδύναμος κρίκος" σε μια πενταδα, πόσο καλή κυκλοφορία της μπάλας έχει μια ομάδα, μετρώντας πόσο ισχυρά συνδεδεμένο είναι το δίκτυο.

Γενικά θεωρώ ότι το network science είναι ιδανικό εργαλείο για να μελετηθουν ομαδικά αθλήματα. Πάντα όταν μιλάω για δίκτυα μου αρέσει να χρησιμοποιώ ένα παράδειγμα. Ας πούμε ότι εχουμε ενα μολύβι και ένα διαμάντι. Και τα δύο αντικείμενα είναι φτιαγμένα από την ίδια πρώτη ύλη, άνθρακα. Έχουν όμως τελείως διαφορετικές ιδιότητες. Ο λόγος είναι ότι τα άτομα άνθρακα έχουν διαφορετικό "δίκτυο" διασυνδέσεων στα δύο αντικείμενα και αυτό το δίκτυο έχει σαν αποτέλεσμα το τελικό προϊόν στην περίπτωση του διαμαντού να έχει παραπάνω αξία από το απλό άθροισμα των ατομων άνθρακα. Έτσι και σε μια ομάδα. Έχεις παίχτες, αλλά το πώς συνεργάζονται (η σχέση τους μέσα στο γήπεδο) μπορεί να κάνει μια ομάδα (με όχι stars) να παίζει πολύ καλύτερα.

Σε ποιο άθλημα έχουν προχωρήσει περισσότερο τα analytics και γιατί;

Η ξεκάθαρη απάντηση σε αυτό είναι το baseball. Υπάρχουν διάφοροι λόγοι, αλλά ένας σημαντικός είναι ότι το άθλημα έχει αρκετά διακριτή μορφή. Το μπάσκετ είναι ίσως το επόμενο άθλημα που έχει μπει αρκετά βαθειά στα analytics. Έχει ξεκινήσει αρκετά χρόνια τώρα και έχει πάρει ακόμα περισσότερο εύρος μετά την συλλογή των δεδομένων απο SportVU. Τα τελευταία χρόνια το ποδόσφαιρο, το Αμερικάνικο ποδόσφαιρο και το χόκει έχουν αρχίσει να χρησιμοποιούν analytics και ο κύριος λόγος είναι ότι πλεον μπορούμε να μαζεύουμε και για αυτά τα αθλήματα δεδομένα παρόμοια με το SportVU. Σε αθλήματα σαν το ποδόσφαιρο και το Αμερικάνικο ποδόσφαιρο, χωρίς αυτά τα δεδομένα είναι πολύ λίγα τα πράγματα που μπορείς να αναλύσεις.

Π.χ. το ποδόσφαιρο είναι ένα άθλημα χώρου. Τα στατιστικά που έχουμε μέχρι τώρα (σουτ, φάουλ, οφσαιντ κτλ.) είναι όλα on-ball events. Ομως στο ποδόσφαιρο ένας παίχτης έχει την μπάλα στα πόδια του κατά μέσο όρο 3 λεπτά! Οπότε η επιρροή του στο παιχνίδι συνίσταται κατά κύριο λόγο στο τι κάνει χωρίς την μπάλα στα πόδια. Με αυτά τα δεδομένα μπορούμε πλεον να αρχίσουμε να κοιτάμε αυτά τα πράγματα με περισσότερη λεπτομέρεια. Προφανώς όλα αυτά γίνονταν και πριν με film study, αλλά με τα δεδομένα τώρα μπορούμε να τα κάνουμε αυτά γρήγορα και σε μεγάλη κλιμακα.

