Künstliche Intelligenz und maschinelles Lernen in der Sportwissenschaft

Inhaltsverzeichnis

1. Frontmatter

2. Grundlagen

   1. Frontmatter

   2. Kapitel 1. Künstliche Intelligenz und Maschinelles Lernen: Definitionen und Grundlagen

      Daniel Memmert, Leily Bakhtiar

      Zusammenfassung

      Im Mittelpunkt dieses Kapitels stehen Definitionen und Grundlagen zu den Themen künstliche Intelligenz (KI) und Maschinelles Lernen (ML) in der Wissenschaft im Allgemeinen und der Sportwissenschaft im Speziellen. Nach der Einordnung und Strukturierung von KI und ML in der allgemeinen Wissenschaft wird im Anschluss die ML-Forschungslandschaft mit einem speziellen Fokus auf die Sportpraxis und Sportwissenschaft reflektiert. Dabei zeigt sich, dass ML-basierte Ansätze bereits in zahlreichen Sportarten wie Fußball, Volleyball, Hockey, Tennis, Badminton oder Basketball existieren, ohne dass diese einen nennenswerten Eingang in die Sportpraxis gefunden haben. Obwohl mittlerweile in vielen Sportarten standardmäßig Event- und Positionsdaten generiert werden, dienen diese fast ausschließlich grundlagenorientierten Forschungszwecken. Auf der Basis von ML könnten aber einerseits jetzt bereits leistungsrelevante Metriken für Training und Wettkampf entwickelt werden. Andererseits kann ML in der Zukunft dazu beitragen, dass in verschiedenen Bereichen der Sportwissenschaft und Sportinformatik Theorien entwickelt und überprüft werden können.

   3. Kapitel 2. Überwachtes und unüberwachtes Lernen

      Marc Garnica Caparrós

      Zusammenfassung

      Dieses Kapitel befasst sich mit den grundlegenden Unterschieden zwischen überwachtem und unüberwachtem Lernen, zwei wichtigen Algorithmenfamilien im Bereich des maschinellen Lernens (ML). Die grundlegenden Methoden und Unterscheidungen zwischen diesen Paradigmen werden vorgestellt und im Hinblick auf Modelloptimierung und -bewertung beschrieben. Beim überwachten Lernen werden Klassifizierungs- und Regressionsprobleme vorgestellt. Bei Klassifizierungsproblemen wird versucht, aus bekannten Kategorien in den Daten zu lernen, während bei Regressionsproblemen eine kontinuierliche numerische Variable das Ergebnis der Vorhersage darstellt. Auf der anderen Seite wird das unüberwachte Lernen als ein anderes Paradigma vorgestellt, bei dem die Entdeckung und das Lernen aus Daten ohne vorherige Informationen oder bekannte Bezeichnungen erfolgt, sondern durch die Erkundung der verborgenen Strukturen des Datensatzes. Darüber hinaus werden in diesem Kapitel auch die verschiedenen Bewertungsherausforderungen und -techniken dokumentiert. Die Verwendung dieser verschiedenen Paradigmen hängt von den jeweiligen Geschäftsproblemen und den Datenanforderungen ab. Für eine nachhaltige und zuverlässige Integration von Machine Learning ist es jedoch entscheidend, einen breiten Überblick über die möglichen Methoden und deren Zusammenspiel zu haben.

   4. Kapitel 3. Modellbewertung bei Anwendungen des maschinellen Lernens

      Robert Rein

      Zusammenfassung

      Der Prozess der Bewertung und des Vergleichs von Modellen des maschinellen Lernens (ML) ist entscheidend um die Leistungsfähigkeit und die Generalisierbarkeit der Ergebnisse über die Trainingsdaten hinaus einzuschätzen. Bei der Modellevaluierung wird beurteilt, wie gut ein Modell unbekannte Daten vorhersagen kann, um sicherzustellen, dass die Anforderungen des jeweiligen Problems erfüllt werden. Zu dieser Bewertung gehört das Verständnis von Konzepten wie Überanpassung und Unteranpassung, bei denen sich Modelle entweder zu sehr an die Trainingsdaten anpassen oder die zugrunde liegenden Muster nicht erfassen. Zur Messung der Modellleistung werden je nach Art des Problems verschiedene Metriken verwendet. Bei Regressionsmodellen werden in der Regel Metriken wie der mittlere absolute Fehler, der mittlere quadratische Fehler und R-Quadrat verwendet. Bei Klassifizierungsmodellen werden Metriken wie Genauigkeit, Präzision, Wiedererkennung, Spezifität und F1-Score zusammen mit Techniken wie ROC-Kurven und AUC verwendet. Validierungstechniken wie die k-fache Kreuzvalidierung tragen dazu bei, Verzerrungen und Varianz bei der Leistungsschätzung zu verringern. Die sorgfältige Berücksichtigung dieser Bewertungsmethoden gewährleistet die Entwicklung robuster Lösungen für das ML, die für spezifische Probleme geeignet sind.

