🦾AI ПРОТИВ ПРОМАХОВ
Вечерний лонгрид про то, как технологии меняют работу над броском
Одна из самых частых ошибка в работе над броском - оценивать его через процент.
“Сегодня 9 из 10 - нормально”
“Сегодня 3 из 10 - что-то не летит”
Важно понимать, что процент - это итог, а не причина.
И если игрок (или тренер) не понимает, почему мяч залетает или не залетает,
то он просто повторяет попытки, надеясь на стабильность.
Сейчас в этом месте постепенно появляются инструменты, которые меняют подход.
AI и аналитика добавляют в тренировочный процесс то, чего раньше не хватало -
понятную и повторяемую обратную связь.
Логика простая: измеряем - объясняем - корректируем - проверяем снова
И дальше - по кругу, пока не появляется стабильность. Классический принцип итерации, например, в программировании.
Что меняется на практике: бросок перестаёт быть “попал / не попал”
и начинает раскладываться на параметры: траектория, направление, точка входа в кольцо, стабильность от попытки к попытке и тд. Именно здесь начинается самое интересное, потому что два броска могут не зайти по разным причинам.
На уровне профессионального спорта такие системы уже давно используются, как рабочий инструмент, который помогает убрать случайность из процесса.
Есть https://www.prnewswire.com/news-releases/noah-basketball-is-now-used-by-26-of-30-nba-teams-301661402.html, что системы аналитики броска, такие как, например, Noah Basketball применяются в большинстве клубов NBA (а точнее в 26 из 30). Это важный маркер: если инструмент массово используется на топ-уровне, значит он даёт практическую ценность.
Здесь важно понимать: AI в броске - это не только про механику, есть и второй уровень - более глубокий. Прошлым летом во время поездок в США, в Нью Йорке и Лос Анджелесе я смотрел, как работают системы типа ShotTracker.
Там логика другая.
Это уже не просто как ты бросаешь, а что происходит в игре в целом.
Система через сенсоры фиксирует: кто бросает, откуда, после какого действия и с какой эффективностью.
Например:
- какие броски команда создаёт чаще всего
- какие реально дают результат
- кто и в каких зонах стабилен
- какие решения не работают
И это уже не уровень принятий решений игрока. Это уровень управления командой.
Но здесь появляется ключевая проблема. Данные перестали быть дефицитом.
Дефицитом стало понимание, что с ними делать.
Основной задачей стало - связать эти данные с практикой:
- какие упражнения меняют именно эти параметры
- какие из них переносятся в игру
- какие остаются только тренировочными инструментами
Также есть ещё одна важная вещь, которую часто упускают: механика не существует отдельно от игры, а игрок не бросает “в вакууме”.
Он атакует после ведения, после ускорения, в движении, под давлением, и если не связывается работа над броском с ролью игрока, то даже идеальная техника может не давать результата.
Именно поэтому AI - это не про замену специалистов, а про усиление их уже имеющихся компетенций. AI помогает быстрее увидеть проблему, но решение всё равно остаётся за специалистами и игроками.
AI не сможет бросать за игрока, зато поможет убирать хаос из процесса, делая прогресс более управляемым.