Ποια είναι η ανάγκη που οδηγεί σε όλο και μεγαλύτερη εισχώρηση των analytics στο μπάσκετ; Είναι η προβλεψιμότητα; Γίνεται να φτάσουμε σε σημείο που να ελεγχθουν τα πάντα όπως επεδίωξαν κάποτε τα cybernetics; Τι ρόλο παίζει η τύχη;

Γενικά τα σπορ είναι ένας από τους χώρους όπου ενώ υπάρχουν αρκετά δεδομένα (και "καθαρά" δεδομένα), παραδοσιακά αυτά δεν χρησιμοποιούνται για decision making ή τουλάχιστον δεν χρησιμοποιούνταν με ένα συστηματοποιημένο τρόπο. Στατιστικά και αριθμοί δεν είναι κάτι καινούριο στον αθλητισμό. Το πρώτο boxscore καταγράφηκε τη δεκατεία του 1860 (!!) σε αγώνα baseball. Αυτό που έχει αλλάξει είναι ότι μπορούμε να μαζεύουμε πολλά περισσότερα δεδομένα και να τα αναλύσουμε γρήγορα. Τα δεδομένα αυτά βοηθάνε στο να πάρουμε αποφάσεις. Π.χ. ποιον παίχτη να πάρουμε στη free agency ή στο draft κτλ. Δεν θα μας δώσει 100% απάντηση αλλά θα μειώσει την αβεβαιότητα. Περισσότερη πληροφορία σημαίνει καλύτερες αποφάσεις. 

Είναι ακριβώς ό,τι γίνεται σε άλλες βιομηχανίες. Όταν πάει κάποιος να πάρει ένα δάνειο από μια τράπεζα, η τράπεζα αναλύει πληθώρα δεδομένων για να αποφασίσει αν θα δώσει το δάνειο. Ουσιαστικά προσπαθεί να βρει την πιθανότητα να μην ξεπληρώσει το δάνειο ο παραλήπτης. Αυτό έχουν πλεον αρχίσει να κάνουν και στα αθλήματα. Δεν πιστεύω ότι θα φτάσουμε ποτέ στο σημείο όπου όλα θα είναι προβλέψιμα 100%. Ούτε καν 80%. Η τύχη παίζει μεγάλο ρόλο στον αθλητισμό - σε καποια σπορ περισσότερα από αλλά. Στο American football ισως η έννοια των cybernetics να βρίσκει καλύτερη εφαρμογή, διότι εκεί οι παίκτες είναι σαν πιόνια και μπορείς να σχεδιάσεις πάρα πολλά πράγματα με λεπτομέρεια. Όμως στο μπάσκετ, μπορεί να έχεις καταλήξει ότι μία επίθεση καλό είναι να ξεκινήσει από την κορυφή, αλλά δεν έχεις ιδέα τι θα κάνει από εκείνο το σημείο ένας παίκτης σαν τον Κάρι. 

Eχεις ασχοληθεί, αν δεν κάνω λάθος, με μοντέλα που προβλέπουν την αξία της κατοχής μέσα στα 24’’, όπως το EPV. Θα ήθελες να μας εξηγήσεις πώς λειτουργούν αυτά και πώς μπορεί να επηρεάζουν τις αποφάσεις των προπονητών; Θα φτάσουμε στο σημείο ένα προπονητικό τιμ να επιλέγει τα σχέδια του σχεδόν αποκλειστικά βάση δεδομένων που προκύπτουν από συστήματα παραγωγής δεδομένων, όπως οι κάμερες SportVU;

Ναι έχω ασχοληθεί και ασχολούμαι με αυτό και ο λόγος που ασχολήθηκα είναι ότι ήθελα να έχω ένα μοντέλο, που θα μπορούσε να ποσοτικοποιήσει πράγματα όπως ένα καλό screen, off-ball movement, πράγματα γενικά που δεν είναι εύκολο με τα υπάρχοντα στατιστικά να ποσοτικοποιήσουμε. Υπάρχουν διάφοροι τρόποι να φτιαχτεί ένα τέτοιο μοντέλο. Η γενική ιδέα είναι ότι με τόσα δεδομένα που πλεον έχουμε απο SportVU, μπορει κάποιος να "κοιτάξει" σε όλα το φάσμα τους και να βρει επιθέσεις με παρόμοια κατανομή στο χώρο των παιχτών (επίθεση και άμυνα) και να δει ποιο είναι το αναμενόμενο αποτέλεσμα. Καθώς οι παίχτες κινούνται αυτό αλλάζει. Εγώ αυτή τη στιγμή προσπαθώ να το κάνω με το neural netwοrks, όπως το demo που ακολουθεί, αλλά υπάρχουν και άλλοι τρόποι.