   5. Kapitel 4. Prädiktive Bayes’sche Modellierung in der Sportwissenschaft

      Alexander Asteroth

      Zusammenfassung

      Für die Anwendung von künstlicher Intelligenz im Sport sind prädiktive, datengetriebene Modelle von zentraler Bedeutung. Die Datenlage im Sport ist gekennzeichnet durch kleine Fallzahlen, teilweise hohes Rauschen und lückenhafte Daten, die die Verwendung geeigneter maschineller Lernverfahren notwendig machen. Bayes’sche Inferenz gilt als geeigneter Ansatz, um mit diesem Problem umzugehen. Bei normalverteilten Parametern und Daten ist exakte Inferenz beispielsweise mit Gaußprozessen möglich. Marcov-Chain-Monte-Carlo-Methoden erlauben die Verwendung beliebiger Verteilungen für prior und likelihood. Durch die Verwendung geeigneter priors und die Selektion von Modellen, die nicht unnötig komplex sind, können auch mit kleinen und lückenhaften Datensätzen sinnvolle Vorhersagen getroffen werden.

   6. Kapitel 5. Computer Vision und Deep Learning für die Sportanalyse

      Eric Müller-Budack, Jonas Theiner, Ralph Ewerth

      Zusammenfassung

      Moderne Ansätze aus dem Bereich der künstlichen Intelligenz (KI), insbesondere das Deep Learning, haben den Bereich der Sportwissenschaft revolutioniert. Computer-Vision-Ansätze spielen eine zentrale Rolle bei der Umwandlung visueller Daten (z. B. Videoaufzeichnungen von Wettkämpfen oder Trainingseinheiten) in verwertbare Informationen, die Forscher:innen, Trainer:innen, Analyst:innen und Sportler:innen wertvolle Erkenntnisse liefern. Die Anwendungen von Computer Vision im Sport sind vielfältig und reichen von der Erkennung von Spieler:innen, der Verfolgung von Bewegungen und der Erkennung von Aktionen über die Extraktion von Key-Performance-Indikatoren (KPIs) und taktischen Mustern bis hin zur Schätzung von Positionsdaten. Daher ist es von entscheidender Bedeutung, mit den neuesten Entwicklungen im Bereich Deep Learning Schritt zu halten, um die rasanten Entwicklungen im Bereich der Computer Vision in der Sportanalytik zu verstehen. In diesem Kapitel geben wir einen Überblick über die Grundlagen und die jüngsten Forschungsfortschritte im Bereich der Computer Vision für die Sportwissenschaft. Wir stellen modernste Algorithmen vor und bieten praktische Einblicke in relevante Anwendungen der Sportanalyse, einschließlich Objekterkennung und -verfolgung, Aktionserkennung und Sportfeldregistrierung. Abschließend gehen wir auf bestehende Herausforderungen ein und diskutieren potenzielle künftige Forschungsrichtungen wie generative KI-Modelle für die Sportanalyse.

