Künstliche Intelligenz für den Spitzensport im Spannungsfeld zwischen Big und Small Data (KISs-BiS)

Name: Künstliche Intelligenz für den Spitzensport im Spannungsfeld zwischen Big und Small Data (KISs-BiS)
Brand: Sportverlag Strauß
Price: 27.8 EUR
Availability: OnlineOnly

Alexander Hagg Alexander Asteroth Christian Rasche Kevin Bach Mark Pfeiffer(Autor*in)

Bundesinstitut für Sortwissenschaft(Herausgeber*in)

Sportverlag Strauß

1. Auflage

Erschienen am 7. April 2022

148 Seiten

E-Book

PDF mit Wasserzeichen-DRM

Systemvoraussetzungen

978-3-86884-718-5 (ISBN)

27,80 €inkl. 7% MwSt.

Systemvoraussetzungen

für PDF mit Wasserzeichen-DRM

E-Book Einzellizenz

Als Download verfügbar

Beschreibung

Weitere Details

Weitere Ausgaben

Personen

Inhalt

Intro
OLE_LINK3
OLE_LINK4
OLE_LINK5
OLE_LINK1
OLE_LINK2
OLE_LINK6
OLE_LINK7
OLE_LINK8
OLE_LINK9
OLE_LINK10
OLE_LINK11
OLE_LINK12
_GoBack
Abb. 1: Allgemeine Darstellung eines KI-Modells (in Anlehnung an Russel & Norvig, 2020).
Abb. 2: Der SMPI-Handlungszyklus und Komponenten eines intelligenten Agenten und Interaktion mit der Umgebung (Sportler und Sportlerin) am Beispiel der Trainingssteuerung.
Abb. 3: Beispielhafter Datenfluss in einem System des Maschinellen Sehens (vgl. Weinland et al., 2011).
Abb. 4: Datenmenge und Vorhersagefehler für Small und Big Data im Vergleich (vgl. Hestness, 2017).
Abb. 5: Die Interaktion eines KI-Systems mit seiner Umgebung. Durch Wahrnehmung kann ein Modell gelernt werden, welches dazu verwendet wird, um eine Strategie zu entwickeln, die durch Intervention auf die Umgebung angewendet werden kann.
Abb. 6: Exemplarische Darstellung der Trainingsdauer unter- und oberhalb der VT2 (blaue/rote Balken, vgl. Abschnitt S/1) und der virtuellen Leistungsfähigkeit (rote Kreuze, vgl. S/2 und M/1) von Proband 1 im Verlauf des Studienzeitraums von August bis Dez
Abb. 7: Beispielhafte Darstellung eines synthetischen Belastungsprofils ("Benchmark", blaue Linie), welches für die Bestimmung der virtuellen Leistungsdiagnose verwendet wurde, sowie die hierzu korrespondierende HF-Kurve (orange Linie) mit dem hierzu erre
Abb. 8: Schematische Darstellung des antagonistischen Performance-Potential Double-Modells (kurz: PerPot DoMo) inklusive Ankopplungsfaktoren (schwarze Pfeile). (Perl & Pfeiffer, 2011)
Abb. 9: Zwei unterschiedliche Intervalltrainings (links) können durch charakteristische Merkmale beschrieben/generiert werden. Diese Merkmale können als Punkte (farbige Kreuze) in einem n-dimensionalen Raum (hier 3D) verstanden werden.
Abb. 10: Ausgestaltung des SMPI-KI-Kreislaufs inklusive Elemente der Benutzerinteraktion (orange hinterlegt) und kontextuellen Informationen (pink hinterlegt) für den Use Case Leistungssteuerung im Radsport. Das Trainingsziel (orange Umrandung) wird in de
Abb. 11: In einem Dialogfenster wird die wöchentliche Trainingssequenz (im oberen Teil des Bildes als Balkendiagramm dargestellt) mit der hierzu erwartenden Leistungsentwicklung (im unteren Teil des Bildes als roter Liniengraph dargestellt) für einen konk
Abb. 12: Darstellung eines exemplarischen Workouts, welches ein vorgegebene Trainingsdauer ober- und unterhalb der VT2 für eine Trainingseinheit an einem Tag aus der bereits zuvor ausgewählten Trainingssequenz konkretisiert.
Abb. 13: Exemplarische Darstellung eines Saisonverlaufs, in dem das Training mit der Leistungsentwicklung gegenübergestellt wird. Hierbei stellen die nicht transparenten Säulen Trainingstage dar, an denen bereits trainiert wurde, wohingegen die transparen
Abb. 14: Verhältnis von Risiko, Potential und Anwendbarkeit der KI im Spitzensport im Hinblick auf den Prozess von der Sensorik, über die Modellierung und Planung bis zur Intervention und damit dem Schließen des KI-Kreislaufes
Tabellenverzeichnis
Abbildungsverzeichnis
Vorbemerkung
Einführung
Was ist Künstliche Intelligenz?
Methoden und Anwendungsbereiche der KI
3.1 S: Sensorik, Messung und Wahrnehmung
3.1.1 Maschinelles Sehen
3.1.2 Wearables, Sensorik & Realzeitverfahren für große Datenmengen
3.1.3 Multimodale Daten
3.2 M: Modellierung, Lernen und Vorhersage
3.2.1 Deep Learning
3.2.2 Transferlernen
3.2.3 Erklärbarkeit (Explainability)
3.2.4 Robustes Lernen
3.2.5 Statistische ("Grey-Box") Modellierungsmethoden
3.2.6 Fehler- und Risikoerkennung
3.2.7 Verarbeitung menschlicher Sprache
3.2.8 Verteiltes Lernen (Federated Learning)
3.2.9 Automatisiertes vs. augmentiertes Lernen
3.2.10 Small Data
3.2.11 Dedizierte Hardware
3.3 P: Planung, Strategie und Optimierung
3.3.1 Integration der Teilschritte S, M und P (direkte Verknüpfung)
3.3.2 Lösungsdiversität
3.3.3 Multiple Kriterien
3.3.4 Effiziente Optimierung
3.3.5 Robuste Optimierung
3.3.6 Reinforcement Learning
3.4 I: Intervention, Interaktion und Manipulation
3.4.1 Mensch-Maschine-Interaktion
3.4.2 Simulation / VR / AR
3.4.3 Dimensionsreduktion und Visualisierung
Möglichkeiten der KI im Spitzensport
4.1 Methodologischer Mismatch
4.2 Struktureller Mismatch
4.3 Mangelnde Awareness
Use Cases
5.1 Trainingssteuerung
5.1.1 Methodische Festlegungen des anwendungsspezifischen SMPI-Zyklus
5.1.2 S: Sensorik, Messung und Wahrnehmung (Datenerfassung)
5.1.3 M: Modellierung, Lernen und Vorhersage
5.1.4 P: Planung, Strategie und Optimierung
5.1.5 Prototypische Umsetzung des SMPI-Zyklus
5.1.6 Diskussion und Ausblick
5.2 Wettkampfdiagnostik in den Sportspielen
5.3 Leistungsdiagnostik in multitechnischen Individualsportarten
Handlungsempfehlungen
6.1 Daten- und Methodenlage
6.2 S: Sensorik, Messung und Wahrnehmung
6.3 M: Modellierung, Lernen und Vorhersage
6.4 P: Planung, Strategie und Optimierung
6.5 I: Intervention, Interaktion und Manipulation
6.5 Allgemeine Empfehlungen für die Forschungsförderung
Abschließende Beurteilung von KI im Spitzensport
Literaturverzeichnis

Systemvoraussetzungen

Als PDF speichern Als Link merken