A falta de resolverse los ascensos entre las diferentes divisiones de las grandes ligas, la temporada deportiva 2023-24 está prácticamente finalizada y la siguiente, según todo indica, puede ser la que universalice el uso de herramientas de IA en el deporte. De hecho, dos de las ligas más importantes del mundo han empleado ya esta tecnología durante la temporada que se está cerrando: son la NFL estadounidense de fútbol americano y la Liga Española de fútbol.
¿Para qué se utiliza en LaLiga?
LaLiga aprovecha la IA y el Machine Learning para ofrecer nuevas perspectivas a jugadores y entrenadores. Con la ayuda de Microsoft, la entidad ha creado una plataforma de análisis de datos llamada Mediacoach que utiliza la infraestructura de Azure para recopilar, interpretar y mostrar información de aproximadamente 3,5 millones de puntos de datos capturados casi en tiempo real por partido a través de 16 cámaras de seguimiento óptico. En la Eurocopa se utilizarán herramientas similares y es cuestión de tiempo que los diferentes clubes empiecen a utilizarla de forma masiva. En deportes como el hockey sobre hielo ya hay ejemplos de lo mucho que estas herramientas pueden aportar a la hora de gestionar el día a día de un equipo.
El ejemplo de la NFL
El camino del futuro, que no es otro que el que permite anticipar para qué emplearán los diferentes clubes estas herramientas, lo traza la NFL, donde se emplean sistemas de IA y análisis predictivo para mejorar la seguridad de los jugadores. En colaboración con Amazon Web Services (AWS), la NFL ha desarrollado Digital Athlete, una plataforma que permite predecir qué jugadores corren mayor riesgo de lesionarse en función de las jugadas y de la posición de su cuerpo. Digital Athlete extrae datos de las etiquetas de identificación por radiofrecuencia (RFID) de los jugadores, de cámaras de seguimiento óptico colocadas alrededor del campo y, también, de dispositivos que permiten controlar las variables climáticas que rodean un partido. "Ejecutamos millones de simulaciones en escenarios de juego para indicar a los equipos qué jugadores corren mayor riesgo de lesionarse. El modelado de mitigación de riesgos puede utilizarse para analizar los datos de entrenamiento y determinar el volumen de entrenamiento ideal de un jugador, minimizando al mismo tiempo el peligro de lesiones", explica Julie Souza, responsable global de deportes en AWS.