   7. Kapitel 6. Integration von menschlicher und künstlicher Intelligenz zur Entscheidungsfindung im Leistungssport

      Sam Robertson

      Zusammenfassung

      Wie in den meisten Bereichen des menschlichen Lebens durchdringen Technologien und künstliche Intelligenz (KI) weiterhin viele Funktionen und Entscheidungen im Leistungssport. Obwohl diese Entwicklungen darauf abzielen, schnellere, präzisere und zunehmend effizientere Lösungen zu bieten, ist nur wenig darüber bekannt, wie Technologien und KI am besten in die aktuellen Anforderungen und Strukturen des Hochleistungssports integriert werden können. Dieses Kapitel gibt anhand eines achtstufigen Modells der Entscheidungsfindung einen Überblick darüber, wie Technologien und KI in die bewusste und strukturierte Entscheidungsfindung von Einzelpersonen und Gruppen integriert werden können. Mit optimistischem Blick in die Zukunft und verschiedenen praktischen Tipps werden die wichtigsten Vorteile der Technologien und KI erläutert, während gleichzeitig die Rolle des menschlichen Individuums in dieser Konstellation hervorgehoben wird.

   8. Kapitel 7. Spielvorhersagen im Fußball: Machine Learning vs. Poisson-Ansätze

      Mirko Fischer, Andreas Heuer

      Zusammenfassung

      Die Vorhersage der Ergebnisse von Fußballspielen ist von hohem Interesse. Das liegt nicht nur an der Popularität der Sportart und der Freude an privaten „Tipprunden“, sondern auch an dem großen Sportwettenmarkt. Wo früher Fachwissen und Intuition eingesetzt wurden, gibt es heutzutage Modelle, die große Mengen an Daten analysieren und darauf basierend Vorhersagen treffen. Neben den Poisson-Modellen werden zunehmend auch Ansätze verwendet, die in die Kategorie Machine Learning (ML) fallen. Dazu zählen zum Beispiel neuronale Netze oder Random-Forest-Modelle. In diesem Artikel werden diese beiden ML-Ansätze sowohl untereinander als auch mit Poisson-Modellen bzgl. der Einzelspielvorhersage verglichen. Als Datenbasis werden jeweils die Spielergebnisse einer Saison verwendet. Die Analyse wird für 5 europäische Top-Ligen durchgeführt. Eine statistische Analyse zeigt, dass sich die Leistungsstärken der Teams während einer Saison nicht systematisch ändern. Um die Leistungsstärke möglichst genau zu charakterisieren, können somit mit gleichem Gewicht sämtliche Spielergebnisse, mit Ausnahme des vorherzusagenden Spiels, als Features verwendet werden. Es zeigt sich, dass sowohl die exakte Wahl der Features, als auch die Wahl des Modells nur einen geringen Einfluss auf die Vorhersagequalität aufweisen. Mögliche Verbesserungen bei der Spielvorhersage werden diskutiert.

3. Metriken im Mannschaftssport

   1. Frontmatter

   2. Kapitel 8. Maschinelles Lernen im Fußball

      Ashwin Phatak

      Zusammenfassung

      Der Aufschwung von Big Data hat die Fußballanalyse verändert und bietet durch die große Menge, die hohe Geschwindigkeit und die große Vielfalt an Informationen umfassende Einblicke. Der potenzielle Nutzen dieser Daten ist immens und bietet ein tieferes Verständnis von Mannschaftstaktik, Spielerleistung und mehr. Allerdings müssen die Herausforderungen bei der Datenverwaltung und -verarbeitung bewältigt werden. Das maschinelle Lernen (ML) hat sich zu einem wirkungsvollen Werkzeug in der Fußballanalytik entwickelt. Es wird eingesetzt, um Ereignisse zu analysieren, die Leistung von Spielern zu bewerten, Verletzungen vorherzusagen und Mannschaftstaktiken einzuschätzen. Die Anwendungen reichen von der Vorhersage von Spielergebnissen bis zur Messung individueller und kollektiver Leistungen. Offene Datensätze fördern die laufende Forschung in diesem Bereich. Die Wissensentdeckungspipeline im Fußball umfasst Datenerfassung, Vorverarbeitung, Auswertung, Modellierung und Bewertung. Dieser iterative Prozess unterstützt die Leistungsmessung, die Ermittlung von Erfolgsfaktoren und die Ergebnisvorhersage. Bibliotheken wie Floodlight, Codeball, soccermatics und optapro unterstützen die Analyse von Fußballdaten. Sie bieten optimierte Tools für den Umgang mit Daten, die Erstellung von Visualisierungen und die Gewinnung von Erkenntnissen. Big Data und ML revolutionieren die Fußballanalyse, während der Prozess der Wissensentdeckung und spezielle Bibliotheken tiefere Einblicke und strategische Entscheidungen ermöglichen.

