Sber AI и ЦСКА меняют правила спортивной аналитики
Команда Sber AI Сбербанка совместно с ПФК ЦСКА разработали технологию, которая помогает идентифицировать футболистов на протяжении всего матча, используя видео всего с одной камеры. Это сделает спортивную аналитику дешевле и доступнее.
Изобретение рассматривают как новый этап в оценке матчей и способностей игроков. Созданная технология отменяет необходимость наличия нескольких камер и позволяет получить нужный объем данных без лишних затрат по одной видеозаписи.
Новинка международного уровня
Современная футбольная аналитика опирается на трекинговые данные – точную информацию о перемещении игроков и мяча, на основе которой строятся тепловые карты, рассчитывается пройденная дистанция, анализируются передачи, прессинг и командная структура. Получить все это помогает система, которая по видео во время игры непрерывно отслеживает каждого футболиста.
Мешают объективному сбору – помехи, например, игрок может выйти из кадра, скрыться за другими футболистами, слиться с соперником в борьбе за мяч или временно стать визуально неразличимым. Задача системы – снова сфокусироваться на игроке и связать разрозненные фрагменты его движения в непрерывную историю. Но самое досадное, – если система путает футболистов, вся последующая статистика становится недостоверной. Данные приписываются другому спортсмену, а на выходе мы имеем ложную картину.
На решении этой задачи сосредоточилась команда Sber AI. Вместе с ПФК ЦСКА они впервые сформулировали её как самостоятельную научную проблему и назвали Long-Term Player Identification, LTPI (долгосрочная идентификация игроков). Специалисты изучили полный матч длительностью 101 минуту и собрали необходимый набор данных и предложили новый способ оценки качества – метрику Cost-Sensitive Identification Score, CSIS (оценка идентификации с учётом цены ошибки). Она узнает игроков сразу по трём признакам: номер на футболке, принадлежность к команде (цвет формы) и внешний вид (рост, телосложение, манера движения). Научная статья про новое изобретение была представлена на международной конференции CVPR 2026 и вошла в число лучших работ в номинации Best Paper Award в американском Денвере.
Аналитика становится доступнее
Результаты тестирования показали, что в 78% случаев система уверенно называла конкретного игрока, а в оставшихся 22% случаев помечала его как «неопределённого», чтобы не вводить в заблуждение. Главное же преимущество в том, что система помогает получать данные из обычной трансляции, без дорогого оборудования.
«Совместно с ПФК ЦСКА мы создали базовую технологию, которая открывает путь к будущему «невидимому скаутингу» – системе, способной c помощью ИИ анализировать игру на основе обычного видео и трекинга с одной камеры. Такой подход позволяет постепенно перейти от ручного наблюдения к масштабируемой аналитике: видеть движение игроков по всему полю, оценивать их действия в динамике, выявлять устойчивый прогресс и зоны, где требуется повышение интенсивности и качества работы. Наше решение демонстрирует тройную пользу», – отметил Семён Будённый, управляющий директор, начальник управления развития перспективных технологий Сбербанка.
Технология, предложенная российскими специалистами, будет полезна ИТ-компаниям, которые сосредоточены на технологиях для спорта, аналитическим платформам, спортивным клубам, скаутам и поставщикам видеотрекинга. Однако такие технологии можно применить не только в футболе, но и других видах спорта, а также для развития спортивных команд в малых городах, для профессионального роста молодых спортсменов, словом, там, где раньше продвинутая аналитика была недоступна из-за высокой стоимости.
Перспективы применения
Разработка Sber AI и ЦСКА продолжает переход спортивной аналитики от дорогих аппаратно-программных комплексов к программным решениям, работающим с обычными видеозаписями. Первыми клиентами станут футбольные академии, региональные футбольные клубы и компании, создающие аналитические сервисы, для которых стоимость традиционных систем трекинга слишком высока.
Для практического применения технологии потребуется увеличить объем обучающих данных и подтвердить ее точность, тестируя на большом количестве матчей, при разных ракурсах, погодных условиях и комплектах формы. В перспективе метод может стать частью комплексной платформы, автоматически анализирующей не только перемещения, но и технические действия, тактические схемы и динамику развития игроков. Российские специалисты создали технологию, на основе которой возможно будет базироваться вся продвинутая спортивная аналитика.
