Desarrollo de prototipos machine learning para el deporte y Wearables a medida.
El diseño y desarrollo de prototipos machine learning debe verse como un proceso complejo donde conviven: los modelos matemáticos avanzados, la tecnología, la electrónica y, sobre todo, debe estar presente la experiencia de expertos en el sector donde se pretende innovar.
No es posible desarrollar un prototipo o producto innovador con machine learning, capacidad de diagnosticar de forma inteligente y brindar predicciones basadas en modelos matemáticos, si no se ha entrenado correctamente con un patrón, que además, debe estar condicionado por expertos en la materia. En el presente ejemplo de prototipo machine learning «Baseball Analyticts» podrán analizar los motivos de estas afirmaciones.
Baseball analytics es solo uno de los ejemplos de prototipos basados en tecnología de Machine Learning, cada vez más frecuentes en nuestro laboratorio de diseño de productos tecnológicos. Lo cierto es que, nuestros principales clientes de desarrollo de productos IOT a medida, así como elementos wearable a medida, son empresas del deporte que pretenden marcar la diferencia en el mercado a través de prototipos inteligentes.
En este ejemplo de prototipo concreto, «Baseball Analytics», el objetivo inicial de los inventores era:
Conseguir un producto novedoso y barato, que brindara un análisis cuantitativo fundamental del swing de los bateadores ante diferentes escenarios para así, poder estudiar los movimientos, métricas del movimiento mecánico y emitir instrucciones que permitieran corregir malas prácticas en el desarrollo de sus prácticas de bateo.
Se trata de un objetivo frecuente en los ejemplos de productos IOT con capacidad Machine Learning que hemos desarrollado en Let´s Prototype para otros deportes, concretamente deportes de raqueta, como el Tenis y el Padel.
Partiendo de nuestra experiencia diseñando productos wearables a medida, hemos propuesto el desarrollo de una pulsera, capaz de gestionar un grupo de sensores que arrojan pistas muy relevantes y precisas sobre el trazo del movimiento mecánico realizado. Además, de los datos recogidos por el dispositivo Wearable IOT, se consiguió la recogida otros datos personales, físicos, de peso, etc… a través de una app desarrollada a medida, que permite a su vez completar el patrón de comportamiento de los deportistas en diferentes escenarios.
Una vez calibrado el modelo matemático para el sistema de machine learning, desarrollado exclusivamente para este prototipo, se parametrizan los datos de tipos de movimientos correctos, así como la capacidad de comparar los datos descriptivos de los movimientos mecánicos ejecutados por el bateador, con datos de bateadores que, con características físicas muy similares, consiguen resultados muy relevantes en el baseball.
De esta forma, en la app móvil, usuarios de Baseball Analytics y sus entrenadores, son capaces de ver de forma gráfica, las diferencias y porcentaje de similitud entre sus movimientos mecánicos y el de peloteros profesionales con resultados y técnicas de bateo muy refinadas.
Calcula el valor de tu Patente
¿Estás listo para conocer el valor estimado de tu Patente o Modelo de Utilidad?
"El desarrollo de prototipos machine learning de calidad, requiere un equipo altamente capacitado, con especialización en: Matemática, electrónica, diseño industrial, ingeniería mecánica, programación software y telecomunicaciones. Intentar fabricar un prototipo machine learning sin estos profesionales, solo nos llevará a una propuesta poco competente y con escasas posibilidades de éxito"
Desarrollo de productos con machine learning y soluciones IOT para mejorar el deporte.
Como ya sabes, cuando hablamos de dispositivos IOT, nos referimos a la capacidad que tiene el invento de conectarse con la nube, y enviar a través de un sistema de telecomunicaciones, los datos que son recogidos en el terreno. De esta forma, con los datos fiables en un servidor, pueden desarrollarse múltiples funciones que se transformen en valor para los usuarios. Por ejemplo, en este caso, la capacidad del prototipo de pulsera inteligente Baseball Analytics, de recopilar datos fiables y emitirlos a la nube, es posible establecer una comparación mediante un sistema de machine learning, que se basa en movimientos pre grabados, que corresponden a modelos muy correctos y depurados, para así, emitir en tiempo real un feedback o información, que aporta valor sustancial a los deportistas y a sus entrenadores.
5 tips que fueron clave para la etapa de Machine Learning en prototipado.
Datos Multimodales para machine learning:
En los proyectos de IoT y sistemas de Machine learning, para el deporte, u otros sectores donde el Machine learning está representando una auténtica revolución, es fundamental el estudio previo sobre datos multimodales que pueden mejorar los resultados del modelo de MAchine Learning.
Con datos multimodales, nos referimos a datos provenientes de diferentes fuentes, vinculadas o no al mismo dispositivo wearable, pero sí contemplado en la misma arquitectura hardware. Por ejemplo, en este ejemplo concreto de Baseball analytics, se determinó que los datos físicos solicitados a través de la app, así como otros datos ambientales, captados por el propio prototipo wearable, es fundamental para conseguir un análisis de comportamiento más preciso.