   3. Kapitel 9. Maschinelles Lernen im Basketball

      Kehang Chen, Marc Garnica Caparrós

      Zusammenfassung

      Basketball gehört zu den beliebtesten Mannschaftssportarten der Welt und fesselt Millionen von Menschen mit seinem dynamischen Spiel und dem intensiven Wettbewerb. In den letzten Jahrzehnten hat das Aufkommen von künstlicher Intelligenz (KI) neue Wege zur Verbesserung der Leistung von Basketballspielern eröffnet und damit eine transformative Ära in der Basketballanalyse und der Athletenentwicklung eingeläutet. KI umfasst eine Vielzahl von Spitzentechnologien, von denen jede in einzigartiger Weise zur datengesteuerten Entwicklung des Basketballs beiträgt. Dieses Kapitel befasst sich mit zwei der wichtigsten Technologien der KI, maschinelles Lernen (ML) und Deep Learning, die im Bereich des Basketballs umfangreiche und erfolgreiche Anwendungen gefunden haben. Folglich zielt dieses Kapitel darauf ab, den Akteuren im Basketball, von Spielern bis hin zu Trainern, ein tieferes Verständnis dafür zu vermitteln, wie Technologien der KI die sportliche Leistung und die strategische Entscheidungsfindung verbessern können, indem sie komplexe Daten in umsetzbare Erkenntnisse umwandeln.

   4. Kapitel 10. Maschinelles Lernen im Handball

      Manuel Bassek

      Zusammenfassung

      Dieses Buchkapitel befasst sich mit der Anwendung von Techniken des maschinellen Lernens (ML) im Handball. Die Forschung im Handball ist traditionell auf manuelle Datenannotationen angewiesen. Die jüngsten Fortschritte im Bereich des ML, insbesondere bei der Erkennung von Aktionen, der Leistungsvorhersage, der Erkennung von taktischen Mustern, der Modellierung von erwarteten Toren und der Erkennung von Sequenzen, bieten jedoch neue Möglichkeiten für eine detaillierte Spielanalyse. Durch die Nutzung von Video-, Event- und Sensordaten können Forscher und Praktiker nun die Extraktion komplexer Spielphasen automatisieren, zukünftige Leistungen vorhersagen und taktische Muster erkennen. Die Einführung von Frameworks wie FAUPA-ML zeigt das Potenzial, domänenspezifisches Wissen auf große Datensätze zu skalieren, und ermöglicht die Analyse großer Datenmengen ohne die limitierenden Kosten der manuellen Annotation. Dieses Kapitel unterstreicht die Bedeutung von ML für die Verbesserung unseres Verständnisses des Sportspiels Handball, für die Bereitstellung von Werkzeugen für Trainer und Analysten zur Verfeinerung von Trainingsprozessen und zur strategischen Vorbereitung auf Gegner sowie für den Übergang zu datengesteuerten Ansätzen in der Sportanalyse.

   5. Kapitel 11. Risiko, Nutzen und Verstärkungslernen in der Eishockeyanalytik

      Sheng Xu, Oliver Schulte, Yudong Luo, Pascal Poupart, Guiliang Liu

      Zusammenfassung

      Viele Entscheidungen im Sport sind deshalb so schwierig, weil sie eine Abwägung zwischen Risiko und Belohnung beinhalten. Aktionen wie ein Dreipunktwurf, das Tragen eines Pucks oder das Dribbeln mit einem Ball bergen ein höheres Risiko des Scheiterns und erfordern außergewöhnliche Fähigkeiten, bringen aber auch das Potenzial für eine höhere Belohnung mit sich. In diesem Beitrag werden computergestützte Tools für die Risikoanalyse beschrieben, um das Risiko zu modellieren, das mit den Entscheidungen von Teams und Sportlern verbunden ist. Wir nutzen verteilungsbasiertes Verstärkungslernen (RL) als Quelle von Konzepten und Techniken für die rechnergestützte Risikoanalyse. Verteilungs-RL-Techniken ermöglichen es uns, eine dynamische Verteilung der Ergebnisse von mehr als 1000 Spielen der National Hockey League zu modellieren. Wir finden starke Belege dafür, dass starke Mannschaften viele Risiken eingehen (0,90 Korrelation zwischen dem Saisonrang der Mannschaft und der Standardabweichung der Saison). Bei den Spielern finden wir gute Belege dafür, dass stärkere Spieler mehr Risiken eingehen (z. B. 0,86 Korrelation zwischen den Saisontoren eines Spielers und seiner Value-at-Risk-Kennzahl).