Μέχρι τώρα δεν μπορώ να πω ότι αυτά επηρεάζουν αποφάσεις προπονητών άμεσα, αλλά για παράδειγμα οι Toronto Raptors που είναι από τους pioneer σε analytics, χρησιμοποιούσαν παρόμοια μοντελα για να βρούνε τις καλύτερες θέσεις τον αμυντικών. Ετσι μπορούσαν να δουνε ποιοι παίχτες παίζουν καλή άμυνα και ποιοι όχι2. Περισυ κάποιοι συνάδελφοι από τη Disney Research εφτιαξαν ένα σύστημα που του δίνεις ένα επιθετικό σχήμα και σου βγάζει την πιθανή αντίδραση της άμυνας3. Αυτό θα μπορούσε να είναι σίγουρα ένα εργαλείο για να βοηθήσει στην τακτική πιο άμεσα. Θα αντικαταστήσει τον προπονητή; Οχι, δε νομιζω, γιατί ακόμα η ανθρώπινη νοημοσύνη είναι ανώτερη από την νοημοσύνη των μηχανών. Το πλεονέκτημα των μηχανών είναι ότι μπορούν να κάνουν πράγματα πολύ γρήγορα και επίσης μπορούν να κανουν πολύπλοκες δουλειές. Όμως, κάποιος άνθρωπος τα έχει προγραμματίσει :)

Πόσο θεωρείς ότι επηρεάζει ένας τετοιος σχεδιασμός την ατομική ανάπτυξη των παικτών; Θελω να πω: αν τα spatial statistics ή η αναλυση των ενδεχομένων της κατοχης γίνονται ολοένα και πιο καίρια στον αγωνιστικό σχεδιασμό, υπάρχει η περίπτωση οι παίκτες να αναπτύσσονται ατομικά με τέτοιο τρόπο, ώστε να εξυπηρετούν συγκεκριμένα αγωνιστικά πλάνα; Αυτή είναι μια περίεργη ερώτηση, αντιλαμβάνομαι, αλλά είναι μέρος ενός παράλληλου σκοπού του αφιερώματος, που αφορα το «να το φιλοσοφήσουμε και λίγο».

Ναι αυτό είναι νομίζω το επόμενο στάδιο. Σκέψου πως υπάρχουν πλέον ελάχιστοι παίκτες σαν τον Πάσπαλι ή τον Μπέρι, που σούταραν με ένα εντελώς ξεχωριστό στυλ. Πρόσφατα ένα video του Καρμελο Αντονι έγινε viral, επειδή πήρε ένα midrange shot αντί για three point shot και γύρισε στον πάγκο και είπε "sorry" :)

Ένα άλλο βίντεο έδειχνε τον Κερ να μιλάει με τον Κάρρυ και να του λέει ότι τα σουτ δεν μπαίνουν, αλλά όταν είσαι στο γήπεδο έχεις +10 (στο +/- στατιστικό), οπότε κάτι κάνεις καλά. Θα μπούν τα σουτ, απλώς υπάρχει και το θέμα της τύχης που είπαμε και παραπανω. Οι παίχτες σίγουρα παίρνουν υπόψην τους τι λένε τα analytics και τα στατιστικά στοιχεία. Πόσο αλλάζουν τον τρόπο παιχνιδιού τους με βάση αυτά σίγουρα έχει να κάνει και με το προπονητικό team. Αλλά γενικα στην Αμερική οι παίχτες κάνουν πολλή μελέτη, τόσο του προσωπικού τους παιχνιδιου, όσο και των αντιπάλων. Και αυτός είναι ένας λόγος που μπορεί σε πολλούς στην Ελλάδα (με βάση σχόλια και άρθρα που βλέπω σε διάφορα αθλητικά σαιτ) να φαίνεται ότι οι ομάδες παίζουν χωρίς συστημα. Ο προπονητης έχει input, αλλά οι παίχτες ξέρουν πώς να αντιδράσουν μέσα στο παιχνίδι. Δεν είναι ότι δεν έχουν σύστημα, αλλα είναι ότι έχουν backbone συστήματα, στα οποια καταφεύγουν εκεί όταν χρειάζεται, και τα προσαρμόζουν σε πραγματικό χρόνο με βάση του τι κάνει ο αντίπαλος.