Queremos dar vida a tus ideas
CATÁLOGO DE
PROTOTIPOS
Ahora puedes acceder a más de 30 ejemplos de prototipos diseñados y fabricados en nuestro laboratorio
Machine Learning dinámico:
Los sistemas de machine learning que normalmente solicitan nuestros clientes, para desarrollar prototipos, se basan en modelos matemáticos básicos que permiten captar datos críticos para determinada práctica, para luego compararlo con datos modelos o de referencia, de forma que se puedan realizar diagnósticos comparativos. Diagnósticos que pueden además tener en cuenta otros datos que influyen en la práctica, como antes explicamos, en la definición de datos multimodales para Machine learning.
Algunos clientes de nuestro laboratorio de diseño y desarrollo de productos wearables inteligentes, solicitan ir un paso más allá con el diseño y desarrollo de modelos deMachine learning, como ha sido el caso de Baseball Analytics.
El cliente en este caso requería que el modelo de Machine Learning fuera capaz de adaptarse a cada usuario según sus necesidades concretas y diagnósticos realizados en las prácticas con uso del prototipo. Para este reto de lo que definimos como modelo de Machine learning dinámico, desarrollamos modelos de Deep Learning, basado en redes neuronales sistemáticas, para lo que fue viable el uso de RNN
Diseño y desarrollo de modelos de Machine learning predictivos:
Además del sistema de análisis comparativo de datos, que pudo concluirse con el desarrollo del modelo de Machine learning para deporte, desarrollado en este caso a medida para el mundo del baseball, fue posible establecer un análisis predictivo, aprovechando los datos ya recopilados. Según algunos parámetros críticos analizados en el movimiento, se ha determinado una relación que permite identificar momentos en el que los atletas están más o menos desconcentrados, previendo además los momentos idóneos para que puedan obtener su máximo rendimiento. De esta forma, los entrenadores no solo pueden trabajar en corregir los movimientos de sus deportistas, sino que pueden apoyarse en unos u otros en función de un grupo de condiciones, de forma que esto les permite ganar más partidos.
Machine learning con resultados en tiempo real:
Unos de los tips muy relevantes que hemos identificado en el desarrollo de prototipos con Machine learning, o que se apoyan en este tipo de modelos de análisis de datos, es la capacidad que van a tener los modelos de entrenamientos de responder de forma inmediata, factor que es fundamental en la mayoría de proyectos de Machine learning para el deporte que hemos diseñado y fabricado como prototipo en Let´s Prototype. Este análisis experimental se llevará a cabo de forma previa, de forma que se condicione la latencia de los elementos hardware idóneos para el prototipo antes de comenzar el proceso de recopilación de datos para el diseño del modelos de Machine learning.
Lógica de comparación con metodologías avanzadas de machine learning:
Normalmente los desarrolladores de proyectos con Machine learning, observan el sistema de análisis de datos y comparaciones diagnósticas como un todo. Tras acumular experiencia en el desarrollo de modelos de predicción con modelos matemáticos a medida, para diferentes prototipos del mundo del deporte, se determina que parcializar los análisis es una técnica que brinda muy buenos resultados. En este ejemplo de prototipo concreto, el análisis captado por la pulsera inteligente fue dividido en tres fases fundamentales: preparación, contacto y seguimiento. De esta forma, el análisis comparativo por fases es mucho más específico y aporta aún más valor a los usuarios. En este caso, los entrenadores con el prototipo Machine learning, no solo pueden determinar comparaciones completas sobre un movimiento mecánico, sino que pueden corregirlo de forma parcial y evolutiva, lo que se traduce en un entrenamiento más eficiente, enfocado a objetivos y con resultados contrastables de forma más inmediata, que es en definitiva una herramienta de motivación clave para los deportistas.
Como consejo general, es importante que desde la posición de inventor, o departamento de innovación de una empresa, comprendas que antes de plantear un modelo de Machine learning para el deporte, hay un grupo de decisiones que deberán tomarse de forma conjunta y tras el desarrollo de algunos experimentos. Esta etapa de investigación es fundamental para poder desarrollar productos de Machine learning que aporten un valor real y te permitan diferenciar realmente el prototipo de la competencia.
En este ejemplo de prototipos, el departamento de innovación de nuestro cliente, tenía muy clara la posibilidad de analizar el movimiento mediante datos tomados de los brazos del bateador en el propio movimiento mecánico, pero, por ejemplo, no tenía en cuenta que:
Captar los datos y limpiarlos por etapas del propio movimiento, incrementó en más de 80% la fiabilidad del modelo matemático. Cifras que fueron demostradas con el uso de la primera versión de un prototipo funcional.
Durante el proceso de diseño de un proyecto de Machine learning, es fundamental la conversación no tecnológica con los expertos en la materia. De este tipo de análisis suelen definirse algunos parámetros cuantificables que pueden complementar el análisis y permitir mayor nivel de fiabilidad, así como nacimiento de sistemas predictivos, que tanto valor aportan a este tipo de prototipos.
El momento de dar vida a tus ideas, es ahora. Te acompañamos en todo el proceso: de la idea al producto.
San Juan Ingenieros, S. L, es propietaria del dominio www.letsprototype.com, y según lo dispuesto en el Reglamento General de Protección de Datos (UE 1679/2016), trataremos tus datos exclusivamente para tramitar tu petición de información. Estás en todo el derecho de rectificar o solicitar la supresión de los mismos en cualquier momento a través de hello@letsprototype.com.
