12 камер вокруг стадиона, 29 суставов на каждого игрока и почти 109 тысяч координат в секунду: именно так сегодня работают технологии спортивного судейства на крупнейшем футбольном турнире мира. История, которую разбирает MIT Technology Review, важна не только для фанатов спорта: это наглядный кейс того, как компьютерное зрение, сенсоры и валидация данных доходят до продакшена там, где ошибка стоит не клика по баннеру, а исхода финала чемпионата мира.
Поводом стал один из самых нервных эпизодов финала ЧМ-2022 между Аргентиной и Францией. За 12 минут до конца дополнительного времени Лионель Месси отправил мяч в ворота французов, выводя Аргентину вперед со счетом 3:2. Но эпизод тут же уперся в офсайд: один из судей посчитал, что Лаутаро Мартинес в момент получения передачи находился ближе к воротам, чем защитники соперника, если не считать вратаря. Для арбитра это был не просто спорный момент, а решение уровня «переписать финал». Как пишет MIT Technology Review, впервые в истории мужских чемпионатов мира судьи получили в распоряжение полуавтоматическую систему определения офсайда, или SAOT.
Именно SAOT быстро разобрала момент и выдала изображение, по которому стало ясно: французский защитник все же находился чуть ближе к воротам, чем Мартинес. Причем в офсайдную зону у аргентинца фактически заходили только пальцы руки, а руки и кисти по правилам не учитываются при определении положения вне игры. Гол засчитали, Аргентина сохранила преимущество 3:2, а затем взяла титул уже по пенальти после позднего ответного мяча Килиана Мбаппе. В параллельной вселенной, конечно, можно спорить, что было бы без этой технологии. В нашей же реальности это один из самых показательных примеров того, как технологии спортивного судейства перестают быть декоративным «ассистентом» и становятся частью критической инфраструктуры принятия решений.
От велобайков к FIFA, NBA и NFL
За этой системой стоит не только FIFA, но и MIT Sports Lab — лаборатория, основанная в 2015 году. Ее задача звучит без лишнего пафоса: применять технологии и data science к реальным проблемам спортсменов, клубов, лиг и спортивных брендов. В портфеле лаборатории — работа с FIFA, NBA, NFL и Adidas. То есть речь не про академическую витрину, а про площадку, где инженерные гипотезы быстро проверяют на весьма дорогих сценариях использования.
История лаборатории началась еще около 2010 года, когда профессор механики Anette «Peko» Hosoi увлеклась даунхилльным маунтинбайком и попыталась выбрать себе новый велосипед. Выяснилось, что сравнить конструкции подвески, геометрию и типы амортизаторов толком не по чему: данных мало, нормального анализа почти нет. Тогда Hosoi превратила эту боль в учебную задачу для курса 2.001 по механике. По ее словам, экзамены в тот семестр практически целиком состояли из вопросов про велосипеды — и это оказались на удивление хорошие инженерные задачи. Позже идея выросла в инициативу STE@M, а затем в полноценный MIT Sports Lab, который Hosoi запустила вместе с предпринимателем и преподавателем Christina Chase. Формула, в общем, понятная любому продакту: сильная математика и инженерия с одной стороны, продуктовая и предпринимательская оптика — с другой.
На этом месте статья MIT Technology Review аккуратно подводит к важному тезису: спорт давно стал отраслью, где данных уже очень много, а вот людей и процессов, способных эти данные надежно интерпретировать, не всегда хватает. Hosoi формулирует это почти по-стартаперски прямо: у команд, лиг и брендов не всегда есть внутренние ресурсы, чтобы извлечь из потока данных нужную информацию. И именно здесь университетская исследовательская команда, умеющая работать и с алгоритмами, и с отраслевым контекстом, становится не консультантом «для презентаций», а усилителем для бизнеса.
Почему главный вызов здесь не сбор данных, а их валидация
Самая полезная часть истории — даже не красивый кадр с линией офсайда, а описание того, сколько грязной инженерной работы скрыто под этим интерфейсом. Для работы SAOT нужны tracking data — детальные записи перемещений игроков и мяча на протяжении матча. На турнирах FIFA для этого вокруг стадиона размещают около 12 камер, которые снимают как минимум вдвое быстрее обычных телетрансляционных камер. Затем алгоритмы компьютерного зрения превращают видеопотоки в skeletal data — трехмерные представления игроков в движении. Каждый из 22 футболистов, а также судья и два ассистента описываются через 29 суставов с координатами XYZ, и все это обновляется 50 раз в секунду. Бывший пловец и нынешний PhD-кандидат MIT Sloan Henry Wang оценивает поток в 108 900 точек данных в секунду только по людям на поле.
И это еще не все. В мяч встроен чип, который собирает данные о положении и скорости 500 раз в секунду. В сумме набегает больше десятка гигабайт skeletal data и ball-tracking data на один матч. На бумаге это звучит как мечта аналитика: наконец-то достаточно телеметрии, чтобы не спорить на глазок. На практике, как выяснилось, именно здесь все и ломается. Когда около 2021 года сторонние провайдеры начали поставлять FIFA skeletal data, у федерации не хватало полного набора технических компетенций, чтобы эту информацию валидировать. Данные отправили в MIT Sports Lab, и команда почти сразу увидела классический набор проблем из мира «AI в демо уже работает, в реальности пока не очень»: скелеты игроков зависают над полем или проваливаются под землю, конечности растягиваются с десятков сантиметров до нескольких метров, мяч летает по странным траекториям. Бывший исследователь лаборатории Ferran Vidal-Codina описывает это без дипломатии: смотреть на такие артефакты и считать систему готовой к использованию было невозможно.
Для русскоязычной IT-аудитории в этой истории ценен не сам футбол, а знакомый паттерн. Самая дорогая часть проекта на базе ИИ и CV — не собрать еще один поток событий и не натянуть красивую визуализацию, а довести данные до состояния, когда им можно доверять в режиме реального времени. Причем доверять настолько, чтобы решение не отправляли «на ручную перепроверку» каждый второй раз. В спорте это особенно заметно, потому что система работает под публичным давлением и с нулевой толерантностью к задержкам. Но ровно тот же принцип действует в промышленности, логистике, ритейле и безопасности: если исходные данные плавают, downstream-аналитика превращается в дорогую форму самообмана.
Отсюда и практический вывод для бизнеса. Технологии спортивного судейства — это не нишевая экзотика, а хороший стресс-тест для любого стека, где сходятся сенсоры, видео, ML-модели, real-time processing и человеческое решение в контуре. Если система выдерживает финал чемпионата мира, значит отрасль в целом приближается к новому стандарту: мало просто автоматизировать решение, нужно уметь объяснить его быстро, наглядно и так, чтобы с ним согласился человек, несущий ответственность. Следующий виток конкуренции здесь будет не за то, кто соберет больше данных, а за то, кто лучше отфильтрует шум, подтвердит качество модели и превратит вычисления в решение, которому не стыдно доверить матч, бренд или деньги.