4. Metriken in Individualsportarten

   1. Frontmatter

   2. Kapitel 12. Maschinelles Lernen für den zeitgenössischen Tanz

      Daniel Bisig

      Zusammenfassung

      Im zeitgenössischen Tanz steht das Experimentieren mit neuartigen und idiosynkratischen Formen der Erzeugung und Inszenierung von Körperbewegungen im Mittelpunkt der künstlerischen Aufmerksamkeit. Viele dieser Experimente beinhalten auch den Einsatz von generativen Techniken. Aus diesem Grund bietet der zeitgenössische Tanz ein fruchtbares Umfeld für die Erforschung kreativer Anwendungen des generativen maschinellen Lernens. In diesem Artikel werden die eigenen Arbeiten des Autors an vier auf maschinellem Lernen basierenden Systemen vorgestellt, von denen jedes einen bestimmten Anwendungsbereich im zeitgenössischen Tanz anspricht. Das System Granular Dance erzeugt synthetische Bewegungen, die die choreografische Ideenfindung unterstützen. Das System Puppeteering AI erzeugt einen künstlichen Tänzer, mit dem menschliche Tänzer interagieren können. Das System Expressive Aliens bietet Einblicke in die Beziehung zwischen Körpermorphologie und Bewegungsexpressivität. Das System RAMFEM demonstriert, wie die kreativen Bewegungen eines Tänzers, die er beim Improvisieren zu Musik macht, für die Sonifikation von Bewegungen übernommen werden können. Für jedes dieser Systeme beschreibt der Artikel die technische Umsetzung und erste Anwendungen. Ergänzt werden diese Informationen durch eine Beschreibung des für diese Forschung relevanten Kontexts. Dazu gehört, wie sich der zeitgenössische Tanz von anderen Tanzpraktiken unterscheidet, welche Arten von generativen Techniken im zeitgenössischen Tanz beliebt sind und welche Hauptanwendungsbereiche des maschinellen Lernens im zeitgenössischen Tanz bestehen.

   3. Kapitel 13. Automatische Annotation von Bewegungen im Tanz

      Claudia Steinberg, Helena Miko, Julian Rogawski, David Rittershaus, Anton Koch, Florian Jenett

      Zusammenfassung

      Der Beitrag skizziert die Forschung zur Anwendung von Machine Learning und Deep Learning im Bereich Tanz. Die Implementierung von automatisierten Systemen für Bewegungserkennung und -bewertung wird diskutiert, wobei verschiedene Techniken wie Pose Estimation und Human Action Recognition (HAR) betrachtet werden. Es fasst bestehende Forschungsergebnisse zusammen und zeigt die Herausforderungen und Potenziale anhand eines Anwendungsbeispiels aus dem vom Bundesministerium für Bildung und Forschung (BMBF) von 2021–2024 geförderten Forschungsprojekt #vortanz (vgl. Jenett et al., 2021) auf.

   4. Kapitel 14. Maschinelles Lernen im Hochleistungs-Skateboarding

      Rabiu Muazu Musa, Aina Munirah Ab Rasid, Che Nadia Che Samsudin, Anwar P. P. Abdul Majeed, Mohamad Razali Abdullah

