AI4BI расширил спортивную аналитику: от крикета к футболу и хоккею
AI‑платформа AI4BI, впервые запущенная в 2017 году для крикета, в 2026 году получила универсальный модуль с RAG‑базами и мощным ML‑движком, готовый к анализу футбола, хоккея, волейбола и др.
В 2017 году команда Raft представила первое в России профессиональное решение для спортивной аналитики – AI4BI, ориентированное на экзотический крикет. На тот момент система выглядела как «космолет»: сложный набор скриптов, ограниченный набором метрик и без возможности масштабирования. За девять лет проект претерпел кардинальные изменения. В 2026 году AI4BI получил универсальный модуль, который объединяет несколько ключевых технологий:
- RAG‑базы знаний – динамические векторные хранилища, позволяющие быстро подключать доменную экспертизу (правила игры, исторические данные, тактические схемы) без переписывания кода;
- ML‑платформа последнего поколения, построенная на гибридных моделях трансформеров и графовых нейронных сетей, обеспечивающих точный прогноз действий игроков и оценку командных стратегий;
- API‑слой с поддержкой REST и gRPC, открывающий возможность интеграции в существующие аналитические пайплайны спортивных клубов и медиа‑компаний.
Благодаря этим улучшениям AI4BI теперь обслуживает футбол, хоккей, волейбол, баскетбол и даже киберспорт. Платформа автоматически формирует «доменные профили» через RAG, что позволяет аналитикам без глубоких знаний в машинном обучении добавлять новые виды спорта. Встроенные дашборды показывают метрики в реальном времени: ожидаемая цель (xG), вероятность победы, нагрузка на игроков и т.д.
Разработчики получили доступ к открытым SDK на Python и JavaScript, а также к готовым шаблонам Jupyter‑ноутбуков. Для студентов и исследователей Raft выпустила бесплатный «Academic»‑тариф, позволяющий экспериментировать с небольшими датасетами. Подробнее о релизе можно прочитать в оригинальной статье на Habr AI: https://habr.com/ru/companies/raft/articles/1063060/.
Для AI‑разработчиков это открывает готовый стек: RAG‑базы, готовые модели и API‑интерфейсы, что ускорит прототипирование новых аналитических продуктов. Студентам курсов будет интересен Academic‑тариф – отличная площадка для практики. Однако масштабируемость зависит от качества входных данных и корректности доменной экспертизы, поэтому стоит инвестировать в сбор и очистку спортивных датасетов.