Για να πάμε πίσω στην ερώτησή σου, δεν είμαι σίγουρος ότι κοιτάνε αυτή τη στιγμή τα raw data, αλλά μπορώ να δω τους παίχτες όταν κάνουν film study στο μέλλον να έχουν αυτά τα βίντεο συμπληρωμένα με πράγματα όπως shot quality of a teamate, και να βλέπουν αν πήραν καλή απόφαση να σουτάρουν και όχι να πασάρουν κτλ. Και οι προπονητές μπορούν να πάνε πισω στους παίχτες πλέον, και να τους πούνε "αυτή η απόφαση σου εδώ μας κόστισε 5% σε win probabiltiy". Παλι δεν αλλάζει το άθλημα, απλά δίνεις στην ομάδα πιο ολοκληρωμένη εικόνα.

Όλα όσα είπαμε μέχρι στιγμής, μου δίνουν μια εικόνα του αθλητή ως cyborg να πω την αλήθεια. Μου φαίνεται ότι οι αθλητές βρίσκονται στο κέντρο δικτύων και πως στο σώμα τους εγγράφονται συνεχώς πληροφορίες, όπως σε μία κόλλα χαρτί.

Ναι, σίγουρα συμβαίνει αυτό ως ένα σημείο. Ισως σε 20 χρόνια από τώρα, ίσως και σε λιγότερο, θα μπορούν τα staff να έχουν ένα tablet στο χέρι και να παρακολουθούν σε real time ένα σωρό ατομικά δεδομένα, μέχρι για παράδειγμα και το επίπεδο ενυδάτωσης. Σκέψου στο football, όταν ένας kicker ετοιμάζεται να εκτελέσει ένα field goal, να μπορεί να μετρηθεί ο ρυθμός των καρδιακών του παλμών. Τότε αν παρατηρηθεί ότι για έναν παίκτη αυτός αυξάνεται σημαντικά, μπορεί να επιλεγεί άλλος να εκτελέσει του σουτ.

Κάτι τέτοιο βέβαια εγείρει ηθικά ζητήματα, διότι τέτοιες εξειδικευμένες πληροφορίες μπορούν να χρησιμοποιηθούν μέχρι και για την διαπραγμάτευση μελλοντικών συμβολαίων. Για αυτόν τον λόγο, τα biometrics συλλέγονται την δεδομένη στιγμή σε εθελοντική βάση. Είναι πολύ διαφορετικό να γνωρίζεις ότι ένας αθλητής είναι επιρρεπής σε κάποιους τραυματισμούς από το να γνωρίζεις τις συνήθειες του ύπνου του λόγου χάρη. Και γενικά, δεν πιστεύω ότι η συλλογή ανάλογων δεδομένων θα γίνει υποχρεωτική σύντομα, διότι στην Αμερική υπάρχουν δυνατές ενώσεις παικτών, οι οποίες σίγουρα θα θέσουν τους όρους τους. Από την άλλη, εφ'οσον κάποια στιγμή βρεθεί η χρυσή τομή και παρασχεθούν κάποιες δικλείδες ασφαλείας, τότε οι πληροφορίες τέτοιου τύπου θα βοηθήσουν τόσο τους παίκτες όσο και το ίδιο το άθλημα. Σκέψου πως αν π.χ. παρατηρηθεί ότι κάποιος δεν έχει καλή απόδοση και παράλληλα βρεθεί πως αυτό οφείλεται σε ένα ποσοστό 30% επιπλέον φόρτου στην προπόνηση, τότε μπορούν να του μειώσουν τον φόρτο επακριβώς και τελικά να παίξει πολύ καλύτερα.