      Zusammenfassung

      Das Aufkommen von Techniken des maschinellen Lernens (ML) hat den Weg für ein umfassendes Athletenprofil geebnet, das bei der Identifizierung von Spitzenleistungen in sportlichen Aktivitäten von entscheidender Bedeutung ist. In diesem Beitrag wird die Korrelation zwischen Anthro-Fitness-Variablen und Skateboarding-Leistung untersucht. Skateboarder wurden einer umfassenden Bewertung unterzogen, die verschiedene Skateboarding-Manöver sowie anthropometrische und Fitnessbewertungen umfasste. Die Leistungen der Skateboarder wurden kategorisiert, und es wurde ein Random-Forest-Klassifikationsmodell (RF) entwickelt, um die Gruppierung der Skateboarder vorherzusagen. Die Clusteranalyse ergab zwei unterschiedliche Gruppen: High Anthro-fit Skateboarder (HAS) und Low Anthro-fit Skateboarder (LAS). Das RF-Modell zeigte ein hohes Maß an Genauigkeit und erreichte 97 % beim Training und 90 % beim Test. Weitere Diagnosen des Modells ergaben, dass die HAS-Gruppe im Vergleich zur LAS-Gruppe bei allen gemessenen Variablen, mit Ausnahme des Bauchumfangs, eine bessere Leistung zeigte. Die Integration des ML bietet Trainern und Interessensvertretern wertvolle Einblicke, die bei der fundierten Entscheidungsfindung für die Entwicklung von Athleten helfen und dadurch die Wettbewerbsfähigkeit verbessern.

5. Anwendungen in der Sportwissenschaft

   1. Frontmatter

   2. Kapitel 15. Datengestützte Modelle in der Fußballpraxis

      Felipe Arruda Moura, Fabio Giuliano Caetano, Ricardo da Silva Torres

      Zusammenfassung

      Fußballspieler bewegen sich während des Spiels ständig, um verschiedene Bereiche des Spielfelds zu besetzen, um Chancen für ihre Mannschaft zu generieren und Offensivaktionen der Gegner zu verhindern. Die dominanten Regionen werden als Bereiche des Spielfelds definiert, die die Spieler vor den anderen erreichen können. In den letzten zwei Jahrzehnten wurden mehrere Modelle zur Beschreibung der von Spielern dominierten Regionen entwickelt, die Aufschluss über die Spielfeldkontrolle und die Invasionsstrategien geben. Dieses Kapitel gibt einen Überblick über die Entwicklung und Interpretation dieser Modelle sowie über die jüngsten Fortschritte auf der Grundlage datengestützter Modelle. Es werden die Konzepte, Stärken und Grenzen traditioneller Metriken vorgestellt, wie z. B. das Voronoi-Diagramm und Modelle, die probabilistische Schlüsse aus den kinematischen Daten der Spieler ziehen. Schließlich werden neue Perspektiven und wissenschaftliche Herausforderungen für die Verbesserung der Modelle vorgestellt.

   3. Kapitel 16. Anwendungen von Computer Vision in den Sportwissenschaften

      Thomas Koller, Solange Emmenegger

      Zusammenfassung

      Im Folgenden wird die Funktionsweise von zwei Computer-Vision-Konzepten vorgestellt, die für die Sportwissenschaft von großem Wert sind: Tracking und Schätzung der menschlichen Körperhaltung. Wir werden diese komplexen Methoden und die ihnen zugrunde liegenden Arbeitsprinzipien vorstellen. Wir stellen auch die Werkzeuge zur Verfügung, mit denen Sportwissenschaftler den effektivsten Algorithmus oder die effektivste Implementierung für ihren speziellen Fall auswählen können. Darüber hinaus zeigen wir anhand von Beispielen aus der Praxis, wie diese Konzepte für die Sportwissenschaft genutzt werden können und wie die häufigsten Herausforderungen zu bewältigen sind. Da diese Algorithmen oft für alltägliche Aufgaben entwickelt wurden, ist die Anpassung an die domänenspezifischen Aufgaben von großer Bedeutung. Da dieser Prozess oft die Sammlung von Sportdaten erfordert, zeigen wir die wichtigsten Punkte, die dabei zu beachten sind.

