Lenovos AI-verktyg bidrar till jämnare spel i fotbolls-VM
Lenovo har utvecklat ett AI-drivet system för fotbolls-VM som ger tillgång till turneringens data för alla 48 lag. Syftet är att utjämna konkurrensförhållandena jämfört med tidigare turneringar.
Dator- och teknikföretaget Lenovo har utvecklat ett AI-verktyg som ger alla 48 deltagande lag tillgång till FIFA:s turneringsdata under världsmästerskapet i fotboll. Systemet, kallat Football AI Pro, syftar till att jämna ut spelplanen genom att ge alla lag en gemensam datagrund, från erfarna nationer till debutanter.
Football AI Pro orkestrerar över 2 000 fotbollsspecifika mått och petabyte av prestanda- och historisk data. Mjukvaran är tillgänglig via mobila enheter, vilket ger spelare och tränarstab direkt tillgång till spelaranalys. Rapporter indikerar att lagen använder verktyget flitigt efter matcher för att granska individuella och kollektiva prestationer samt jämföra resultat med tidigare spel.
Lenovos engagemang sträcker sig bortom datadelning. Företaget har skapat en AI-baserad 3D-modell av samtliga 1 248 spelare i turneringen. Dessa avatarer assisterar vid offsidebedömningar och ger åskådare en tydligare bild av avgörande ögonblick från olika vinklar. Dessutom hanterar och distribuerar Lenovo ThinkSystem-servrar live-matchinnehåll från FIFA:s sändningscenter, vilket enligt Lenovo dramatiskt minskar streamingsfördröjningen.
Lenovo strävar efter att förbättra spelets kvalitet, domslut och presentation genom sin teknologi. Ken Wong, global chef för Lenovos Solutions & Services Group, betonar företagets ambition att visa sin kapacitet utöver hårdvara. "Vårt jobb är inte att lära dem hur de ska använda Football AI Pro. Vissa lag kommer att använda det bättre än andra", säger Wong, och lyfter fram vikten av att demokratisera AI och FIFA:s dataresurser för ett mer intressant och rättvist spel.
Turneringen har även presenterat andra av Lenovos tekniska lösningar, såsom den AI-stabiliserade "Referee View"-kameran som ger tittarna domarnas perspektiv. Utvecklingen har inneburit tekniska utmaningar gällande batteritid och fördröjning, men lösningar har hittats genom att dela upp uppgiften på flera mindre AI-modeller.