---------------------------------------------------------------------------------------------------------------

Οι αθλητές βρίσκονται εν μέσω δικτύων πληροφοριών, τα οποία προσπαθούν να βελτιστοποιήσουν τόσο την ομαδική, όσο και κατ'επέκταση την ατομική απόδοση. Το στοιχείο του απρόβλεπτου παρόλα αυτά, είναι δύσκολο να εξαλειφθεί από το μπάσκετ. Μέσα από τα όσα καταπληκτικά μοιράστηκε μαζί μας ο Κώστας Πελεχρίνης, προκύπτει επίσης και ένα πανέμορφο "παράδοξο": η μη απόλυτη προβλεψιμότητα είναι κατά μία έννοια συνέπεια της προσπάθειας για πρόβλεψη, μέσω της ενδελεχούς ανάλυσης ποσοτικοποιημένων δεδομένων.

Αναλογιστείτε: με τα αναλυτικά εργαλεία μπορούν να αναγνωριστούν στο θεωρητικό επίπεδο οι πιο επιθυμητές λύσεις στα μπασκετικά προβλήματα. Οι προπονητές θα δώσουν τις εντολές, βασιζόμενοι φυσικά και στο δικό τους μάτι, στους παίκτες. Εκείνοι, προκειμένου να ανταποκριθούν στις απαιτήσεις, θα πρέπει να δουλέψουν και να βελτιωθούν. Aπό την διαδικασία αυτή προσαρμογής και βελτιστοποίησης των ικανοτήτων (skillset), προκύπτουν ως συνέπεια ακόμη καλύτεροι μπασκετμπολίστες, με ανεπτυγμένα τα ένστικτα αποφάσεων. Και όσο καλύτεροι γίνονται, τόσο μπορούν να αψηφήσουν ξανά και ξανά τα όσα υποδεικνύει η - απόλυτα χρήσιμη και απαραίτητη - μαθηματική εξίσωση. Για την αναλυτική στατιστική, το παρακάτω δεν είναι το καλύτερο δυνατό σουτ.

via GIPHY

Δεν είναι ελεύθερο, δεν προέρχεται από τις γωνίες, πριν από αυτό η ομάδα δεν έχει αλλάξει ούτε μία πάσα και το spacing έχει καποια προβληματα. Είναι παρόλα αυτά καλό για το σύνολο και ταυτόχρονα η στιγμή που το cyborg της επιστημονικής φαντασίας αμφισβητεί τους δημιουργούς της. Για να το κάνει, χρειάζεται επιπλέον όσο το δυνατόν καλύτερα σωματικά προσόντα. Για αυτά, θα μιλήσουμε στο αμέσως επόμενο μέρος, με τον Head Performance Specialist της ΤΣΣΚΑ Μόσχας, Κώστα Χατζηχρήστο.

Σημειώσεις

* Donna Haraway, A Cyborg Manifesto (1985), στο 'Ανθρωποειδή, Κυβόργια και Γυναίκες' (1991, σελ 239), εκδόσεις Αλεξάνδρα 2014.

1. Oι κάμερες Sport VU, καθώς συλλέγουν πληροφορίες σχετικές με τις αποστάσεις που διανύουν οι παίκτες μέσα στο γήπεδο και την ένταση με τις οποίες τις διανύουν, μπορούν να συλλέξουν και δεδομένα καταπόνησης. Για περισσότερες πληροφορίες διαβάστε στον σύνδεσμο. https://www.stats.com/sportvu-basketball/  Επίσης, μπορείτε να ρίξετε μια ματιά στο παρακάτω συνοπτικό βίντεο.

2. Για το πρόγραμμα των Τορόντο Ράπτορς διαβάστε παρακάτω. http://grantland.com/features/the-toronto-raptors-sportvu-cameras-nba-analytical-revolution/

3. Η εργασία για την άμυνα, στην οποία αναφέρεται ο Κώστας Πελεχρίνης, ονομάζεται "Bhostgusters: Realtime Interactive Play Sketching with Synthesized NBA Defenses" και μπορείτε να την βρείτε παρακάτω http://www.sloansportsconference.com/wp-content/uploads/2018/02/1006.pdf

 

 PODCASTS

Basketballguru.gr 2018 All righs reserved.      Designed and Developed by Web Rely