   4. Kapitel 17. Maschinenlernbasierte Analyse von Multi-Agenten-Trajektorien in der Basketball-Praxis

      Keisuke Fujii, Kazuhiro Yamada, Rikako Kono, Ziyi Zhang, Rory Bunker

      Zusammenfassung

      In diesem Kapitel wird eine auf maschinellem Lernen (ML) basierende Analyse von Multi-Agenten-Trajektorien im Basketball vorgestellt. Es befasst sich mit der Herausforderung, Multi-Agenten-Verhaltensweisen zu verstehen, die typisch für Mannschaftssportarten sind und sich durch komplexe Interaktionen und kognitive Prozesse auszeichnen. Das Kapitel zeigt auf, wie Methoden des ML solche Verhaltensweisen effektiv analysieren können, trotz der inhärenten Schwierigkeiten bei der Modellierung der Verhaltensweisen und der Interpretation dieser nichtlinearen Modelle. Wir heben zwei primäre Strategien hervor: die lernbasierte Extraktion von Merkmalen und Regeln sowie die Generierung und Kontrolle von Verhaltensweisen aus Modellen. Die erste beinhaltet die Visualisierung von Darstellungen und die Identifizierung der zugrunde liegenden Strukturen, während die zweite die Simulation und Kontrolle potenzieller und hypothetischer Szenarien ermöglicht. Das Kapitel schließt mit einer Erörterung der praktischen Auswirkungen dieser Methoden, wobei ihr Nutzen für ein besseres Verständnis des Verhaltens von Multiagenten im Basketball hervorgehoben wird.

   5. Kapitel 18. Künstliche Intelligenz zur Förderung von körperlicher Aktivität

      Vahid Farrahi, Horacio Sanchez-Trigo, Marcus Schmidt, Thomas Jaitner

      Zusammenfassung

      Trotz der weithin anerkannten Vorteile körperlicher Aktivität ist die Welt Zeuge einer Pandemie der körperlichen Inaktivität geworden. Eine beträchtliche Anzahl von Menschen verbringt die meiste Zeit körperlich inaktiv, und es gibt kaum Anzeichen dafür, dass sich dieser Trend umkehrt. In den letzten Jahren eröffnen sich durch die Entwicklungen in den Bereichen der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) neue Wege, um körperliche Aktivität und ein aktives Leben auf innovative Weise zu fördern. In diesem Kapitel werden drei emergente Schlüsselbereiche untersucht, die für die Förderung von körperlicher Aktivität von Bedeutung sind: 1) Fitnesstracking mit Wearables, 2) Chatbots und 3) Gamification. Es wird aufgezeigt, wie durch die Integration von KI und ML körperliche Aktivitäten wirksamer und nachhaltiger gefördert werden können.

   6. Kapitel 19. Maschinelles Lernen für die Verletzungsvorhersage

      Matthias Kempe

      Zusammenfassung

      Die Sportindustrie legt großen Wert auf die Verletzungsprävention, doch die derzeitigen Methoden scheitern an der Komplexität der Daten. Maschinelles Lernen (ML) bietet vielversprechende Möglichkeiten, indem es Daten von Sportlern für fundierte Entscheidungen zusammenführt. In der Forschung werden ML-basierte Systeme zur Entscheidungsunterstützung vorgeschlagen, die Variablen vereinfachen, um bessere Erkenntnisse zu gewinnen. Klassifizierungsalgorithmen dominieren die Verletzungsvorhersage, wobei ML zwar vielversprechend ist, es aber an Konsistenz bei den Vorhersagen mangelt. Kurzfristige Modelle helfen dem Trainerstab, während langfristige Modelle den Leistungs- und Betriebsabteilungen zugute kommen. Zu den Herausforderungen gehören zeitliche Abhängigkeiten und Datenverluste bei der Vorverarbeitung. Eine gründliche Datenprüfung und Fachwissen sind entscheidend, um ein übermäßiges Vertrauen in die Modellvorhersagen zu vermeiden. ML bietet die Möglichkeit, die Verletzungsvorhersage und das Athletenmanagement im Sport zu verbessern, aber es ist wichtig, die wichtigsten Herausforderungen zu bewältigen und die Robustheit sicherzustellen, bevor sie in der Praxis eingesetzt werden.

