Urheilujoukkueet kuvaavat valtavia määriä videota. Ongelma on, että videon kerääminen on paljon helpompaa kuin sen katsominen.
Valmentajaa voivat kiinnostaa vain tietyt tilanteet: maalipaikat, ylivoimat, puolustuksen virheet tai tietyn pelaajan liikkeet. Jos koko ottelu pitää käydä käsin läpi ja leikata oikeat kohdat erillisiksi klipeiksi, analyysiin kuluu tuntikausia.
Oulun yliopistossa konenäköä ja videoanalyysiä oli tutkittu jo pitkään. Anri Kivimäki tuli mukaan Research to Business -projektiin, jossa teknologiaa alettiin yhdistää urheiluun. Hän toi tiimiin liiketoimintaosaamista, ja tutkimuksesta syntyi AISpotter.
Yrityksen perustajiin kuuluu Kivimäen lisäksi Sami Huttunen. Ajatus oli tehdä tekoälystä videotyöntekijä, joka etsii tallenteesta ennalta määriteltyjä tilanteita automaattisesti.
TechCrunch esitteli projektia jo vuonna 2017 Startup Battlefield -tapahtuman yhteydessä. Tuolloin ajatus kiteytyi valmentajien ajan säästämiseen: tietokonenäkö tunnistaa videosta kiinnostavia tapahtumia ja muodostaa aikajanan, josta valmentaja voi siirtyä suoraan oikeaan kohtaan.
Yle kertoi vuonna 2019 Oulun Kärppien käyttäneen järjestelmää valmennuksessa. Kivimäen mukaan työ, johon oli aiemmin voinut kulua noin kymmenen tuntia, voitiin tehdä enintään noin 20 minuutissa.
Tällainen käyttötapaus sopii tekoälylle hyvin. Ihminen osaa katsoa videota, mutta hänen aikansa on kallista. Koneen ei tarvitse ymmärtää ottelua samalla tavalla kuin kokenut valmentaja. Riittää, että se tekee suuren raakatyön ja nostaa oikeat hetket ihmisen tarkastettaviksi.
AISpotter on kiinnostava myös siksi, ettei teknologia rajoitu luonnostaan urheiluun. Sama perusongelma esiintyy kaikkialla, missä syntyy jatkuvasti videota: turvallisuudessa, mediassa, tuotannossa ja valvonnassa.
tämä sivusto-yrittäjälle ensimmäinen oppi on yksinkertainen: tekoälyn ympärille ei aina tarvitse keksiä kokonaan uutta käyttäytymistä. Etsi työ, jota ihminen tekee jo nyt tuntikausia, ja automatisoi sen tylsin osa.
Toinen oppi koskee tutkimusta. Yliopistossa kehitetty teknologia voi olla valmiina jo ennen kuin markkina osaa ostaa sitä. Kaupallistaminen vaatii siksi yhtä paljon asiakasymmärrystä kuin algoritmeja.
Kolmas oppi on datan muoto. Teksti ei ole ainoa AI-markkina. Video on valtava datalähde, jonka manuaalinen käsittely on hidasta.
AISpotterin alkuperäinen idea oli siksi erittäin konkreettinen: älä pyydä valmentajaa katsomaan kaikkea. Anna koneen etsiä ensin.