200 000 скаутских отчётов — как найти в них нужного игрока?Раньше в «Sevilla FC» на это могло уходить 200–300 часов ручной работы
Годами скауты фиксировали параметры, которые не помещаются в обычные статистические фильтры: принятие решений, лидерство, поведение без мяча, работоспособность, соответствие стилю команды.
По одному футболисту могло накапливаться до 40 отдельных наблюдений. Огромный архив экспертизы, в котором тяжело искать.
Вместе с IBM клуб построил Scout Advisor на платформе watsonx. Под капотом — Llama 3.1 70B Instruct. Спортивный директор может написать обычным языком:
Найди молодых вингеров, которые сильны один в один и умеют создавать пространство.Дальше система:
с помощью Llama расширяет запрос и переводит его на более точный футбольный язык
выполняет семантический поиск по содержанию отчётов, а не только по совпадению отдельных слов находит игроков, которых скауты описывали похожим образом собирает относящиеся к ним наблюдения разных специалистов генерирует краткую сводку по каждому кандидату
Важно, что Llama работает с тем, что уже написали специалисты, и помогает быстрее добраться до накопленной экспертизы. Ценность создает база знаний, которую клуб собирал годами. LLM лишь превращает огромный архив отчётов в инструмент, с которым можно общаться обычным текстом.
Похожую задачу умеет решать и наш продукт AI4F Scouting: он объединяет базу игроков, историю наблюдений, отчёты скаутов, шорт-листы и трансферные цели в одной системе, а ИИ помогает быстрее находить, анализировать и сравнивать кандидатов — как по базе данных, так и среди еще незнакомых клубу игроков.
Подробнее о кейсе Scout Advisor: Meta* · IBM
* Meta Platforms Inc. признана экстремистской организацией, её деятельность запрещена на территории Российской Федерации