   7. Kapitel 20. Eventdatenbasierte Handlungsbewertung in der Fußball-Praxis

      Leo Martins de Sá-Freire

      Zusammenfassung

      In diesem Kapitel wird das sich entwickelnde Feld der Handlungsbewertungsmetriken in der Fußballanalytik untersucht, die die Tiefe der quantitativen Analyse über die traditionellen aggregierten Statistiken hinaus deutlich erhöhen. Durch eine detaillierte Bewertung des Wertes jeder einzelnen Aktion bieten diese Metriken die Spezifität und Granularität, die bei traditionellen statistischen Ansätzen oft fehlt. Wir werden die VAEP-Kennzahl als Fallstudie untersuchen und ihren Nutzen sowie die Einblicke, die sie in die Leistung von Spielern und Teams im Laufe einer Saison bieten kann, hervorheben. Wir erörtern auch die Grenzen dieser Metriken, insbesondere das Fehlen eines räumlichen Kontexts in den Ereignisdaten. Trotz dieser Herausforderungen bleibt die Handlungsbewertungsmetrik ein wirkungsvolles Instrument, dessen Genauigkeit und Anwendbarkeit im Profisport ständig weiterentwickelt wird. Dieses Kapitel unterstreicht, wie wichtig es ist, diese Metriken mit Bedacht einzusetzen, und untersucht mögliche Verbesserungen, um ihre inhärenten Einschränkungen zu überwinden.

6. Ausblick

   1. Frontmatter

   2. Kapitel 21. Verantwortungsvoller Einsatz von maschinellem Lernen in der Sportwissenschaft

      Fabian Wunderlich

      Zusammenfassung

      Künstliche Intelligenz (KI) im Allgemeinen und maschinelles Lernen (ML) im Besonderen haben zu erheblichen Veränderungen in Gesellschaft, Wirtschaft und Wissenschaft geführt, was selbstverständlich auch den Bereich des Sports betrifft. Während sich die Forschung zunächst auf methodische Fragen und Anwendungsmöglichkeiten konzentrierte, hat der Aufstieg von ML auch neue Probleme aufgeworfen und führt zu einer intensiveren Diskussion über den verantwortungsvollen Einsatz von ML. Das vorliegende Kapitel beleuchtet die Entwicklung von ML von der Grundlagenforschung bis hin zu einer breiten gesellschaftlichen Nutzung und die jüngsten politischen Bemühungen um die Schaffung von Richtlinien und eines gesetzlichen Rahmens für die Nutzung von KI. Verschiedenste Probleme im Zusammenhang mit ML-basierten Lösungen wie Diskriminierung, fehlende Erklärbarkeit, methodisch falscher Einsatz von Modellen oder die Anwendung für fragwürdige Zwecke werden domänenübergreifend diskutiert. Darüber hinaus zielt das Kapitel darauf ab, das Bewusstsein für den verantwortungsvollen Einsatz von ML im Bereich des Sports zu fördern. Dazu werden sportbezogene ethische, wirtschaftliche und rechtliche Fragen aufgeworfen und diskutiert, aber auch Fragen der Anwendbarkeit und Fragen im Zusammenhang mit der Art und Weise, wie wir uns unsere Gesellschaft in Zukunft vorstellen.

   3. Kapitel 22. Chancen und Herausforderungen der künstlichen Intelligenz in der Sportwissenschaft

      Chris Richter, Enda King

      Zusammenfassung

      Stellen Sie sich eine Welt vor, in der das volle Potenzial der künstlichen Intelligenz (KI) ausgeschöpft wird. In dieser Welt werden wir kritische Ereignisse wie Verletzungen im Sport vorhersagen können – ohne in die tägliche Routine der Sportler einzugreifen. KI wird eine Schlüsselrolle dabei spielen, Daten zugänglicher zu machen und damit unsere Fähigkeit, Verletzungen vorherzusehen oder sogar zu verhindern. Durch die Analyse riesiger Datenmengen kann KI Muster und Zusammenhänge aufdecken, die mit herkömmlichen Methoden möglicherweise unbemerkt bleiben, was zu einer besseren Vorhersage von Verletzungen und zu besser zugeschnittenen Präventions- und Rehabilitationsplänen sowie besseren sportlichen Leistungen führt. Der Weg zur Integration von KI in den Sport ist jedoch mit einigen Herausforderungen (Hürden) verbunden. Wir müssen uns mit Fragen wie der Sicherstellung der Genauigkeit von KI-Leistungen, der Einhaltung von Vorschriften, dem Verständnis von Datenänderungen und dem verantwortungsvollen Einsatz von KI auseinandersetzen. Trotz dieser Hürden ebnet die schrittweise Einführung von KI in den Sport den Weg für eine Ära fundierterer Entscheidungen. Sie verspricht eine Zukunft, in der Entscheidungen auf soliden Daten beruhen, was zu einem Training und einer Betreuung führt, die sowohl sicherer als auch effektiver für die Sportler ist.

7. Backmatter